CN106257488B - 一种基于邻域特征空间鉴别分析的雷达目标识别方法 - Google Patents

一种基于邻域特征空间鉴别分析的雷达目标识别方法 Download PDF

Info

Publication number
CN106257488B
CN106257488B CN201610529486.7A CN201610529486A CN106257488B CN 106257488 B CN106257488 B CN 106257488B CN 201610529486 A CN201610529486 A CN 201610529486A CN 106257488 B CN106257488 B CN 106257488B
Authority
CN
China
Prior art keywords
class
space
sample
radar target
neighborhood characteristics
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201610529486.7A
Other languages
English (en)
Other versions
CN106257488A (zh
Inventor
于雪莲
贾静
戴麒麟
李海翔
周云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201610529486.7A priority Critical patent/CN106257488B/zh
Publication of CN106257488A publication Critical patent/CN106257488A/zh
Application granted granted Critical
Publication of CN106257488B publication Critical patent/CN106257488B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本发明公开了一种基于邻域特征空间鉴别分析的雷达目标识别方法，将每类雷达目标的数据划分为训练样本和测试样本；构建每个训练样本的类内邻域特征空间和类间邻域特征空间，并计算每个样本点到其类内和类间邻域特征空间的垂直矢量并计算其加权值；构建所有训练样本的类内散射矩阵和类间散射矩阵并求解高维雷达目标数据空间到低维特征子空间的变换矩阵，根据得到的变换矩阵，将所有的训练样本和测试样本从高维雷达目标数据空间变换到低维特征子空间中的特征点，完成特征提取；采用最近邻法对每一个测试样本的特征点进行分类，完成雷达目标识别。本发明方法能够有效提高子空间的学习能力，提高有限训练样本条件下的雷达目标识别性能，且运算量低。

Description

一种基于邻域特征空间鉴别分析的雷达目标识别方法
技术领域
本发明属于雷达数据处理技术领域，具体涉及一种基于邻域特征空间鉴别分析的雷达目标识别方法。
背景技术
子空间学习方法在雷达目标识别中已经被广泛应用，其经典代表有主成份分析(Principle Component Analysis,PCA)和线性鉴别分析(Linear DiscriminantAnalysis,LDA)，它们的共同特点是采用点到点的距离测度。当训练样本数量足够时，上述这两种算法能得到较好的识别效果。然而，当训练样本数量非常有限时，它们的子空间很可能无法真实地表征原始样本空间的内在几何结构，从而会导致雷达目标识别性能的下降。
为了增强有限训练样本的表征能力，有学者提出了基于点到线距离测度的子空间学习方法，如：不相关鉴别最近邻特征线分析(UncorrelatedDiscriminantNearestFeature Line Analysis,UDNFLA)。理论分析和实验结果表明，UDNFLA的识别性能通常优于PCA和LDA，但它的缺陷在于计算量较大且可能引入插值误差。针对该问题，一些学者进一步提出了基于点到空间距离测度的子空间学习方法，如：最近特征空间分析(NearestFeature Space Analysis,NFSA)和鉴别最近特征空间分析(DiscriminantNearestFeature Space Analysis,DNFSA)。
相对于UDNFLA来讲，NFSA和DNFSA的计算量可以大大降低，缺陷在于：它们利用每个目标类别的所有训练样本来构建特征空间，如果一些同类的样本点相距较远而一些异类的样本点相距较近时，它们所构建的子空间将不能真实地反映样本间固有的几何结构信息，从而可能会影响雷达目标识别性能。
发明内容
有鉴于此，本发明针对现有方法在有限训练样本条件下因存在插值误差、子空间不能真实反映样本间的几何结构关系而导致雷达目标识别性能下降的问题，提供了一种基于邻域特征空间鉴别分析的雷达目标识别方法。
为了解决上述技术问题，本发明公开了一种基于邻域特征空间鉴别分析的雷达目标识别方法，该方法包括以下步骤：
步骤S1：将每类雷达目标的数据划分为训练样本和测试样本；
步骤S2：构建每个训练样本的类内邻域特征空间和类间邻域特征空间，并计算每个样本点到其类内和类间邻域特征空间的垂直矢量；
步骤S3：根据每个样本点到其类内和类间邻域特征空间的垂直矢量，计算该样本点的加权值；
步骤S4：构建所有训练样本的类内散射矩阵和类间散射矩阵；
步骤S5：根据构建的类内和类间散射矩阵，求解高维雷达目标数据空间到低维特征子空间的变换矩阵，使得低维特征空间上类内的点到空间距离之和达到最小，同时类间的点到空间距离之和达到最大；
步骤S6：根据得到的变换矩阵，将所有的训练样本和测试样本从高维雷达目标数据空间变换到低维特征子空间中的特征点，完成特征提取；
步骤S7：采用最近邻法对每一个测试样本的特征点进行分类，完成雷达目标识别。
与现有技术相比，本发明可以获得包括以下技术效果：
1、相对于现有的子空间学习方法而言，本发明基于邻域特征空间鉴别分析的方法能够有效提高子空间的学习能力，提高有限训练样本条件下的雷达目标识别性能。
2、相对于现有的子空间学习方法而言，本发明基于邻域特征空间鉴别分析的雷达目标识别方法的运算量较低。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明基于邻域特征空间鉴别分析的雷达目标识别方法一个实施例的流程图；
图2为实验A中本发明方法在参数K1和K2不同取值下的识别率曲面；
图3为实验B中本发明方法在参数K1和K2不同取值下的识别率曲面；
图4为实验C中本发明方法在参数K1和K2不同取值下的识别率曲面。
具体实施方式
以下将配合实施例来详细说明本发明的实施方式，藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本发明基于邻域特征空间鉴别分析的雷达目标识别方法，如图1所示，具体按照以下步骤实施：
步骤S1：将每类雷达目标的数据划分为训练样本和测试样本。
所述的训练样本是用来进行子空间学习，以获得从高维数据空间到低维特征子空间的变换矩阵，所述的测试样本是用来进行目标分类，以测试所提供方法的识别性能。
在实施时，一般要求训练样本和测试样本之间没有交叠。在本发明的一个实施例中，优选每类目标的前Ntr个数据用于组成训练样本，后(N-Ntr)个数据用于组成测试样本，其中，N为每类目标的总样本个数，Ntr为每类目标训练样本的个数，(N-Ntr)为每类目标测试样本的个数。
步骤S2：构建每个训练样本的类内邻域特征空间和类间邻域特征空间，并计算每个样本点到其类内和类间邻域特征空间的垂直矢量。
具体实施如下：对于每个训练样本点xi，找到K1个与它距离最近且来自同一个目标类别的样本点，记为这些样本点张成xi的类内邻域特征空间Fw，计算xi在空间Fw上的投影点：
对于每个训练样本点xi，找到K2个与它距离最近且来自不同目标类别的样本点，记为这些样本点张成xi的类间邻域特征空间Fb，计算xi在空间Fb上的投影点：
样本点xi到其类内邻域特征空间的垂直矢量为：
样本点xi到其类间邻域特征空间的垂直矢量为：
所述的K1和K2一般应小于每类目标训练样本的个数。
步骤S3：根据每个样本点到其类内和类间邻域特征空间的垂直矢量，计算该样本点的加权值：
其中，||·||表示矢量的二范数。
步骤S4：构建所有训练样本的类内散射矩阵和类间散射矩阵：
其中，Sw为类内散射矩阵，Sb为类间散射矩阵，N是所有训练样本的总数。
步骤S5：根据构建的类内散射矩阵和类间散射矩阵，求解高维雷达目标数据空间到低维特征子空间的变换矩阵，使得低维特征空间上类内的点到空间距离之和达到最小、同时类间的点到空间距离之和达到最大。
在实施时，所述的变换矩阵可以通过求解如下最优化问题而得到：
约束条件：VTV＝I
其中，V表示所要求解的变换矩阵，tr{·}表示矩阵的迹，约束条件VTV＝I是为了保证求解结果的唯一性。
在本发明的一个实施例中，将上述优化问题转化为对矩阵(Sb-Sw)进行特征分解，并取其前d个最大的特征值对应的特征向量v1,…,vd构成所要求解的变换矩阵：V＝[v1,…,vd]。其中，d为低维特征子空间的维数，d应小于高维雷达目标数据空间的维数。
步骤S6：根据得到的变换矩阵，将所有的训练样本和测试样本从高维雷达目标数据空间变换到低维特征子空间中的特征点，完成特征提取。
具体实施为：
y＝VTx
其中，x表示高维雷达目标数据空间中的任一样本点，y表示低维特征子空间与x对应的特征点。
在步骤S7中，采用最近邻法对每一个测试样本的特征点进行分类，完成雷达目标识别。
所述的最近邻法是指将待识别的测试样本的特征点划归到与它距离最近的训练样本的特征点所属的目标类别中。
本发明的效果可以通过以下实测实验进行验证。
实测实验
实验所用数据为国内某C波段ISAR雷达对三种飞机(An、Cessna、Yak)在外场实验中所采集的高分辨距离像数据，每种飞机包含260个数据样本。实验中，每种飞机的前Ntr个样本用于训练，后(260-Ntr)个样本用于测试，Ntr分别取30、20、和10，对应于A、B、C三次实验。分别采用PCA、LDA、UDNFLA、NFSA、DNFSA以及本发明方法进行特征提取，并采用最近邻法进行分类。本发明方法中两个参数K1和K2在3～10之间取值，步长为1。
本发明方法与现有的五种子空间学习方法在三次实验中分别取得的识别率以及三次实验的平均识别率如表1所示。
表1本发明方法与现有的五种子空间学习方法进行雷达目标识别实验的识别率
由表1可以看到：
两种基于点到空间距离测度的方法DNFSA和NFSA的识别性能优于基于点到线距离测度的方法UDNFLA；UDNFLA的性能优于两种经典的点到点距离测度的方法PCA和LDA；而本发明提供的基于邻域特征空间鉴别分析的雷达目标识别方法的性能最优，相对于DNFSA和NFSA，本发明方法的平均识别率分别有2.7％和3.6％的提升。
图2、3和4分别为实验A、B、C中，本发明方法在不同的K1和K2取值下的识别率曲面，其中，K1和K2的取值范围均为3～10。表2给出了每次实验中本发明方法在不同的K1和K2取值下的识别率的标准偏差以及三次实验的平均标准偏差。
表2为本发明方法在不同的K1和K2取值下的识别率的标准偏差
可以看到：三次实验的标准偏差均较小。也就是说，本发明方法对参数K1和K2的取值不太敏感，具有较好的参数鲁棒性。
该实测实验的结果说明了本发明提供的基于邻域特征空间鉴别分析的雷达目标识别方法的有效性，同时验证了该方法相对于现有的子空间学习方法来讲具有更优的识别性能。
此外，如背景技术中所述，UDNFLA方法的一个主要的不足之处就是运算量较大，相比之下，NFSA和DNFSA的运算量得到了减少，这里所述的运算量是指进行子空间学习所需要的矢量乘积运算的次数。分析可知：UDNFLA、NFSA和DNFSA的运算量分别为O(D2N3)、O(D2N)和O(D2NC)，本发明方法的运算量为O(D2N)。其中，D是高维雷达目标数据空间的维数，N是训练样本的总数，C是目标类别总数。综上所述，本发明方法的计算量与NFSA相当，且小于UDNFLA和DNFSA。
上述说明示出并描述了发明的若干优选实施例，但如前所述，应当理解发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围，则都应在发明所附权利要求的保护范围内。

Claims (8)

1.一种基于邻域特征空间鉴别分析的雷达目标识别方法，其特征在于，该方法包括以下步骤：
步骤S1：将每类雷达目标的数据划分为训练样本和测试样本；
步骤S2：构建每个训练样本的类内邻域特征空间和类间邻域特征空间，并计算每个样本点到其类内和类间邻域特征空间的垂直矢量；
步骤S3：根据每个样本点到其类内和类间邻域特征空间的垂直矢量，计算该样本点的加权值；
步骤S4：构建所有训练样本的类内散射矩阵和类间散射矩阵；
步骤S5：根据构建的类内和类间散射矩阵，求解高维雷达目标数据空间到低维特征子空间的变换矩阵，使得低维特征空间上类内的点到空间距离之和达到最小，同时类间的点到空间距离之和达到最大；
步骤S6：根据得到的变换矩阵，将所有的训练样本和测试样本从高维雷达目标数据空间变换到低维特征子空间中的特征点，完成特征提取；
步骤S7：采用最近邻法对每一个测试样本的特征点进行分类，完成雷达目标识别。
2.根据权利要求1所述的基于邻域特征空间鉴别分析的雷达目标识别方法，其特征在于，步骤S1中，所述的训练样本是用来进行子空间学习，以获得从高维数据空间到低维特征子空间的变换矩阵，所述的测试样本是用来进行目标分类，以测试所提供方法的识别性能；
每类目标的前Ntr个数据用于组成训练样本，后(N-Ntr)个数据用于组成测试样本，其中，N为每类目标的总样本个数，Ntr为每类目标训练样本的个数，(N-Ntr)为每类目标测试样本的个数。
3.根据权利要求1所述的基于邻域特征空间鉴别分析的雷达目标识别方法，其特征在于，步骤S2中，对于每个训练样本点xi，找到K1个与它距离最近且来自同一个目标类别的样本点，记为这些样本点张成xi的类内邻域特征空间Fw，计算xi在空间Fw上的投影点：
对于每个训练样本点xi，找到K2个与它距离最近且来自不同目标类别的样本点，记为这些样本点张成xi的类间邻域特征空间Fb，计算xi在空间Fb上的投影点：
样本点xi到其类内邻域特征空间的垂直矢量为：
样本点xi到其类间邻域特征空间的垂直矢量为：
所述的K1和K2应小于每类目标训练样本的个数。
4.根据权利要求3所述的基于邻域特征空间鉴别分析的雷达目标识别方法，其特征在于，步骤S3中，样本点xi的加权值为：
其中，||·||表示矢量的二范数。
5.根据权利要求4所述的基于邻域特征空间鉴别分析的雷达目标识别方法，其特征在于，步骤S4中，类内散射矩阵为：
类间散射矩阵为：
其中，N是所有训练样本的总数。
6.根据权利要求5所述的基于邻域特征空间鉴别分析的雷达目标识别方法，其特征在于，步骤S5中，变换矩阵通过求解如下最优化问题而得到：
约束条件：VTV＝I
其中，V表示所要求解的变换矩阵，tr{·}表示矩阵的迹，约束条件VTV＝I是为了保证求解结果的唯一性；
将上述优化问题转化为对矩阵(Sb-Sw)进行特征分解，并取其前d个最大的特征值对应的特征向量v1,…,vd构成所要求解的变换矩阵：V＝[v1,…,vd]；其中，d为低维特征子空间的维数，d应小于高维雷达目标数据空间的维数。
7.根据权利要求6所述的基于邻域特征空间鉴别分析的雷达目标识别方法，其特征在于，步骤S6中，低维特征子空间中与x对应的特征点为：
y＝VTx
其中，x表示高维雷达目标数据空间中的任一样本点，y表示低维特征子空间与x对应的特征点。
8.根据权利要求1所述的基于邻域特征空间鉴别分析的雷达目标识别方法，其特征在于，步骤S7中，所述的最近邻法是指将待识别的测试样本的特征点划归到与它距离最近的训练样本的特征点所属的目标类别中。
CN201610529486.7A 2016-07-07 2016-07-07 一种基于邻域特征空间鉴别分析的雷达目标识别方法 Expired - Fee Related CN106257488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610529486.7A CN106257488B (zh) 2016-07-07 2016-07-07 一种基于邻域特征空间鉴别分析的雷达目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610529486.7A CN106257488B (zh) 2016-07-07 2016-07-07 一种基于邻域特征空间鉴别分析的雷达目标识别方法

Publications (2)

Publication Number Publication Date
CN106257488A CN106257488A (zh) 2016-12-28
CN106257488B true CN106257488B (zh) 2019-11-19

Family

ID=57714265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610529486.7A Expired - Fee Related CN106257488B (zh) 2016-07-07 2016-07-07 一种基于邻域特征空间鉴别分析的雷达目标识别方法

Country Status (1)

Country Link
CN (1) CN106257488B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194329B (zh) * 2017-05-05 2020-12-08 南京航空航天大学 一种基于自适应局部稀疏保持投影的一维距离像识别方法
CN107393554B (zh) * 2017-06-20 2020-07-10 武汉大学 一种声场景分类中融合类间标准差的特征提取方法
CN107576948B (zh) * 2017-08-15 2020-09-25 电子科技大学 一种基于高分辨距离像imf特征的雷达目标识别方法
CN107678007B (zh) * 2017-09-06 2020-05-12 电子科技大学 一种指数域紧密子空间的雷达真假目标一维距离像特征提取方法
CN108845302B (zh) * 2018-08-23 2022-06-03 电子科技大学 一种k近邻变换真假目标特征提取方法
CN114936597B (zh) * 2022-05-20 2023-04-07 电子科技大学 一种局部信息增强子空间真假目标特征提取方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101561865A (zh) * 2009-05-22 2009-10-21 西安电子科技大学 基于多参数谱特征的合成孔径雷达图像目标识别方法
CN103955708A (zh) * 2014-05-13 2014-07-30 重庆大学 一种用于人脸合成画像识别的人脸照片库快速缩减方法
CN104036523A (zh) * 2014-06-18 2014-09-10 哈尔滨工程大学 一种基于SURF特征的改进Mean Shift的目标跟踪方法
CN104899578A (zh) * 2015-06-26 2015-09-09 苏州大学张家港工业技术研究院 一种人脸识别的方法及装置
JP2015191277A (ja) * 2014-03-27 2015-11-02 富士通株式会社 データ識別方法、データ識別プログラム及びデータ識別装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101561865A (zh) * 2009-05-22 2009-10-21 西安电子科技大学 基于多参数谱特征的合成孔径雷达图像目标识别方法
JP2015191277A (ja) * 2014-03-27 2015-11-02 富士通株式会社 データ識別方法、データ識別プログラム及びデータ識別装置
CN103955708A (zh) * 2014-05-13 2014-07-30 重庆大学 一种用于人脸合成画像识别的人脸照片库快速缩减方法
CN104036523A (zh) * 2014-06-18 2014-09-10 哈尔滨工程大学 一种基于SURF特征的改进Mean Shift的目标跟踪方法
CN104899578A (zh) * 2015-06-26 2015-09-09 苏州大学张家港工业技术研究院 一种人脸识别的方法及装置

Also Published As

Publication number Publication date
CN106257488A (zh) 2016-12-28

Similar Documents

Publication Publication Date Title
CN106257488B (zh) 一种基于邻域特征空间鉴别分析的雷达目标识别方法
CN105809693B (zh) 基于深度神经网络的sar图像配准方法
CN114429156B (zh) 雷达干扰多域特征对抗学习与检测识别方法
CN104299247B (zh) 一种基于自适应测量矩阵的视频目标跟踪方法
CN103761311B (zh) 基于多源领域实例迁移的情感分类方法
CN110197209B (zh) 一种基于多特征融合的辐射源识别方法
CN106600602B (zh) 基于聚类自适应窗高光谱图像异常检测方法
CN106250848B (zh) 一种基于多模型融合的单类水声目标识别方法
CN101853509A (zh) 基于Treelets和模糊C-均值聚类的SAR图像分割方法
CN104866871B (zh) 基于投影结构稀疏编码的高光谱图像分类方法
CN108520310B (zh) G-L混合噪声特性v-支持向量回归机的风速预报方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN107133476B (zh) 一种基于响应混叠性度量的测试激励与测点的协同优化方法
CN107679453A (zh) 基于支持向量机的天气雷达电磁干扰回波识别方法
CN104155245B (zh) 一种基于模式识别与谱图映射的油品多类性质的检测方法
CN106951822B (zh) 一种基于多尺度稀疏保持投影一维距离像融合识别方法
CN109541639A (zh) 一种基于粒子聚类的反演边界层高度方法
Al-Maskari et al. An effective approach to handling noise and drift in electronic noses
CN106908774B (zh) 基于多尺度核稀疏保持投影的一维距离像识别方法
CN103942415A (zh) 一种流式细胞仪数据自动分析方法
CN102609733B (zh) 海量人脸库应用环境下的人脸快速识别方法
Yang et al. An incipient fault diagnosis method based on Att-GCN for analogue circuits
Taylor et al. A methodology for sorting haploid and diploid corn seed using terahertz time domain spectroscopy and machine learning
CN112285632A (zh) 一种基于vmd和样本熵的电磁式电流互感器故障诊断方法
Choi et al. Information-maximizing adaptive design of experiments for wind tunnel testing

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191119

Termination date: 20200707

CF01 Termination of patent right due to non-payment of annual fee