CN107133648B - 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 - Google Patents

基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 Download PDF

Info

Publication number
CN107133648B
CN107133648B CN201710311294.3A CN201710311294A CN107133648B CN 107133648 B CN107133648 B CN 107133648B CN 201710311294 A CN201710311294 A CN 201710311294A CN 107133648 B CN107133648 B CN 107133648B
Authority
CN
China
Prior art keywords
scale
space
sparse
dimensional
amplitude
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.)
Active
Application number
CN201710311294.3A
Other languages
English (en)
Other versions
CN107133648A (zh
Inventor
戴为龙
张弓
刘文波
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201710311294.3A priority Critical patent/CN107133648B/zh
Publication of CN107133648A publication Critical patent/CN107133648A/zh
Application granted granted Critical
Publication of CN107133648B publication Critical patent/CN107133648B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开一种基于自适应多尺度融合稀疏保持投影的一维距离像识别方法。首先，对实测一维距离像信号样本进行预处理；然后，通过一维高斯尺度算子进行多尺度空间映射；接着，利用稀疏保持投影法对各空间特征进行稀疏表示，得到各空间上的稀疏系数矩阵；最后，通过本发明所提的空间权重算法计算各尺度空间权重系数，得到多尺度融合稀疏系数矩阵，再由稀疏保持投影约束获得低维空间投影矩阵将训练样本和测试样本投影到低维空间，用支持向量机对其进行训练和分类。本发明基于多尺度空间理论和稀疏保持投影，结合自创的空间权重算法对各尺度空间包含的识别信息进行高效融合，大幅提高了一维距离像信号的识别精度和抗噪声能力，降低了特征维度。

Description

基于自适应多尺度融合稀疏保持投影的一维距离像识别方法
技术领域
本发明涉及一维信号目标识别的方法，尤其涉及一种基于自适应多尺度融合稀疏保持投影的一维距离像识别方法。
背景技术
雷达高分辨率距离像(HRRP)是在雷达每个距离单元内目标散射点反射的复信号矢量和，与合成孔径雷达(SAR)和逆合成孔径雷达(ISAR)图像相比，一维距离像作为一种一维信号，具有更易采集、存储容量更小、处理速度更快等优点。此外，雷达一维距离像提供了包括目标尺寸、散射点分布等目标的详细结构信息，因此，近年来，雷达一维距离像目标识别相关领域获得了许多学者的注意。
鉴于雷达HRRP具有方位敏感性、幅度敏感性、平移敏感性等固有问题，直接将测试样本和模版库进行匹配是一个3D搜索问题，将导致巨大的计算负担，且由于实际环境中噪声的影响，直接用原信号匹配识别精度较低，受噪声干扰较大，难以满足实际需求。在信号特征提取方面，国内外学者已提出多种特征提取方案，如主成分分析法(PCA)、线性判别分析(LDA)等线性降维方法，这些方法虽然能对数据进行降维且一定程度上提高识别率，但是其不能处理非线性数据，而现实数据大多为非线性结构；邻域保持投影法(NPP)、局部保持投影法(LPP)等流形学习方法能够发现数据内部的非线性结构并将其保持融入到特征提取过程当中，在多数情况下能够取得比线性方法更好的识别效率。
近些年来，由于稀疏表示理论的快速发展，结合该理论提出的稀疏保持投影法(SPP)利用了目标信号自身的稀疏重构特性将其融入到特征提取中，在人脸数据实验中取得了很好的识别效果，其表现出优于传统流形识别方法的特性，但该方法也有其固有局限，如对于数据结构的探究始终局限在单一空间中，导致识别信息有限，无法深入挖掘数据内部构造。
发明内容
发明目的：本发明的目的是提供一种雷达一维距离像信号高效稳健识别的方案，能够以低维特征获得较高的识别精度，该算法识别阶段耗时短且鲁棒性强，具有一定的实际应用价值。
技术方案：一种基于自适应多尺度融合稀疏保持投影的一维距离像识别方法，包括以下步骤：
(1)训练阶段：
(11)对训练样本集
Figure BDA0001287189020000021
提取其归一化幅度特征集
Figure BDA0001287189020000022
并进行平移对齐，得到平移对齐后的幅度特征集
Figure BDA0001287189020000023
(12)利用高斯尺度算子G对平移对齐后的幅度特征集H进行多尺度空间映射，得到训练样本多尺度空间幅度特征向量集
Figure BDA0001287189020000024
(13)由稀疏保持投影法对多尺度空间幅度特征样本
Figure BDA0001287189020000025
分别进行稀疏重构，得到各尺度空间上的稀疏系数矩阵；
(14)利用空间权重算法计算各尺度空间权重系数，结合各尺度空间稀疏系数矩阵，得到多尺度融合稀疏系数矩阵；
(15)由稀疏保持投影约束得到低维空间投影矩阵W对平移对齐后的幅度特征集H进行低维空间投影，得到训练样本低维幅度特征向量集
Figure BDA0001287189020000026
(16)由训练样本低维幅度特征向量集对支持向量机进行训练。
(2)测试阶段：
(21)对测试样本y提取其归一化幅度特征
Figure BDA0001287189020000027
并与训练样本幅度特征集H进行平移对齐，得到平移对齐后的幅度特征hy；
(22)利用步骤(15)求得的低维空间投影矩阵W对测试样本平移对齐后的幅度特征hy进行低维投影，得到测试样本低维幅度特征向量py：
py＝WThy
(23)利用训练完成的分类器对测试样本低维幅度特征进行分类，输出测试样本分类结果。
进一步的，所述步骤(12)中对平移对齐后的幅度特征集H利用高斯尺度算子进行多尺度空间映射；其中，对于一个一维距离像幅度特征
Figure BDA0001287189020000028
来说，其多尺度空间映射表示为：
Figure BDA0001287189020000029
其中，
Figure BDA0001287189020000031
表示卷积运算，
Figure BDA0001287189020000032
表示总尺度个数；G(g,σm)为一维高斯尺度算子，其计算公式如下：
Figure BDA0001287189020000033
式中，g为一维距离像幅度特征的空间坐标，σm为尺度因子，通过赋予σm不同的值以实现多尺度空间映射；由此可以得到训练样本多尺度空间幅度特征向量集
Figure BDA0001287189020000034
其中，
Figure BDA0001287189020000035
Figure BDA0001287189020000036
表示单个尺度空间下的幅度特征总个数。
进一步的，所述步骤(13)中根据稀疏保持投影法，对任一尺度因子σm而言，该空间下的任一训练样本幅度特征
Figure BDA0001287189020000037
都可由除其自身以外的剩余训练样本幅度特征对其进行稀疏重构，建立稀疏重构方程：
Figure BDA0001287189020000038
Figure BDA0001287189020000039
1＝eTri
其中，
Figure BDA00012871890200000310
为满足条件的最佳稀疏表示系数向量，e表示所有元素均为1的列向量，
Figure BDA00012871890200000311
表示满足条件的稀疏表示系数向量，ri,j表示训练样本特征向量
Figure BDA00012871890200000312
对重构
Figure BDA00012871890200000313
的贡献量，ε为噪声松弛量，||·||1表示取1范数。
计算所有训练样本最佳稀疏表示系数向量
Figure BDA00012871890200000314
得到该尺度空间下的稀疏系数矩阵
Figure BDA00012871890200000315
则用相同的方法可得到各尺度空间上的稀疏系数矩阵
Figure BDA00012871890200000316
进一步的，所述步骤(14)中利用空间权重算法自适应调节各尺度空间权重系数；对于任一固定尺度因子σm而言，其类间距离和类内距离反映了该空间的样本类别可分性，通过其比值可自适应调节该尺度空间在目标分类过程中的影响权重；假设训练样本中包含的目标类别数为
Figure BDA0001287189020000041
第c个目标类别中包含的样本数nc，则
Figure BDA0001287189020000042
可以计算尺度σm下的样本特征类间距离：
Figure BDA0001287189020000043
其中，
Figure BDA0001287189020000044
分别表示该空间下属于c1和c2类别训练样本幅度特征的平均向量，
Figure BDA0001287189020000045
表示
Figure BDA0001287189020000046
和
Figure BDA0001287189020000047
的欧氏距离；相应地，可以计算尺度因子σm下的样本特征类内距离：
Figure BDA0001287189020000048
其中，
Figure BDA0001287189020000049
表示空间σm中属于类别
Figure BDA00012871890200000410
的第k个训练样本幅度特征，
Figure BDA00012871890200000411
表示
Figure BDA00012871890200000412
和
Figure BDA00012871890200000413
间的欧式距离；则该空间的权重系数为：
Figure BDA00012871890200000414
同理可得各尺度下的权重系数为：
Figure BDA00012871890200000415
因此，通过权重系数调节各尺度空间识别权重，由于各空间识别信息大多包含在空间稀疏系数矩阵中，则利用权重系数结合稀疏系数矩阵将各空间识别信息有机融合得到多尺度融合稀疏系数矩阵：
Figure BDA00012871890200000416
进一步的，所述步骤(15)中，由稀疏保持投影法和多尺度融合稀疏系数矩阵可得多尺度融合稀疏保持投影约束：
Figure BDA00012871890200000417
Figure BDA00012871890200000418
该约束可以转化为：
Figure BDA00012871890200000419
该最小化问题可以转化为最大化问题：
Figure BDA0001287189020000051
利用拉格朗日乘数法，该问题可以转化为以下广义特征值问题：
Figure BDA0001287189020000052
其中，α为特征值，
Figure BDA0001287189020000053
为其对应的特征向量，则对应最大d个特征值的特征向量组成低维空间投影矩阵W；由求得的投影矩阵W对训练样本幅度特征集和测试样本幅度特征进行低维空间投影：
P＝WTH
py＝WThy
由此得到训练样本低维幅度特征向量集P和测试样本低维幅度特征向量py，后续分别将其作为最终特征进行分类器的训练和分类。
有益效果：与现有技术相比，本发明的方法将稀疏保持投影和多尺度空间融合，通过创新的尺度权重算法将信号多尺度空间稀疏结构有机结合，融入到特征提取过程中，相比单一的SPP或传统降维方法，多尺度空间法识别精度平均提高3-10个百分点。其次，通过稀疏保持投影法降维，将原有信号维度从256维降低到40维，特征维度较低，在取得很好识别精度的同时避免了特征的大量冗余，在一定程度上提高了识别效率。再者，通过自适应调整不同尺度空间的识别权重，将多尺度空间识别信息有机结合，相比于其它方法在信噪比较低的情况下依然拥有足够的鉴别信息，特征鲁棒性好，对噪声抗性强。基于实测雷达一维距离像信号的仿真实验表明，将本发明所提特征用于分类器识别精度更高、抗噪声能力更强且速度较快。另外，本发明提出的一维距离像识别方法可以通过适当变换应用到多种一维信号处理问题，如人脸识别、语音信号识别等。
附图说明
图1是本发明解决一维距离像识别问题的流程示意图；
图2是本发明处理的一维距离像原始信号的示意图；
图3是本发明提取一维距离像归一化幅度特征的示意图；
图4是本发明提取的样本信号多尺度空间幅度特征示意图；
图5是本发明由稀疏保持投影获得的示例样本空间尺度0.6的稀疏系数示意图；
图6是本发明由稀疏保持投影获得的示例样本空间尺度1.2的稀疏系数示意图；
图7是本发明由稀疏保持投影获得的示例样本空间尺度1.8的稀疏系数示意图；
图8是本发明由稀疏保持投影获得的示例样本空间尺度2.4的稀疏系数示意图；
图9是本发明由空间权重算法得到的多尺度融合稀疏系数示意图；
图10是本发明在不同信噪比条件下取得的分类精度和其他方法的对比结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明确，以下参照附图对本发明进行进一步详细说明。
如图1所示，本发明的一种基于自适应多尺度融合稀疏保持投影的一维距离像识别方法，包括训练阶段和测试阶段。
现有一飞机目标一维距离像回波数据如图2所示，图中反映了该飞机散射点反射强度的分布情况，尖峰代表飞机目标的强散射点反射强度，实际情况中不同型号的飞机回波各不相同，同一型号飞机不同角度的回波信号也有所差异，本发明主要目的就是完成这类回波信号的特征提取和类别判断。为了解决该类一维回波信号的识别分类问题。具体如图1所示包括以下几个步骤：
训练阶段：
第1步：对训练样本集X＝[x1,x2,...,xN](xi∈Rl)，提取其归一化幅度特征集
Figure BDA0001287189020000061
其中，l表示原始向量维数，这里所用飞机数据一维距离像信号维度为256；
Figure BDA0001287189020000062
其中，|·|表示取模，||·||2表示取2范数，
Figure BDA0001287189020000063
表示训练样本总数；由于幅度特征的平移敏感性，需要对其进行平移对齐操作，这里采用较为常用的最大相关平移对齐法，信号
Figure BDA0001287189020000064
和
Figure BDA0001287189020000065
的互相关系数为：
Figure BDA0001287189020000066
其中，<·>表示内积运算；则每个信号以前一个幅度特征作为标准，后面依次平移直到与前一个幅度特征信号的互相关系数达到最大，设前一个信号幅度特征为
Figure BDA0001287189020000067
则
Figure BDA0001287189020000068
需平移t个距离单位，t满足：
Figure BDA0001287189020000071
由此得到平移对齐后的训练样本归一化幅度特征向量集
Figure BDA0001287189020000072
一样本信号归一化幅度特征曲线示意图如图3所示，图中使用2范数将原始幅度特征进行归一化，在不改变原始幅度分布情况的前提下消除量纲对最终结果的影响，使不同测量环境下的数据具有可比性。
第2步：基于第1步获得的训练样本归一化幅度特征向量集H，对于其任一幅度特征
Figure BDA0001287189020000073
利用一维高斯尺度算子对其进行多尺度映射：
Figure BDA0001287189020000074
其中，
Figure BDA0001287189020000075
表示卷积运算，
Figure BDA0001287189020000076
表示总尺度个数，G(g,σm)为一维高斯尺度算子：
Figure BDA0001287189020000077
其中，g为一维距离像幅度特征的空间坐标，σm为尺度因子，通过赋予σm不同的值即可实现多尺度空间映射，本实验中取
Figure BDA0001287189020000078
且σ1＝0.6,σ2＝1.2,σ3＝1.8,σ4＝2.4。由此可以得到训练样本幅度特征的多尺度幅度特征向量集
Figure BDA0001287189020000079
这里
Figure BDA00012871890200000710
Figure BDA00012871890200000711
表示单个尺度空间下的特征总个数，图4展示了一样本信号多尺度归一化幅度特征示意图，可以看出不同尺度空间下样本的突出特征有所不同，大尺度空间对信号的轮廓特征有较好的展示，而小尺度下信号的细节特征得到了较好的保留，通过结合多尺度空间性质进行特征提取可使所提特征包含更多的识别信息。
第3步：基于第2步获得的训练样本多尺度幅度特征向量集
Figure BDA00012871890200000712
由稀疏保持投影法，对任一尺度因子σm而言，该空间下的任一训练样本幅度特征
Figure BDA00012871890200000713
都可由除其自身以外的剩余训练样本幅度特征对其进行稀疏重构，建立稀疏重构方程：
Figure BDA0001287189020000081
其中，
Figure BDA0001287189020000082
为满足条件的最佳稀疏表示系数向量，e表示所有元素均为1的列向量，
Figure BDA0001287189020000083
表示满足条件的稀疏表示系数向量，ri,j表示训练样本特征向量
Figure BDA0001287189020000084
对重构
Figure BDA0001287189020000085
的贡献量，ε为噪声松弛量，这里取ε＝0.08，||·||1表示取1范数；计算所有训练样本最佳稀疏表示系数向量
Figure BDA0001287189020000086
得到该尺度空间下的稀疏系数矩阵
Figure BDA0001287189020000087
则用相同的方法可得到各尺度空间上的稀疏系数矩阵
Figure BDA0001287189020000088
图5至图8展示了一样本信号在不同尺度空间下的最佳稀疏系数(即
Figure BDA0001287189020000089
)分布，可以看出不同尺度空间下的系数分布既有相似又有不同，固定空间中的样本其稀疏系数分布也是唯一的，代表了不同空间中样本独有的内部结构，将其进行有机融合便可综合利用其包含的识别信息对目标进行有效识别。
第4步：基于第2步获得的训练样本多尺度幅度特征向量集
Figure BDA00012871890200000810
对于任一固定尺度因子σm而言，其类间距离和类内距离反映了该空间的样本类别可分性，通过其比值可自适应调节该尺度空间在目标分类过程中的影响权重，类间类内比值越大表示该空间里样本类别可分性越强，在识别中应占有较大的识别权重；假设训练样本中包含的目标类别数为
Figure BDA00012871890200000811
第c个目标类别中包含的样本数nc，则
Figure BDA00012871890200000812
可以计算尺度因子σm下的样本特征类间距离：
Figure BDA00012871890200000813
其中，
Figure BDA00012871890200000814
分别表示该空间下属于c1和c2类别训练样本幅度特征的平均向量，
Figure BDA00012871890200000815
表示
Figure BDA00012871890200000816
和
Figure BDA00012871890200000817
的欧氏距离；相应地，可以计算尺度因子σm下的样本特征类内距离：
Figure BDA0001287189020000091
其中，
Figure BDA0001287189020000092
表示空间σm中属于类别
Figure BDA0001287189020000093
的第k个训练样本幅度特征，
Figure BDA0001287189020000094
表示
Figure BDA0001287189020000095
和
Figure BDA0001287189020000096
间的欧式距离；则该空间的权重系数为：
Figure BDA0001287189020000097
同理，可得各尺度下的权重系数为：
Figure BDA0001287189020000098
因此，通过权重系数调节各尺度空间识别权重，由于各空间识别信息大多包含在空间稀疏系数矩阵中，则本发明利用权重系数结合稀疏系数矩阵将各空间识别信息有机融合得到多尺度融合稀疏系数矩阵：
Figure BDA0001287189020000099
图9展示了一样本信号多尺度融合稀疏系数分布，可以看出，该分布结合了多个尺度空间固有结构信息，任意固定的样本集其稀疏系数分布也是唯一的，其中系数绝对值大代表该样本对重构过程的贡献大，值较小或为0的代表对重构过程几乎没有贡献，此稀疏系数分布中包含大量的目标识别信息，将其融入到特征提取过程中令提取的特征更具可分性。
第5步：由第4步求得的多尺度融合稀疏系数矩阵，利用稀疏保持投影约束计算低维投影矩阵W：
Figure BDA00012871890200000910
该约束可以转化为：
Figure BDA00012871890200000911
该最小化问题可以转化为最大化问题：
Figure BDA00012871890200000912
利用拉格朗日乘数法，该问题可以转化为以下广义特征值问题：
Figure BDA0001287189020000101
其中，α为特征值，
Figure BDA0001287189020000102
为其对应的特征向量，则对应最大d个特征值的特征向量组成低维空间投影矩阵W；由求得的投影矩阵W对训练样本幅度特征集H进行低维空间投影：
P＝WTH (15)
由此得到训练样本低维幅度特征向量集P，后续分别将其作为最终特征进行分类器的训练。
第6步：由训练样本低维幅度特征向量集P进行线性支持向量机的参数训练。
测试阶段：
第1步：对测试样本y提取其归一化幅度特征
Figure BDA0001287189020000103
并与训练样本幅度特征集H进行平移对齐，得到平移对齐后的幅度特征hy，方法如上训练阶段第1步所示。
第2步：利用训练阶段求得的投影矩阵W对测试样本幅度特征hy进行低维投影，得到测试样本低维幅度特征向量py：
py＝WThy (16)
第3步：利用训练完成的分类器对测试样本低维幅度特征py进行分类识别，输出测试样本分类结果。
图10给出了本方法和其他主要特征降维算法及多尺度空间特征提取法在不同信噪比下的识别精度对比示意图(d为最终特征维数)，由以上数据可以看出，本发明所提出的一维距离像识别方法相比传统的PCA、SPP等方法及多尺度空间算法识别精度有很大提高，在最终特征维度相同的情况下经过多次实验，平均识别率提高3-10个百分点，因其充分利用多尺度空间识别信息构造多尺度自适应稀疏系数矩阵，使其在复杂环境中识别率更加稳定，其相比于直接利用原始信号幅度特征识别降低了特征维度，缩短了识别时间，在实际工程应用中有很好的发展前景。

Claims (2)

1.基于自适应多尺度融合稀疏保持投影的一维距离像识别方法，其特征在于，包括以下步骤：
(1)训练阶段：
(11)对训练样本集
Figure FDA00023325056300000115
提取其归一化幅度特征集
Figure FDA0002332505630000011
并进行平移对齐，得到平移对齐后的幅度特征集
Figure FDA0002332505630000012
(12)利用高斯尺度算子G对平移对齐后的幅度特征集H进行多尺度空间映射，得到训练样本多尺度空间幅度特征向量集
Figure FDA0002332505630000013
对平移对齐后的幅度特征集H利用高斯尺度算子进行多尺度空间映射；其中，对于一个一维距离像幅度特征hi(g)来说，
Figure FDA0002332505630000014
Figure FDA0002332505630000015
表示单个尺度空间下的幅度特征总个数；其多尺度空间映射表示为：
Figure FDA0002332505630000016
其中，
Figure FDA0002332505630000017
表示卷积运算，
Figure FDA0002332505630000018
表示总尺度个数；G(g,σm)为一维高斯尺度算子，其计算公式如下：
Figure FDA0002332505630000019
式中，g为一维距离像幅度特征的空间坐标，σm为尺度因子，通过赋予σm不同的值以实现多尺度空间映射；由此可以得到训练样本多尺度空间幅度特征向量集
Figure FDA00023325056300000110
其中，
Figure FDA00023325056300000111
Figure FDA00023325056300000112
表示单个尺度空间下的幅度特征总个数；
(13)由稀疏保持投影法对多尺度空间幅度特征样本
Figure FDA00023325056300000116
分别进行稀疏重构，得到各尺度空间上的稀疏系数矩阵；
根据稀疏保持投影法，对任一尺度因子σm而言，该空间下的任一训练样本幅度特征
Figure FDA00023325056300000113
都可由除其自身以外的剩余训练样本幅度特征对其进行稀疏重构，其中，
Figure FDA00023325056300000114
建立稀疏重构方程：
Figure FDA0002332505630000021
Figure FDA0002332505630000022
1＝eTri
其中，
Figure FDA0002332505630000023
为满足条件的最佳稀疏表示系数向量，其中
Figure FDA0002332505630000024
e表示所有元素均为1的列向量，
Figure FDA0002332505630000025
表示满足条件的稀疏表示系数向量，ri,j表示训练样本特征向量
Figure FDA0002332505630000026
对重构
Figure FDA0002332505630000027
的贡献量，ε为噪声松弛量，
Figure FDA0002332505630000028
表示取1范数；
计算所有训练样本最佳稀疏表示系数向量
Figure FDA0002332505630000029
得到该尺度空间下的稀疏系数矩阵
Figure FDA00023325056300000210
则用相同的方法可得到各尺度空间上的稀疏系数矩阵
Figure FDA00023325056300000211
(14)利用空间权重算法计算各尺度空间权重系数，结合各尺度空间稀疏系数矩阵，得到多尺度融合稀疏系数矩阵；具体为：利用空间权重算法自适应调节各尺度空间权重系数；对于任一固定尺度因子σm而言，其类间距离和类内距离反映了该空间的样本类别可分性，通过其比值可自适应调节该尺度空间在目标分类过程中的影响权重；假设训练样本中包含的目标类别数为
Figure FDA00023325056300000212
第c个目标类别中包含的样本数nc，则
Figure FDA00023325056300000213
可以计算尺度σm下的样本特征类间距离：
Figure FDA00023325056300000214
其中，
Figure FDA00023325056300000215
分别表示该空间下属于c1和c2类别训练样本幅度特征的平均向量，
Figure FDA00023325056300000216
表示
Figure FDA00023325056300000217
和
Figure FDA00023325056300000218
的欧氏距离；相应地，可以计算尺度因子σm下的样本特征类内距离：
Figure FDA00023325056300000219
其中，
Figure FDA0002332505630000031
表示空间σm中属于类别
Figure FDA0002332505630000032
的第k个训练样本幅度特征，
Figure FDA0002332505630000033
表示
Figure FDA0002332505630000034
和
Figure FDA0002332505630000035
间的欧式距离；则该空间的权重系数为：
Figure FDA0002332505630000036
同理可得各尺度下的权重系数为：
Figure FDA0002332505630000037
因此，通过权重系数调节各尺度空间识别权重，由于各空间识别信息大多包含在空间稀疏系数矩阵中，则利用权重系数结合稀疏系数矩阵将各空间识别信息有机融合得到多尺度融合稀疏系数矩阵：
Figure FDA0002332505630000038
(15)由稀疏保持投影约束结合步骤(14)的多尺度融合稀疏系数矩阵R建立约束方程，得到低维空间投影矩阵W，并对平移对齐后的幅度特征集H进行低维空间投影，得到训练样本低维幅度特征向量集
Figure FDA0002332505630000039
(16)由训练样本低维幅度特征向量集对支持向量机进行训练；
(2)测试阶段：
(21)对测试样本y提取其归一化幅度特征
Figure FDA00023325056300000310
并与训练样本幅度特征集H进行平移对齐，得到平移对齐后的幅度特征hy；
(22)利用步骤(15)求得的低维空间投影矩阵W对测试样本平移对齐后的幅度特征hy进行低维投影，得到测试样本低维幅度特征向量py：
py＝WThy
(23)利用训练完成的分类器对测试样本低维幅度特征进行分类，输出测试样本分类结果。
2.根据权利要求1所述的基于自适应多尺度融合稀疏保持投影的一维距离像识别方法，其特征在于：所述步骤(15)中，由稀疏保持投影法和多尺度融合稀疏系数矩阵可得多尺度融合稀疏保持投影约束：
Figure FDA00023325056300000311
Figure FDA00023325056300000312
该约束可以转化为：
Figure FDA0002332505630000041
该最小化问题可以转化为最大化问题：
Figure FDA0002332505630000042
利用拉格朗日乘数法，该问题可以转化为以下广义特征值问题：
Figure FDA0002332505630000043
其中，α为特征值，
Figure FDA0002332505630000044
为其对应的特征向量，则对应最大d个特征值的特征向量组成低维空间投影矩阵W；由求得的投影矩阵W对训练样本幅度特征集和测试样本幅度特征进行低维空间投影：
P＝WTH
py＝WThy
由此得到训练样本低维幅度特征向量集P和测试样本低维幅度特征向量py，后续分别将其作为最终特征进行分类器的训练和分类。
CN201710311294.3A 2017-05-05 2017-05-05 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 Active CN107133648B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710311294.3A CN107133648B (zh) 2017-05-05 2017-05-05 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710311294.3A CN107133648B (zh) 2017-05-05 2017-05-05 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法

Publications (2)

Publication Number Publication Date
CN107133648A CN107133648A (zh) 2017-09-05
CN107133648B true CN107133648B (zh) 2020-08-04

Family

ID=59731380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710311294.3A Active CN107133648B (zh) 2017-05-05 2017-05-05 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法

Country Status (1)

Country Link
CN (1) CN107133648B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109856636B (zh) * 2019-04-10 2023-04-07 西安电子科技大学 曲线合成孔径雷达自适应三维成像方法
CN110569914B (zh) * 2019-09-12 2022-03-25 北京理工大学 基于比值的hrrp目标识别距离分类方法
CN110737796B (zh) * 2019-10-17 2022-06-10 苏州大学 图像检索方法、装置、设备及计算机可读存储介质
CN111562578B (zh) * 2020-03-05 2022-02-11 华北水利水电大学 顾及场景幅度实值约束的分布式阵列sar稀疏表示三维成像算法
CN111611963B (zh) * 2020-05-29 2023-12-26 扬州大学 一种基于近邻保持典型相关分析的人脸识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102768732A (zh) * 2012-06-13 2012-11-07 北京工业大学 融合稀疏保持映射和多类别属性Bagging的人脸识别方法
CN103246874A (zh) * 2013-05-03 2013-08-14 北京工业大学 一种基于联合稀疏模型和稀疏保持映射的人脸识别方法
CN103729652A (zh) * 2014-01-17 2014-04-16 重庆大学 基于稀疏保持流形嵌入的高光谱遥感影像分类方法
CN106203256A (zh) * 2016-06-24 2016-12-07 山东大学 一种基于稀疏保持典型相关分析的低分辨率人脸识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102768732A (zh) * 2012-06-13 2012-11-07 北京工业大学 融合稀疏保持映射和多类别属性Bagging的人脸识别方法
CN103246874A (zh) * 2013-05-03 2013-08-14 北京工业大学 一种基于联合稀疏模型和稀疏保持映射的人脸识别方法
CN103729652A (zh) * 2014-01-17 2014-04-16 重庆大学 基于稀疏保持流形嵌入的高光谱遥感影像分类方法
CN106203256A (zh) * 2016-06-24 2016-12-07 山东大学 一种基于稀疏保持典型相关分析的低分辨率人脸识别方法

Also Published As

Publication number Publication date
CN107133648A (zh) 2017-09-05

Similar Documents

Publication Publication Date Title
CN108133232B (zh) 一种基于统计字典学习的雷达高分辨距离像目标识别方法
CN107133648B (zh) 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法
CN107316013B (zh) 基于nsct变换和dcnn的高光谱图像分类方法
CN107194329B (zh) 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
CN107085206B (zh) 一种基于自适应稀疏保持投影的一维距离像识别方法
CN107977642B (zh) 一种核自适应均值判别分析的高分辨距离像目标识别方法
CN101908138B (zh) 基于噪声独立成分分析的合成孔径雷达图像目标识别方法
CN107609579B (zh) 基于稳健变分自编码器的雷达目标分类方法
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
CN106886760B (zh) 一种基于空谱信息结合的高光谱舰船检测方法
CN109389080A (zh) 基于半监督wgan-gp的高光谱图像分类方法
CN112990334A (zh) 基于改进原型网络的小样本sar图像目标识别方法
CN108182449A (zh) 一种高光谱图像分类方法
CN109190511B (zh) 基于局部与结构约束低秩表示的高光谱分类方法
CN111680579B (zh) 一种自适应权重多视角度量学习的遥感图像分类方法
CN107527023A (zh) 基于超像素和主题模型的极化sar图像分类方法
CN108734115B (zh) 一种基于标签一致字典学习的雷达目标识别方法
CN109117880A (zh) 基于小波包分解选择系数加权重构的瓷砖图像分类算法
CN109359525A (zh) 基于稀疏低秩的判别谱聚类的极化sar图像分类方法
CN106778837A (zh) 基于多线性主成分分析和张量分析的sar图像目标识别方法
CN106908774B (zh) 基于多尺度核稀疏保持投影的一维距离像识别方法
CN103218623B (zh) 基于自适应近邻保持鉴别投影的雷达目标特征提取方法
CN104680182B (zh) 基于nsct和判别字典学习的极化sar分类方法
CN104463245B (zh) 一种目标识别方法
CN113486917B (zh) 一种基于度量学习的雷达hrrp小样本目标识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170905

Assignee: NANJING HURYS DEFENSE TECHNOLOGY Co.,Ltd.

Assignor: Nanjing University of Aeronautics and Astronautics

Contract record no.: X2020980010085

Denomination of invention: One dimensional range profile recognition method based on adaptive multiscale fusion and sparse preserving projection

Granted publication date: 20200804

License type: Common License

Record date: 20201229