CN107271965B - 类聚集子空间的真假目标一维距离像特征提取方法 - Google Patents

类聚集子空间的真假目标一维距离像特征提取方法 Download PDF

Info

Publication number
CN107271965B
CN107271965B CN201710445288.7A CN201710445288A CN107271965B CN 107271965 B CN107271965 B CN 107271965B CN 201710445288 A CN201710445288 A CN 201710445288A CN 107271965 B CN107271965 B CN 107271965B
Authority
CN
China
Prior art keywords
class
matrix
sum
true
range profile
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
CN201710445288.7A
Other languages
English (en)
Other versions
CN107271965A (zh
Inventor
周代英
张瑛
廖阔
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 CN201710445288.7A priority Critical patent/CN107271965B/zh
Publication of CN107271965A publication Critical patent/CN107271965A/zh
Application granted granted Critical
Publication of CN107271965B publication Critical patent/CN107271965B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/292—Extracting wanted echo-signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于雷达技术领域，尤其涉及一种类聚集真假目标一维距离像特征提取方法，该方法能够使同类目标特征更加紧密，而异类目标特征之间的分离更大，克服常规判别子空间方法的缺陷，即使在不同目标数据分布出现较严重的交叠，仍然能够获得好的识别效果，有效改善了对雷达真假目标的分类性能。

Description

类聚集子空间的真假目标一维距离像特征提取方法
技术领域
本发明属于雷达技术领域，尤其涉及一种类聚集真假目标一维距离像特征提取方法。
背景技术
在雷达目标一维距离像识别中，主分量分析子空间是由数据协方差矩阵的主分量构成，能够很好地表示目标数据的主要能量，但从分类上讲不是最优的。而判别矢量子空间法能够减小同类之间的差异，同时增大异类之间的差异，在分类性能上比主分量子空间法有了一定的改善。
但是，当同类目标的数据分布很分散，导致异类目标数据分布出现严重的交叠，将造成判别矢量子空间法的识别性会明显下降，其至无法识别。因此，判别矢量子空间法的识别性能有进一步改善的余地。
发明内容
本发明的目的在于提供一种类聚集子空间的真假目标一维距离像特征提取方法。该方法能够使同类目标特征更加紧密，而异类目标特征之间的分离更大，克服常规判别子空间方法的缺陷，即使在不同目标数据分布出现较严重的交叠，仍然能够获得好的识别效果，有效改善了对雷达真假目标的分类性能。
一种类聚集子空间的真假目标一维距离像特征提取方法，具体步骤如下：
S1、设g类目标的训练一维距离像数据按列组成矩阵其中列矢量xij为第i类真假目标的第j个训练一维距离像(n维),1≤i≤g，1≤j≤Ni，Ni为第i类真假目标的训练一维距离像样本数，N为训练一维距离像样本总数，n是正整数；
S2、将S1所述xij向矩阵W投影，得到投影矢量yij＝WTxij；
S3、在投影矢量空间，计算类内距离和类间距离的加权和sum，其中，
Figure BDA0001319925970000021
sum中第一项是类内距离加权和，第二项为类间距离加权和；
S4、将S1所述
Figure BDA0001319925970000022
代入S3所述sum中，可得
Figure BDA0001319925970000023
化简得到sum＝tr(WTX(D-S)XTW)，其中，sij,ik和sij,rk分别对应类内距离加权系数和类间距离加权系数，D为对角矩阵，其对角元素为
Figure BDA0001319925970000024
S是由权系数构成的矩阵
Figure BDA0001319925970000025
X是S1所述的矩阵；
S5、令H＝X(D-S)XT，则sum＝tr(WTHW)，为了限制权值，加入条件
Figure BDA0001319925970000026
得到YTLY＝1，其中，
Figure BDA0001319925970000027
Figure BDA0001319925970000028
S6、将S4所述sum＝tr(WTX(D-S)XTW)转换成矩阵的迹表示，即tr(YLYT)＝1，结合S1所述
Figure BDA0001319925970000029
可得tr(WTXLXTW)＝1，其中，tr(*)是取矩阵的迹；
S7、令PL＝XLXT，求mintr((WTPLW)-1(WTPHW))，具体为：对mintr((WTPLW)-1(WTPHW))取W的偏导，令其等于零，得取非零特征值对应的广义特征向量构成类聚集子空间W＝[w1w2…wM]，则获得任意的真假目标一维距离像xt的特征矢量yt。
本发明的有益效果是：
通过训练样本建立类聚集子空间，利用类聚集子空间提取特征，能够增大同类目标内的聚集度，降低异类目标之间的交叠，从而提高目标识别性能，对四类仿真目标的数据进行了仿真实验，实验结果验证了方法的有效性。
具体实施方式
下面结合具体实施例对本发明进行说明。
设计四种点目标：真目标、碎片、轻诱饵和重诱饵。雷达发射脉冲的带宽为1000MHZ(距离分辨率为0.15m,雷达径向取样间隔为0.075m),目标设置为均匀散射点目标，真目标的散射点为7，其余三目标的散射点数均为11。在目标姿态角为0°～60°范围内每隔1°的一维距离像中，取目标姿态角为0°、2°、4°、6°、...、60°的一维距离像进行训练,其余姿态角的一维距离像作为测试数据,则每类目标有30个测试样本。
对四种目标(真目标、碎片、轻诱饵和重诱饵)，在姿态角0o～60o范围内,利用本发明的类聚集子空间特征提取方法和基于主分量分析子空间特征提取方法进行了识别实验，结果如表一所示。
特征提取方法具体为：
S1、设g类目标的训练一维距离像数据按列组成矩阵其中列矢量xij为第i类真假目标的第j个训练一维距离像(n维),1≤i≤g，1≤j≤Ni，
Figure BDA0001319925970000032
Ni为第i类真假目标的训练一维距离像样本数，N为训练一维距离像样本总数，n是正整数；
S2、将S1所述xij向矩阵W投影，得到投影矢量yij＝WTxij；
S3、在投影矢量空间，计算类内距离和类间距离的加权和sum，其中，
Figure BDA0001319925970000041
sum中第一项是类内距离加权和，第二项为类间距离加权和；
S4、将S1所述
Figure BDA0001319925970000042
代入S3所述sum中，可得
Figure BDA0001319925970000043
化简得到sum＝tr(WTX(D-S)XTW)，其中，sij,ik和sij,rk分别对应类内距离加权系数和类间距离加权系数，D为对角矩阵，其对角元素为
Figure BDA0001319925970000044
S是由权系数构成的矩阵
Figure BDA0001319925970000045
X是S1所述的矩阵；
S5、令H＝X(D-S)XT，则sum＝tr(WTHW)，为了限制权值，加入条件
Figure BDA0001319925970000046
得到YTLY＝1，其中，
Figure BDA0001319925970000047
Figure BDA0001319925970000048
S6、将S4所述sum＝tr(WTX(D-S)XTW)(tr(*)是取矩阵的迹)转换成矩阵的迹表示，即tr(YLYT)＝1，结合S1所述
Figure BDA0001319925970000049
可得tr(WTXLXTW)＝1；
S7、令PL＝XLXT，求mintr((WTPLW)-1(WTPHW))，具体为：对mintr((WTPLW)-1(WTPHW))取W的偏导，令其等于零，得取非零特征值对应的广义特征向量构成类聚集子空间W＝[w1w2…wM]，则获得任意的真假目标一维距离像xt的特征矢量yt。
从表一可见，对真目标，判别矢量子空间特征提取法的识别率为81％，而本文的类聚集子空间识特征提取方法的识别率为95％；对碎片，判别矢量子空间特征提取法的识别率为78％，而本文的类聚集子空间特征提取方法的识别率为84％；对轻诱饵，判别矢量子空间特征提取法的识别率为80％，而本文的类聚集子空间特征提取方法的识别率为86％；对重诱饵，判别矢量子空间特征提取法的识别率为85％，而本文的类聚集子空间特征提取方法的识别率为87％。平均而言，对四类目标，本文的类聚集子空间特征提取方法的正确识别率高于判别矢量子空间特征提取法，说明本文的类聚集子空间特征提取方法的确能改善多类目标的识别性能。
表一两种方法的识别结果

Claims (1)

1.一种类聚集子空间的真假目标一维距离像特征提取方法，其特征在于，具体步骤如下：
S1、设g类目标的训练一维距离像数据按列组成矩阵
Figure FDA0002279434790000011
其中n维列矢量xij为第i类真假目标的第j个训练一维距离像，1≤i≤g，1≤j≤Ni，
Figure FDA0002279434790000012
Ni为第i类真假目标的训练一维距离像样本数，N为训练一维距离像样本总数，n是正整数；
S2、将S1所述xij按式yij＝WTxij向矩阵W投影，得到投影矢量yij；
S3、在投影矢量空间，计算类内距离和类间距离的加权和sum，其中，
Figure FDA0002279434790000013
sum中第一项是类内距离加权和，第二项为类间距离加权和；
S4、将S1所述
Figure FDA0002279434790000014
代入S3所述sum中，可得
Figure FDA0002279434790000015
化简得到sum＝tr(WTX(D-S)XTW)，其中，sij,ik和sij,rk分别对应类内距离加权系数和类间距离加权系数，D为对角矩阵，其对角元素为
Figure FDA0002279434790000016
S是由权系数构成的矩阵
Figure FDA0002279434790000017
X是S1所述的矩阵；
S5、令H＝X(D-S)XT，则sum＝tr(WTHW)，为了限制权值，加入条件
Figure FDA0002279434790000021
得到YTLY＝1，其中，
Figure FDA0002279434790000023
S6、将S4所述sum＝tr(WTX(D-S)XTW)转换成矩阵的迹表示，即tr(YLYT)＝1，结合S1所述
Figure FDA0002279434790000024
可得tr(WTXLXTW)＝1，其中，tr(*)是取矩阵的迹；
S7、令PL＝XLXT，求mintr((WTPLW)-1(WTPHW))，具体为：对min tr((WTPLW)-1(WTPHW))取W的偏导，令其等于零，得
Figure FDA0002279434790000025
取非零特征值对应的广义特征向量构成类聚集子空间Wccs＝[w1 w2…wM]，则获得任意的真假目标一维距离像xt的特征矢量yt。
CN201710445288.7A 2017-06-13 2017-06-13 类聚集子空间的真假目标一维距离像特征提取方法 Active CN107271965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710445288.7A CN107271965B (zh) 2017-06-13 2017-06-13 类聚集子空间的真假目标一维距离像特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710445288.7A CN107271965B (zh) 2017-06-13 2017-06-13 类聚集子空间的真假目标一维距离像特征提取方法

Publications (2)

Publication Number Publication Date
CN107271965A CN107271965A (zh) 2017-10-20
CN107271965B true CN107271965B (zh) 2020-02-04

Family

ID=60067195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710445288.7A Active CN107271965B (zh) 2017-06-13 2017-06-13 类聚集子空间的真假目标一维距离像特征提取方法

Country Status (1)

Country Link
CN (1) CN107271965B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108761411B (zh) * 2018-04-10 2021-11-23 电子科技大学 一种真假目标一维距离像特征提取方法
CN108828533B (zh) * 2018-04-26 2021-12-31 电子科技大学 一种类内样本相似结构保持非线性投影特征提取方法
CN108828574B (zh) * 2018-04-26 2022-02-08 电子科技大学 一种类间分离增强子空间真假目标特征提取方法
CN108549065B (zh) * 2018-07-25 2021-06-04 电子科技大学 一种近邻结构保持真假目标rcs序列特征提取方法
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
CN109242010A (zh) * 2018-08-27 2019-01-18 电子科技大学 一种稀疏学习rcs序列特征提取方法
CN110007287B (zh) * 2019-04-22 2022-08-02 电子科技大学 一种模糊隶属度一维距离像多特征融合方法
CN110687514B (zh) * 2019-10-16 2022-03-15 电子科技大学 一种非线性判别学习真假目标一维距离像特征提取方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1598868A (zh) * 2004-09-06 2005-03-23 南京大学 模式识别中特征提取的一种变换方法
CN101526995B (zh) * 2009-01-19 2011-06-29 西安电子科技大学 基于对角子类判决分析的合成孔径雷达目标识别方法
KR101311393B1 (ko) * 2012-01-09 2013-09-25 포항공과대학교 산학협력단 레이더 신호를 이용한 표적 식별 방법 및 장치
CN103678500A (zh) * 2013-11-18 2014-03-26 南京邮电大学 一种数据挖掘中基于线性判别分析的改进型k均值聚类方法
CN103675787A (zh) * 2013-12-03 2014-03-26 电子科技大学 一种雷达目标一维距离像最优正交非线性子空间识别方法
CN103941244B (zh) * 2014-04-23 2016-12-07 电子科技大学 一种雷达目标一维距离像局部最优子空间识别方法
CN105760821B (zh) * 2016-01-31 2017-06-06 中国石油大学(华东) 基于核空间的分类聚集稀疏表示的人脸识别方法

Also Published As

Publication number Publication date
CN107271965A (zh) 2017-10-20

Similar Documents

Publication Publication Date Title
CN107271965B (zh) 类聚集子空间的真假目标一维距离像特征提取方法
CN108761411B (zh) 一种真假目标一维距离像特征提取方法
Sun et al. Exemplar component analysis: A fast band selection method for hyperspectral imagery
CN107238822B (zh) 真假目标一维距离像正交非线性子空间特征提取方法
CN110007286B (zh) 一种线性判别学习真假目标一维距离像特征提取方法
CN108256436B (zh) 一种基于联合分类的雷达hrrp目标识别方法
CN108845302B (zh) 一种k近邻变换真假目标特征提取方法
CN109344880B (zh) 基于多特征和复合核的sar图像分类方法
Zhang et al. Multi-features integration based hyperspectral videos tracker
CN107784263B (zh) 基于改进加速鲁棒特征的平面旋转人脸检测的方法
CN108828574B (zh) 一种类间分离增强子空间真假目标特征提取方法
CN110658507A (zh) 用于雷达目标识别的多类平均最大化真假目标特征提取方法
CN110687514B (zh) 一种非线性判别学习真假目标一维距离像特征提取方法
CN108230313B (zh) 基于部件自适应选择与判别模型的sar图像目标检测方法
CN110221267B (zh) 一种目标库属性判别邻域保持学习子空间特征提取方法
CN106897730B (zh) 基于融合类别信息与局部保持投影的sar目标型号识别方法
CN113269203B (zh) 一种用于多旋翼无人机识别的子空间特征提取方法
CN108594202B (zh) 一种邻域分布结构非线性投影目标特征提取方法
CN107678007B (zh) 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
CN110068799B (zh) 一种稀疏邻域中心保持rcs序列特征提取方法
CN107403136B (zh) 基于结构保持字典学习的sar目标型号识别方法
CN110826599B (zh) 一种稀疏表示样本分布边界保持特征提取方法
CN110780270B (zh) 一种目标库属性判别局部正则学习子空间特征提取方法
Zhu et al. The study of combined invariants optimization method on aircraft recognition
CN110135444B (zh) 一种目标库属性一维像判别最优本征子空间特征提取方法

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