CN108416393A - 一种基于高分辨一维距离像的目标识别优化方法 - Google Patents
一种基于高分辨一维距离像的目标识别优化方法 Download PDFInfo
- Publication number
- CN108416393A CN108416393A CN201810220561.0A CN201810220561A CN108416393A CN 108416393 A CN108416393 A CN 108416393A CN 201810220561 A CN201810220561 A CN 201810220561A CN 108416393 A CN108416393 A CN 108416393A
- Authority
- CN
- China
- Prior art keywords
- lattice image
- resolution lattice
- vector
- dimension
- feature
- 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.)
- Pending
Links
Classifications
-
- 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
- G06F18/21—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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
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)
Abstract
本发明公开了一种基于高分辨一维距离像的目标识别优化方法,其思路为:确定训练样本集合,所述训练样本集合中包括N个高分辨一维距离像,依次计算N个高分辨一维距离像的三阶谱特征F和降维处理后N个高分辨一维距离像的三阶谱特征X;确定低密度区域和高密度区域;计算低密度区域中M1个降维处理后的高分辨一维距离像三阶谱特征类别和高密度区域中M2个降维处理后的高分辨一维距离像三阶谱特征类别;分别计算低密度区域的分类子超平面参数和高密度区域的分类子超平面参数;确定测试高分辨一维距离像,计算测试高分辨一维距离像的三阶谱特征Fz,进而得到降维处理后测试高分辨一维距离像的三阶谱特征z;最后判定所述三阶谱特征z属于目标或属于干扰。
Description
技术领域
本发明属于雷达目标识别技术领域,特别涉及一种基于高分辨一维距离像的目标识别优化方法,适用于雷达目标识别中对库外目标的鉴别和对库内目标的分类,使雷达目标识别系统的总体性能得到有效提升,也适用于实际工程应用。
背景技术
在雷法目标识别环境中,常常存在大量的干扰物,严重影响了雷达目标识别系统的总体性能;因此,雷达目标识别系统需要对目标特征空间进行有效地描述,然后剔除库外目标,并实现对库内目标的有效分类;单类分类器可以实现对库外目标的鉴别,并可以对训练数据特征空间进行有效地描述,如支持向量域描述SVDD;该单类分类器通过寻找支撑向量确定模板库样本特征区域边界,利用该边界与待测样本之间的位置关系确定测试样本类别,其缺点是当模板库样本特征区域呈现多区域聚合性时,所确定的特征区域边界中将包含大片非样本目标特征空间区域,导致性能的严重下降。多类分类器可以实现对不同目标的分类,如最大相关系数模板匹配法(MCC-TMM)、支持向量机SVM等;MCC-TMM法需要遍历所有训练样本,计算复杂度高,基于支持向量模型的雷达目标识别方法具有运算简单、存储量低、鲁棒性好等特点,在雷达目标识别中广泛应用。
目标高分辨一维距离像的姿态敏感性造成了目标特征空间分布不均匀,在运用支持向量模型的雷达目标识别方法时,特征空间分布的不均匀性将会导致分类边界产生较大的误差。
发明内容
针对上述现有技术存在的不足,本发明的目的在于提出一种基于高分辨一维距离像的目标识别优化方法,该种基于高分辨一维距离像的目标识别优化方法以保证在雷达目标识别系统中,对目标特征空间进行准确描述,并完成对库外目标和库内目标的鉴别及对库内目标的分类,提高识别性能,便于实际工程应用。
本发明的主要思路:在训练阶段,首先提取各种库内目标的全方位高分辨一维距离像的高阶谱特征,并利用主成分分析进行特征降维,然后将特征区域根据密度大小划分为高低两个区域,并分别计算两个区域的分类超平面参数;在测试阶段,首先提取测试高分辨一维距离像的高阶谱特征,并利用主成分分析进行特征降维,然后判断其是否属于高密度区域,若属于,则对其进行分类,若不属于,则判断其是否属于低密度区域,若属于,则对其进行分类;若不属于,则判断其为库外干扰。
为达到上述技术目的,本发明采用如下技术方案予以实现。
一种基于高分辨一维距离像的目标识别优化方法,包括以下步骤:
步骤1,确定训练样本集合,所述训练样本集合中包括N个高分辨一维距离像,计算N个高分辨一维距离像的三阶谱特征F;
步骤2,根据N个高分辨一维距离像的三阶谱特征F,计算降维处理后N个高分辨一维距离像的三阶谱特征X;
步骤3,根据降维处理后N个高分辨一维距离像的三阶谱特征X,确定低密度区域和高密度区域;
步骤4,计算低密度区域中M1个降维处理后的高分辨一维距离像三阶谱特征类别和高密度区域中M2个降维处理后的高分辨一维距离像三阶谱特征类别;M1≤N,M2≤N;
步骤5,分别计算低密度区域的分类子超平面参数和高密度区域的分类子超平面参数;
步骤6,确定测试高分辨一维距离像,然后计算测试高分辨一维距离像的三阶谱特征Fz;
步骤7,根据测试高分辨一维距离像的三阶谱特征Fz,得到降维处理后测试高分辨一维距离像的三阶谱特征z;
步骤8,根据步骤4和步骤5得到的结果判定降维处理后测试高分辨一维距离像的三阶谱特征z属于目标或属于干扰,并记为一种基于高分辨一维距离像的目标识别优化结果。
本发明的有益效果:
第一,本发明将目标高分辨一维距离像的特征空间按照密度进行准确描述,提高了识别准确率。
由于目标高分辨一维距离像的姿态敏感性,其特征空间分布状态具有高低密度混合的特性,而这种特性对数据描述和分类超平面的准确度造成较大影响,本发明充分考虑了目标特征空间的不均匀性,将目标特征空间划分为高低密度两个区域,并分别对两个区域中的样本进行分类,有效降低了特征空间分布的不均匀性对识别性能的影响,提高了识别准确率。
第二,本发明同时实现了目标鉴别与目标分类,易于工程实现。
在雷达实际照射环境中,存在大量的干扰物,这些干扰物的存在严重影响了雷达目标识别系统的识别性能,且增加了系统负担,因此,雷达目标识别系统需要进行目标鉴别来剔除干扰,然后实现对库内目标的分类;本发明可同时实现目标鉴别与目标分类功能,对于库外干扰,不对其进行分类,而是直接将其拒判,对于库内目标,则根据其在特征空间中的位置判断类别属性,大大降低了系统复杂度,易于工程实现。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1为本发明的一种基于高分辨一维距离像的目标识别优化方法流程图;
图2(a)为本发明中计算第一层次支持向量机中各个支持向量机参数流程示意图;
图2(b)为本发明中计算第二层次支持向量机中各个支持向量机参数流程示意图;
图3(a)为本发明中利用第三层次支持向量机模型对测试样本进行分类流程示意图;
图3(b)为本发明中利用第四层次支持向量机模型对测试样本进行分类流程示意图;
图4(a)为采用本发明方法得到的分类超平面结果示意图;
图4(b)为采用现有支持向量机方法得到的分类超平面结果示意图;
图5为仿真的本发明方法与现有基于协方差矩阵的单类支持向量机(COSVM)和最大相关系数模板匹配法(MCC-TMM)接收机特性曲线图;
图6为仿真的本发明方法与现有最大相关系数模板匹配法(MCC-TMM)和最小均方支持向量机法(LS-SVM)识别性能对比图;
图7为仿真的本发明方法与现有MCC-TMM方法和最小均方支持向量机法(LS-SVM)实时性对比图。
具体实施方式
参照图1,为本发明的一种基于高分辨一维距离像的目标识别优化方法流程图;其中所述基于高分辨一维距离像的目标识别优化方法,包括以下步骤:
步骤1,计算训练样本集合中N个高分辨一维距离像的三阶谱特征F。
1a)确定雷达,所述雷达检测范围内存在目标库,所述目标库中包括M类目标,M类目标分别为不同的感兴趣目标,且M类目标依次为c1,c2,…,cM。
雷达发射电磁波,该电磁波经过目标库反射后得到库内目标雷达回波。
1b)对库内目标雷达回波进行距离高分辨处理,得到库内目标的Na个高分辨一维距离像,Na≥M;选取库内目标的Na个高分辨一维距离像中信杂比大于th的高分辨一维距离像作为训练样本集合,所述训练样本集合中包括N个高分辨一维距离像;其中,M≤N≤Na,th为信杂比门限,本发明中将th的值设为20dB;N表示训练样本集合中包含的高分辨一维距离像总个数。
1c)设定第n个高分辨一维距离像的采样点数为Nbn,然后对第n个高分辨一维距离像的幅度作Ns点离散傅里叶变换,得到第n个高分辨一维距离像谱特征qn(ω);其中,Ns≥Nbn,ω为第n个高分辨一维距离像谱特征的频率,ω的取值范围为0≤ω≤fs/2,fs为第n个高分辨一维距离像的采样频率,n=1,2,…,N,N为训练样本集中包含的高分辨一维距离像总个数。
1d)计算N个高分辨一维距离像的三阶谱特征F,F=[f1,f2,…,fn,…,fN];其中,fn表示第n个高分辨一维距离像的三阶谱特征,其表达式为:
fn=qn(ω1)qn(ω2)qn(ω3)qn(ω1+ω2+ω3)
其中,ω1为第n个高分辨一维距离像谱特征的频率ω的第一个频率取值点,ω1=ns1·fs/Ns,ns1为整数,0≤ns1≤INT(Ns/2),INT(·)为取整运算;ω2为第n个高分辨一维距离像谱特征的频率ω的第二个频率取值点,ω2=ns2·fs/Ns,ns2为整数,0≤ns2≤INT(Ns/2);ω3为第n个高分辨一维距离像谱特征的频率ω的第三个频率取值点,ω3=ns3·fs/Ns,ns3为整数,0≤ns3≤INT(Ns/2);qn(ω1)为第n个高分辨一维距离像谱特征qn(ω)在频率取值点ω1处的取值,qn(ω2)为第n个高分辨一维距离像谱特征qn(ω)在频率取值点ω2处的取值,qn(ω3)为第n个高分辨一维距离像谱特征qn(ω)在频率取值点ω3处的取值,qn(ω1+ω2+ω3)为第n个高分辨一维距离像谱特征qn(ω)在频率取值点ω1+ω2+ω3处的取值。
步骤2,采用主成分分析法对N个高分辨一维距离像的三阶谱特征F进行降维处理。
2a)将第n个高分辨一维距离像的三阶谱特征fn按列排列成一列得到第n个高分辨一维距离像的三阶谱特征列向量frn;令n=1,2,…,N,进而得到N个高分辨一维距离像的三阶谱特征列向量Fr,Fr=[fr1,fr2,…,frN]。
2b)计算得到N个高分辨一维距离像的三阶谱特征列向量Fr的自相关矩阵R,其表达式为:
其中,上标H表示共轭转置。
2c)对N个高分辨一维距离像的三阶谱特征列向量Fr的自相关矩阵R进行特征值分解,并将特征值按从大到小的顺序进行排列,将前d个特征值对应的特征向量记为大特征值向量U,U=[u1,u2,…,us,…,ud];其中,s=1,2,…,d,us表示第s个特征值对应的特征向量,d表示对N个高分辨一维距离像的三阶谱特征列向量Fr的自相关矩阵R进行特征值分解得到的特征值按从大到小的顺序排列后选取的大特征值总个数。
2d)对N个高分辨一维距离像的三阶谱特征F进行降维处理,得到降维处理后N个高分辨一维距离像的三阶谱特征X,其表达式为:
X=UHF
=[x1,x2,…,xn,…,xN]
其中,降维处理后N个高分辨一维距离像的三阶谱特征X包括N个d维向量,n=1,2,…,N,xn表示降维处理后第n个高分辨一维距离像的三阶谱特征,且xn是一个d维向量,降维处理后每一个高分辨一维距离像的三阶谱特征分别对应目标库内一类目标;上标H表示共轭转置。
步骤3,利用支持向量域模型将训练样本三阶谱特征空间按照密度大小划分为两个区域。
3a)计算下式的最优解,得到支持向量域模型中的第一拉格朗日乘子向量α和支持向量域模型中的第二拉格朗日乘子向量β:
其中,n=1,2,…,N,α=[α1,α2,…,αn,…,αN]T,β=[β1,β2,…,βn,…,βN]T,αn为支持向量域模型中的第一拉格朗日乘子向量α的第n个第一拉格朗日乘子,βn为支持向量域模型中的第二拉格朗日乘子向量β的第n个第二拉格朗日乘子,上标T表示转置,s.t.表示约束条件;C为惩罚因子,本实施例中C≥10;Q为N个高分辨一维距离像的高斯核矩阵, 表示降维处理后第n1个高分辨一维距离像的三阶谱特征和降维处理后第n2个高分辨一维距离像的三阶谱特征的高斯核函数,σ为尺度参数,2≤σ≤10;△为N个高分辨一维距离像的转换矩阵,
设定支持向量域模型中的第一拉格朗日乘子向量α中大于0的第一拉格朗日乘子个数为Ml,设定支持向量域模型中的第二拉格朗日乘子向量β中大于0的第二拉格朗日乘子个数为Mh,Sl={n|αn>0},Sh={n|βn>0},将降维处理后Ml个高分辨一维距离像的三阶谱特征记为第一支持向量集合SVl,SVl={y1k|y1k=xn',n'∈Sl,k=1,2,…,Ml},xn'表示降维处理后第n'个高分辨一维距离像的三阶谱特征,y1k为第一支持向量集合SVl中第k个支持向量;将降维处理后Mh个高分辨一维距离像的三阶谱特征记为第二支持向量集合SVh,SVh={y2k'|y2k'=xn”,n”∈Sh,k'=1,2,…,Mh},xn”表示降维处理后第n”个高分辨一维距离像的三阶谱特征,y2k为第二支持向量集合SVh中第k'个支持向量。
3b)利用支持向量域模型中的第一拉格朗日乘子向量α和支持向量域模型中的第二拉格朗日乘子向量β,分别计算支持向量域模型的第一半径Rl和支持向量域模型的第二半径Rh,并将支持向量域模型的第一半径Rl作为低密度区域的半径,将支持向量域模型的第二半径Rh作为高密度区域的半径,其表达式分别为:
其中,i=1,2,…,Ml,j=1,2,…,Ml,k=1,2,…,Ml,i'=1,2,…,Mh,j'=1,2,…,Mh,k'=1,2,…,Mh,αi表示支持向量域模型中的第一拉格朗日乘子向量α的第i个第一拉格朗日乘子,αj表示支持向量域模型中的第一拉格朗日乘子向量α的第j个第一拉格朗日乘子,y1i为第一支持向量集合SVl中第i个支持向量,y1j为第一支持向量集合SVl中第j个支持向量,y1k为第一支持向量集合SVl中第k个支持向量,y2i'为第二支持向量集合SVh中第i'个支持向量,y2j'为第二支持向量集合SVh中第j'个支持向量,y2k'为第二支持向量集合SVh中第k'个支持向量,αi'表示支持向量域模型中的第一拉格朗日乘子向量α的第i'个第一拉格朗日乘子,αj'表示支持向量域模型中的第一拉格朗日乘子向量α的第j'个第一拉格朗日乘子,K(y1i,y1k)为第一支持向量集合SVl中第k个支持向量y1k和第一支持向量集合SVl中第i个支持向量y1i的高斯核函数,K(y1i,y1j)为第一支持向量集合SVl中第i个支持向量y1i和第一支持向量集合SVl中第j个支持向量y1j的高斯核函数,K(y2i',y2k')为第二支持向量集合SVh中第i'个支持向量y2i'和第二支持向量集合SVh中第k'个支持向量y2k'的高斯核函数,K(y2i',y2j')为第二支持向量集合SVh中第i'个支持向量y2i'和第二支持向量集合SVh中第j'个支持向量y2j'的高斯核函数,βi'表示支持向量域模型中的第二拉格朗日乘子向量β的第i'个第二拉格朗日乘子,βj'表示支持向量域模型中的第二拉格朗日乘子向量β的第j'个第二拉格朗日乘子。
设定降维后三阶谱特征空间,所述降维后三阶谱特征空间为d维向量空间,d维向量空间包括F个d维向量;降维处理后N个高分辨一维距离像的三阶谱特征X包含于降维后三阶谱特征空间,选取降维后三阶谱特征空间中任意1个d维向量,记为降维后的特征向量x;当降维后的特征向量x包含于降维处理后N个高分辨一维距离像的三阶谱特征X中时,降维后的特征向量x可取降维处理后N个高分辨一维距离像的三阶谱特征X中的任意1个d维向量;当降维后的特征向量x不包含于降维处理后N个高分辨一维距离像的三阶谱特征X中时,降维后的特征向量x中每一个元素分别取任意实数。
将满足以下条件的降维后三阶谱特征空间区域作为低密度区域:
其中,i=1,2,…,Ml,j=1,2,…,Ml,K(x,y1i)为降维后的特征向量x与第一支持向量集合SVl中第i个支持向量y1i的高斯核函数,K(y1i,y1j)为第一支持向量集合SVl中第i个支持向量y1i和第一支持向量集合SVl中第j个支持向量y1j的高斯核函数。
将满足以下条件的降维后三阶谱特征空间区域作为高密度区域:
其中,i'=1,2,…,Mh,j'=1,2,…,Mh,K(x,y2i')为降维后的特征向量x与第二支持向量集合SVh中第i'个支持向量y2i'的高斯核函数,K(y2i',y2j')为第二支持向量集合SVh中第i'个支持向量y2i'和第二支持向量集合SVh中第j'个支持向量y2j'的高斯核函数。
步骤4,对降维处理后N个高分辨一维距离像的三阶谱特征X所属区域进行判断。
4a)初始化:设置n=1,n=1,2,…,N;设置低密度区域的谱特征类别集合为C1,设置高密度区域的谱特征类别集合为C2,C1和C2初始为空集。
4b)判断降维处理后第n个高分辨一维距离像的三阶谱特征xn是否满足条件若不满足,转子步骤4c);若满足,则将降维处理后第n个高分辨一维距离像的三阶谱特征xn记为高密度区域中第v2个降维处理后的高分辨一维距离像三阶谱特征,v2的初始值为1;将高密度区域中第v2个降维处理后的高分辨一维距离像三阶谱特征类别记为若则令C2和m2的值保持不变,然后令v2的值加1,转子步骤4d);若则将作为低密度区域的谱特征类别集合C2中第m2个高分辨一维距离像三阶谱特征类别,记为高密度区域中第m2个高分辨一维距离像三阶谱特征类别,m2的初始值为1,并令m2的值加1,转子步骤4d);其中,∈表示属于,表示不属于。
4c)判断降维处理后第n个高分辨一维距离像的三阶谱特征xn是否满足条件若不满足,则将降维处理后第n个高分辨一维距离像的三阶谱特征xn归为非目标区域,转子步骤4d);若满足,则将降维处理后第n个高分辨一维距离像的三阶谱特征xn记为低密度区域中第v1个降维处理后的高分辨一维距离像三阶谱特征,v1的初始值为1;将低密度区域中第v1个降维处理后的高分辨一维距离像三阶谱特征类别记为若则令C1和m1的值保持不变,然后令v1的值加1,转子步骤4d);若则将作为低密度区域的谱特征类别集合C1中第m1个高分辨一维距离像三阶谱特征类别,记为低密度区域中第m1个高分辨一维距离像三阶谱特征类别,m1的初始值为1,并令m1的值加1,转子步骤4d)。
4d)令n的值加1,若n≤N,转步骤4b);若n>N,重复过程停止,此时得到低密度区域中V1个降维处理后的高分辨一维距离像三阶谱特征和高密度区域中V2个降维处理后的高分辨一维距离像三阶谱特征,以及得到低密度区域中M1个高分辨一维距离像三阶谱特征类别和高密度区域中M2个高分辨一维距离像三阶谱特征类别;v1=1,2,…,V1,v2=1,2,…,V2,m1=1,2,…,M1,m2=1,2,…,M2,V1+V2≤N,M1≤M≤N,M2≤M≤N,然后转步骤5。
步骤5,利用层次支持向量机分别计算低密度区域的分类子超平面阈值和高密度区域的分类子超平面阈值。
5a)利用层次支持向量机计算低密度区域的分类子超平面参数。
5a1)参照图2(a),设定第一层次支持向量机中包含P个支持向量机,P=M1-1,将第p个支持向量机用SVMp表示,p=1,2,…,P;设定第一层次支持向量机中包含Q个特征集合,Q=2M1-1,将第q个特征集合用sq表示,q=1,2,…,Q,其中第1个特征集合s1包含低密度区域中V1个降维处理后的高分辨一维距离像三阶谱特征,第2,3,…,Q个特征集合s2,s3,…,sQ分别为第1个特征集合s1的子集,V1≥M1;第一层次支持向量机的总层数L=ceil(log2M1)+1,ceil(·)为向上取整运算,设置层数l=1,q=2l-1,p=2l-1,l=1,2,…,L。
5a2)若l<L-1,设定第q个特征集合sq中包含的目标类别为 为目标库中属于低密度区域的第tq类目标的类别标号,为目标库中属于低密度区域的第tq+1类目标的类别标号,为目标库中属于低密度区域的第tq+gq+1类目标的类别标号,1≤tq≤M1,gq为第q个特征集合sq中包含的目标类别总个数,2≤gq≤M1。
按照如下方式对第q个特征集合sq划分:若gq为偶数,则将第q个特征集合sq划分为包含目标类别为的特征集合s2q和包含目标类别为
的特征集合s2q+1;若tnq为奇数,则将第q个特征集合sq划分为包含目标类别为的特征集合s2q和包含目标类别为
的特征集合s2q+1。
设iq为第q个特征集合sq中第iq个降维处理后高分辨一维距离像三阶谱特征标号,iq=1,2,…,Nq,Nq为第q个特征集合sq中包含的降维处理后高分辨一维距离像三阶谱特征总个数,对于第q个特征集合sq中降维处理后第iq个高分辨一维距离像三阶谱特征,若其属于特征集合s2q,则设第q个特征集合sq中降维处理后第iq个高分辨一维距离像三阶谱特征整体类别若其属于特征集合s2q+1,则设第q个特征集合sq中降维处理后第iq个高分辨一维距离像三阶谱特征整体类别
若l=L-1,设定gq为第q个特征集合sq中包含的目标类别总个数,按照如下方式对第q个特征集合sq划分:若gq=1,设第q个特征集合sq中包含的目标类别为且不对第q个特征集合sq进行划分;若gq=2,设第q个特征集合sq中包含的目标类别为则将第q个特征集合sq划分为包含目标类别的特征集合和包含目标类别的特征集合;对于第q个特征集合sq中降维处理后第iq个高分辨一维距离像三阶谱特征,若其类别为则设第q个特征集合sq中降维处理后第iq个高分辨一维距离像三阶谱特征整体类别若其类别为则设第q个特征集合sq中降维处理后第iq个高分辨一维距离像三阶谱特征整体类别
5a3)利用第q个特征集合sq中降维处理后第iq个高分辨一维距离像三阶谱特征整体类别计算下式最优解,进而得到第p个支持向量机SVMp的拉格朗日乘子向量γp:
其中,第p个支持向量机SVMp的拉格朗日乘子向量γp的长度为Nq,
为第p个支持向量机SVMp的拉格朗日乘子向量γp中第iq个元素,jq=1,2,…,Nq,为第p个支持向量机SVMp的拉格朗日乘子向量γp中第jq个元素,为第q个特征集合sq中降维处理后第iq个高分辨一维距离像三阶谱特征整体类别,为第q个特征集合sq中降维处理后第jq个高分辨一维距离像三阶谱特征整体类别,为第q个特征集合sq中降维处理第iq个后高分辨一维距离像三阶谱特征在降维处理后N个高分辨一维距离像三阶谱特征X中的标号, 为第q个特征集合sq中降维处理后第jq个高分辨一维距离像三阶谱特征在降维处理后N个高分辨一维距离像三阶谱特征X中的标号, 为降维处理后第个高分辨一维距离像三阶谱特征,为降维处理后第个高分辨一维距离像三阶谱特征,为第个高分辨一维距离像的第一拉格朗日乘子,为第个高分辨一维距离像的第二拉格朗日乘子,为降维处理后第个高分辨一维距离像三阶谱特征与降维处理后第个高分辨一维距离像三阶谱特征的高斯核函数;将求得的解γp中大于0的元素总个数记为kp,γp中大于0的元素下标为rp,rp=1,2,…,kp。
5a4)利用第p个支持向量机用SVMp的拉格朗日乘子向量γp,计算第p个支持向量机SVMp的分类子超平面阈值bp:
5a5)若q<2l-1且q<Q,则令p的值加1,令q的值加1,转步骤5a2);若q=2l-1或q=Q,转步骤5a6)。
5a6)令l的值加1,若l<L,则令p=2l-1,q=2l-1,转步骤5a2);若l=L,重复执行操作停止,此时得到第一层次支持向量机中P个支持向量机的分类子超平面参数,记为低密度区域的分类子超平面参数,包括P个支持向量机的分类子超平面阈值b1,b2,…,bP和P个支持向量机的拉格朗日乘子向量γ1,γ2,…,γP,转步骤5b)。
5b)利用层次支持向量机计算高密度区域的分类子超平面参数。
5b1)参照图2(b),设定第二层次支持向量机中包含P′个支持向量机,P′=M2-1,将第p′个支持向量机用SVMp′表示,p′=1,2,…,P′;设定第二层次支持向量机中包含Q′个特征集合,Q′=2M2-1,将第q′个特征集合用s′q′表示,q′=1,2,…,Q′,其中第1个特征集合s′1包含高密度区域中V2个降维处理后的高分辨一维距离像三阶谱特征,第2,3,…,Q′个特征集合s′2,s′3,…,s′Q'分别为第1个特征集合s′1的子集,V2≥M2;第二层次支持向量机的总层数L′=ceil(log2M2)+1,设置层数l′=1,q′=2l′-1,p′=2l′-1,l'=1,2,…,L'。
5b2)若l′<L′-1,设定第q'个特征集合s′q′中包含的目标类别为 为目标库中属于高密度区域的第t′q′类目标的类别标号,1≤tq′′≤M2,g′q′为第q'个特征集合s′q′中包含的目标类别总个数,2≤g′q′≤M2。
按照如下方式对第q'个特征集合s′q′划分:若g′q′为偶数,则将第q'个特征集合s′q′划分为包含目标类别为的特征集合s′2q′和包含目标类别为
的特征集合s′2q′+1;若g′q′为奇数,则将第q'个特征集合s′q′划分为包含目标类别为的特征集合s′2q′和包含目标类别为
的特征集合s′2q′+1。
设iq′为第q'个特征集合s′q′中降维处理后第iq′个高分辨一维距离像三阶谱特征标号,iq′=1,2,…,Nq′,Nq′为第q'个特征集合s′q′中包含的降维处理后高分辨一维距离像三阶谱特征总个数,对于第q'个特征集合s′q′中降维处理后第iq′个高分辨一维距离像三阶谱特征,若其属于特征集合s′2q′,则设第q'个特征集合s′q′中降维处理后第iq′个高分辨一维距离像三阶谱特征整体类别若其属于特征集合s′2q′+1,则设第q'个特征集合s′q′中降维处理后第iq′个高分辨一维距离像三阶谱特征整体类别
若l′=L′-1,设定g′q′为第q'个特征集合s′q′中包含的目标类别总个数,按照如下方式对特征集合s′q′划分:若g′q′=1,设第q'个特征集合s′q′中包含的目标类别为且不对第q'个特征集合s′q′进行划分;若g′q′=2,设第q'个特征集合s′q′中包含的目标类别为则将第q'个特征集合s′q′划分为包含目标类别的特征集合和包含目标类别的特征集合,对于第q'个特征集合s′q′中降维处理后第iq′个高分辨一维距离像三阶谱特征,若其类别为则设第q'个特征集合s′q′中降维处理后第iq′个高分辨一维距离像三阶谱特征整体类别若其类别为则设第q'个特征集合s′q′中降维处理后第iq′个高分辨一维距离像三阶谱特征整体类别
5b3)利用第q'个特征集合s′q′中降维处理后第iq′个高分辨一维距离像三阶谱特征整体类别计算下式的最优解,得到第p'个支持向量机SVMp′的拉格朗日乘子向量γ′p′:
其中,第p'个支持向量机SVMp′的拉格朗日乘子向量γ′p′的长度为Nq′,
jq′为第p'个特征集合s′q′中第jq′个降维后高分辨一维距离像三阶谱特征标号,为第p'个支持向量机SVMp′的拉格朗日乘子向量γ′p′中第iq′个元素,jq′=1,2,…,Nq′,为第p'个支持向量机SVMp′的拉格朗日乘子向量γ′p′中第jq′个元素,为第p'个特征集合s′q′中降维处理后第iq′个高分辨一维距离像三阶谱特征整体类别,为第p'个特征集合s′q′中降维处理后第jq′个高分辨一维距离像三阶谱特征整体类别,为第p'个特征集合s′q′中降维处理后第iq′个高分辨一维距离像三阶谱特征在降维处理后N个高分辨一维距离像三阶谱特征X中的标号, 为第p'个特征集合s′q′中降维处理后第jq′个高分辨一维距离像三阶谱特征在降维处理后N个高分辨一维距离像三阶谱特征X中的标号, 为降维处理后第个高分辨一维距离像三阶谱特征,为降维处理后第个高分辨一维距离像三阶谱特征,为第个高分辨一维距离像的第一拉格朗日乘子,为第个高分辨一维距离像的第二拉格朗日乘子,为降维处理后第个高分辨一维距离像三阶谱特征与降维处理后第个高分辨一维距离像三阶谱特征的高斯核函数;将求得的解γ′p′中大于0的元素总个数设为k'p′,γ′p′中大于0的元素下标为r'p′。
5b4)利用第p'个支持向量机SVMp′的拉格朗日乘子向量γ′p′,计算第p′个支持向量机SVMp′的分类子超平面阈值b′p′:
5b5)若q′<2l′-1且q′<Q′,则令p′的值加1,令q′的值加1,转步骤5b2);若q′=2l′-1或q′=Q′,转步骤5b6)。
5b6)令l′的值加1,若l′<L′,则令p′=2l′-1,q′=2l′-1,转步骤5b2);若l′=L′,重复执行操作停止,此时得到第二层次支持向量机中P'个支持向量机的分类子超平面参数,记为高密度区域的分类子超平面参数,包括P'个支持向量机的分类子超平面阈值b′1,b′2,…,b′P′和P'个支持向量机的拉格朗日乘子向量γ′1,γ′2,…,γ′P′,转步骤6。
步骤6,计算测试高分辨一维距离像的三阶谱特征Fz。
6a)将要进行识别的目标记为待识别目标,待识别目标可能为库内目标或库外干扰,将待识别目标放置到雷达探测范围内,雷达发射电磁波,经过待识别目标反射得到待识别目标的雷达回波,将待识别目标的雷达回波进行距离高分辨处理,得到测试高分辨一维距离像。
6b)设定测试高分辨一维距离像的采样点数为N′b,然后对测试高分辨一维距离像的幅度作N′s点离散傅里叶变换,得到测试高分辨一维距离像谱特征q'(ω'),N′s≥N′b,ω'为测试高分辨一维距离像谱特征的频率,ω'的取值范围为0≤ω'≤f′s/2,f′s为测试高分辨一维距离像的采样频率。
6c)计算测试高分辨一维距离像的三阶谱特征Fz:
Fz=q'(ω′1)q'(ω′2)q'(ω′3)q'(ω′1+ω′2+ω′3)
其中,ω′1为测试高分辨一维距离像谱特征的频率ω′的第一个频率取值点,ω′1=n′s1·f′s/N′s,n′s1为整数,0≤n′s1≤INT(N′s/2),ω′2为测试高分辨一维距离像谱特征的频率ω′的第二个频率取值点,ω′2=n′s2·f′s/N′s,n′s2为整数,0≤n′s2≤INT(N′s/2),ω′3为测试高分辨一维距离像谱特征的频率ω′的第三个频率取值点,ω′3=n′s3·f′s/N′s,n′s3为整数,0≤n′s3≤INT(N′s/2),q′(ω′1)为测试高分辨一维距离像谱特征q′(ω′)在频率取值点ω′1处的取值,q′(ω′2)为测试高分辨一维距离像谱特征q′(ω′)在频率取值点ω′2处的取值,q′(ω′3)为测试高分辨一维距离像谱特征q′(ω′)在频率取值点ω′3处的取值,q′(ω′1+ω′2+ω′3)为测试高分辨一维距离像谱特征q′(ω′)在频率取值点ω′1+ω′2+ω′3处的取值,N′s为对测试高分辨一维距离像的幅度作离散傅里叶变换的点数,INT为取整运算。
步骤7,对测试高分辨一维距离像的三阶谱特征Fz进行降维处理,得到降维处理后测试高分辨一维距离像的三阶谱特征z。
7a)将测试高分辨一维距离像的三阶谱特征Fz按列排列为一个列向量,记为测试高分辨一维距离像的三阶谱特征列向量Fzr。
7b)对测试高分辨一维距离像的三阶谱特征列向量Fzr进行降维处理,得到降维处理后测试高分辨一维距离像的三阶谱特征z:
z=UHFzr。
其中,U为大特征值向量,上标H表示共轭转置。
步骤8,利用支持向量域模型对降维处理后测试高分辨一维距离像的三阶谱特征z所属区域进行判断,并利用第一层次支持向量机和第二层次向量机确定其目标类别。
8a)判断降维处理后测试高分辨一维距离像的三阶谱特征z是否满足条件若不满足,则转步骤8c);若满足,则将降维后测试高分辨一维距离像的三阶谱特征z归为高密度区域,转步骤8b)。
其中,K(z,y2i')为降维处理后测试高分辨一维距离像的三阶谱特征z和第二支持向量集合SVh中第i'个支持向量y2i'的高斯核函数,K(y2i',y2j')为第二支持向量集合SVh中第i'个支持向量y2i'和第二支持向量集合SVh中第j'个支持向量y2j'的高斯核函数,βi'表示支持向量域模型中的第二拉格朗日乘子向量β的第i'个第二拉格朗日乘子,βj'表示支持向量域模型中的第二拉格朗日乘子向量β的第j'个第二拉格朗日乘子。
8b)利用第三层次支持向量机确定降维处理后测试高分辨一维距离像的三阶谱特征z的目标类别。
8b1)参照图3(a),设定第三层次支持向量机被分为层,第三层次支持向量机中包含Q'个目标类别集合,其中,第q'个目标类别集合用T′q′表示,第q'个目标类别集合T′q′中包含的目标类别为第q′个特征集合s′q′中包含的目标类别令p′=1,q'=1,层数设定降维处理后测试高分辨一维距离像的三阶谱特征z当前所属目标类别集合为T′q′;p′=1,2,…,P′,q′=1,2,…,Q′,
8b2)若利用第p′个支持向量机为SVMp′将降维处理后测试高分辨一维距离像的三阶谱特征z为归属为目标类别集合T2q'或目标类别集合T2q'+1,若则判断当前降维后测试高分辨一维距离像的三阶谱特征z所属类别集合T′q′中包含的目标类别总个数为与g′q′取值相等;若则当前降维后测试高分辨一维距离像的三阶谱特征z所属类别集合T′q′中包含的目标类别为将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别即待识别目标的类别为目标类别若则当前降维后测试高分辨一维距离像的三阶谱特征z所属类别集合T′q′中包含的目标类别为和利用第p′个支持向量机为SVMp′将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别或目标类别即待识别目标的类别为目标类别或目标类别其中,降维后测试高分辨一维距离像的三阶谱特征z的归属方式按如下方式进行:
计算降维处理后测试高分辨一维距离像的三阶谱特征z的第一分类决策值f′(z):
其中,所述降维处理后测试高分辨一维距离像的三阶谱特征z的第一分类决策值f′(z)为非零数,为降维处理后测试高分辨一维距离像的三阶谱特征z与降维处理后第个高分辨一维距离像的三阶谱特征的高斯核函数。
当时,若f′(z)>0,则将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别集合T2q′;若f′(z)<0,则将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别集合T2q'+1;当时,若f′(z)>0,则将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别即待识别目标的类别为目标类别若f′(z)<0,将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别即待识别目标的类别为目标类别
8b3)令的值加1,若当f′(z)>0时,令p'的值乘以2,令q'的值乘以2,转步骤8b2);;当f′(z)<0,令p'的值乘以2后加1,令q'的值乘以2后加1,转步骤8b2);若l′=L′,算法结束,得到待识别目标的目标类别。
8c)判断降维处理后测试高分辨一维距离像的三阶谱特征z是否满足条件若不满足,则转步骤8e);若满足,则将降维处理后测试高分辨一维距离像的三阶谱特征z归为低密度区域,转步骤8d)。
8d)利用第四层次支持向量机确定降维处理后测试高分辨一维距离像的三阶谱特征z的目标类别。
8d1)参照图3(b),设定第四层次支持向量机被分为层,第四层次支持向量机包含Q个目标类别集合,其中,第q个目标类别集合用Tq表示,第q个目标类别集合Tq中包含的目标类别为第q个特征集合sq中包含的目标类别
令p=1,q=1,层数设定降维处理后测试高分辨一维距离像的三阶谱特征z当前所属类别为Tq;q=1,2,…,Q,p=1,2,…,P,
8d2)若利用第p个支持向量机为SVMp将降维处理后测试高分辨一维距离像的三阶谱特征z为归属为目标类别集合T2q或目标类别集合T2q+1,若则判断降维处理后测试高分辨一维距离像的三阶谱特征z当前所属类别Tq中包含的目标类别总个数若则降维处理后测试高分辨一维距离像的三阶谱特征z当前所属类别Tq中包含的目标类别为则将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别即待识别目标的类别为目标类别若设降维处理后测试高分辨一维距离像的三阶谱特征z当前所属类别Tq中包含的目标类别为和利用第p个支持向量机为SVMp将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别或目标类别即待识别目标的类别为目标类别或目标类别其中,降维后测试高分辨一维距离像的三阶谱特征z的归属方式按如下方式进行:
计算降维处理后测试高分辨一维距离像的三阶谱特征z的第二分类决策值f(z):
其中,所述降维处理后测试高分辨一维距离像的三阶谱特征z的第二分类决策值f(z)为非零数,为降维处理后测试高分辨一维距离像的三阶谱特征z与降维处理后第个高分辨一维距离像的三阶谱特征的高斯核函数。
当时,若f(z)>0,则将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别集合T2q,若f(z)<0,则将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别集合T2p+1;当时,若f(z)>0,将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别即待识别目标的类别为目标类别若f(z)<0,将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别即待识别目标的类别为目标类别
8d3)令的值加1,若当f(z)>0时,令p的值乘以2,令q的值乘以2,转步骤8b2);当f(z)<0时,令p的值乘以2后加1,令q的值乘以2后加1,转步骤8b2);若算法结束,得到待识别目标的目标类别。
8e)若降维处理后测试高分辨一维距离像的三阶谱特征z均不满足以上两个条件,则判断测试高分辨一维距离像为库外干扰。
通过下述仿真实验和外场实验对本发明效果进行进一步验证说明。
1.仿真条件
雷达发射信号采用简单脉冲步进频率体制,其载频为fc=34GHz,信号脉冲宽度为τ=100ns,脉冲重复周期为Tr=32μs,时域采样频率fs=40MHz,脉冲步进频率个数N=128,脉冲步进频率△f=4MHz,由此参数可得雷达发射信号合成带宽为B=512MHz,其对应的距离分辨率为△r=c/2B=0.293m。仿真中,坦克、雷达车和装甲车被视为库内目标,卡车和铁塔被视为库外目标。
2.仿真内容与结果
仿真1,利用坦克目标和雷达车目标的实际测量数据提取特征,采用本发明方法和现有支持向量机方法分别确定两种目标的分类超平面。
采集360°下的坦克目标与雷达车目标雷达回波数据,得到高分辨一维距离像,然后提取该高分辨一维距离像的三阶谱特征,并降维到2维,采用本发明方法和现有支持向量机方法分别对两种目标进行识别,得到两个分类超平面,实验结果如图4(a)和图4(b)所示;其中,图4(a)为采用本发明方法得到的分类超平面结果示意图,图4(b)为采用现有支持向量机方法得到的分类超平面结果示意图。
从图4(a)和图4(b)可以看出,目标特征主要集中在高密度区域,支持向量机方法由于没有考虑特征空间样本密度的不均衡,致使低密度区域的分类误差较大;而本发明方法将目标特征空间分割为两个高低密度区域,并分别对两个区域进行分类,分类误差较小。
仿真2,本发明鉴别性能与现有方法鉴别性能对比。
分别利用本发明方法与现有基于协方差矩阵的单类支持向量机(COSVM)和最大相关系数模板匹配法(MCC-TMM)进行鉴别实验,利用蒙特卡洛方法得到不同鉴别方法的接收机特性(ROC)曲线,结果如图5所示。
从图5中可以看出,本发明方法的曲线下区域面积(AUC)最大,性能最佳,COSVM基于特征空间的统计分布进行建模,其鉴别性能优于MCC-TMM,但是它没有对特征空间进行更为精细化的描述,鉴别性能相较于本发明方法较差。
仿真3,本发明识别性能与现有方法识别性能对比。
分别利用本发明方法与现有最大相关系数模板匹配法(MCC-TMM)和最小均方支持向量机法(LS-SVM)进行识别实验,利用蒙特卡洛方法得到各个训练样本数下的平均识别率,实验结果如图6所示。
从图6中可以看出,随着训练样本数的增加,三种方法的识别率均有所提高,但是本发明方法的识别率始终是最高的,MCC-TMM方法的识别率严重依赖于样本数量,在样本数较小时,其识别性能严重恶化,LS-SVM法是支持向量机的改进方法,其识别性能优于MCC-TMM方法,但是它没有对特征空间进行准确描述,识别性能劣于本发明方法。
仿真4,本发明方法与现有方法实时性对比。
分别利用本发明方法与现有MCC-TMM方法和最小均方支持向量机法(LS-SVM)进行识别实验,将不同训练样本下的算法测试阶段运行时间作为指标,对三种方法的实时性进行比较,实验结果如图7所示。
从图7中可以看出,随着训练样本数的增加,三种识别方法的实时性均越来越差,MCC-TMM方法需要遍历所有训练样本,当训练样本数增加时,其实时性急剧恶化,LS-SVM和本发明方法都是基于支持向量模型的识别方法,由于本发明方法的支持向量结构较为复杂,运算复杂度略高于LS-SVM,但在可接收的范围内。
综上所述,仿真实验验证了本发明的正确性,有效性和可靠性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围;这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于高分辨一维距离像的目标识别优化方法,其特征在于,包括以下步骤:
步骤1,确定训练样本集合,所述训练样本集合中包括N个高分辨一维距离像,计算N个高分辨一维距离像的三阶谱特征F;
步骤2,根据N个高分辨一维距离像的三阶谱特征F,计算降维处理后N个高分辨一维距离像的三阶谱特征X;
步骤3,根据降维处理后N个高分辨一维距离像的三阶谱特征X,确定低密度区域和高密度区域;
步骤4,计算低密度区域中M1个降维处理后的高分辨一维距离像三阶谱特征类别和高密度区域中M2个降维处理后的高分辨一维距离像三阶谱特征类别;M1≤N,M2≤N;
步骤5,分别计算低密度区域的分类子超平面参数和高密度区域的分类子超平面参数;
步骤6,确定测试高分辨一维距离像,然后计算测试高分辨一维距离像的三阶谱特征Fz;
步骤7,根据测试高分辨一维距离像的三阶谱特征Fz,得到降维处理后测试高分辨一维距离像的三阶谱特征z;
步骤8,根据步骤4和步骤5得到的结果判定降维处理后测试高分辨一维距离像的三阶谱特征z属于目标或属于干扰,并记为一种基于高分辨一维距离像的目标识别优化结果。
2.如权利要求1所述的一种基于高分辨一维距离像的目标识别优化方法,其特征在于,在步骤1中,所述训练样本集合,其确定过程为:
1a)确定雷达,所述雷达检测范围内存在目标库,所述目标库中包括M类目标,M类目标分别为不同的感兴趣目标,且M类目标依次为c1,c2,…,cM;
雷达发射电磁波,该电磁波经过目标库反射后得到库内目标雷达回波;
1b)对库内目标雷达回波进行距离高分辨处理,得到库内目标的Na个高分辨一维距离像,Na≥M;选取库内目标的Na个高分辨一维距离像中信杂比大于th的高分辨一维距离像作为训练样本集合,所述训练样本集合中包括N个高分辨一维距离像;其中,M≤N≤Na,th为信杂比门限,N表示训练样本集合中包含的高分辨一维距离像总个数。
3.如权利要求1所述的一种基于高分辨一维距离像的目标识别优化方法,其特征在于,在步骤1中,所述N个高分辨一维距离像的三阶谱特征F,其得到过程为:
1c)设定第n个高分辨一维距离像的采样点数为Nbn,然后对第n个高分辨一维距离像的幅度作Ns点离散傅里叶变换,得到第n个高分辨一维距离像谱特征qn(ω);其中,Ns≥Nbn,ω为第n个高分辨一维距离像谱特征的频率,ω的取值范围为0≤ω≤fs/2,fs为第n个高分辨一维距离像的采样频率,n=1,2,…,N,N为训练样本集中包含的高分辨一维距离像总个数;
1d)计算N个高分辨一维距离像的三阶谱特征F,F=[f1,f2,…,fn,…,fN];其中,fn表示第n个高分辨一维距离像的三阶谱特征,其表达式为:
fn=qn(ω1)qn(ω2)qn(ω3)qn(ω1+ω2+ω3)
其中,ω1为第n个高分辨一维距离像谱特征的频率ω的第一个频率取值点,ω1=ns1·fs/Ns,ns1为整数,0≤ns1≤INT(Ns/2),INT(·)为取整运算;ω2为第n个高分辨一维距离像谱特征的频率ω的第二个频率取值点,ω2=ns2·fs/Ns,ns2为整数,0≤ns2≤INT(Ns/2);ω3为第n个高分辨一维距离像谱特征的频率ω的第三个频率取值点,ω3=ns3·fs/Ns,ns3为整数,0≤ns3≤INT(Ns/2);qn(ω1)为第n个高分辨一维距离像谱特征qn(ω)在频率取值点ω1处的取值,qn(ω2)为第n个高分辨一维距离像谱特征qn(ω)在频率取值点ω2处的取值,qn(ω3)为第n个高分辨一维距离像谱特征qn(ω)在频率取值点ω3处的取值,qn(ω1+ω2+ω3)为第n个高分辨一维距离像谱特征qn(ω)在频率取值点ω1+ω2+ω3处的取值。
4.如权利要求1所述的一种基于高分辨一维距离像的目标识别优化方法,其特征在于,步骤2的子步骤为:
2a)将第n个高分辨一维距离像的三阶谱特征fn按列排列成一列得到第n个高分辨一维距离像的三阶谱特征列向量frn;令n=1,2,…,N,进而得到N个高分辨一维距离像的三阶谱特征列向量Fr,Fr=[fr1,fr2,…,frN];
2b)计算得到N个高分辨一维距离像的三阶谱特征列向量Fr的自相关矩阵R,其表达式为:
其中,上标H表示共轭转置;
2c)对N个高分辨一维距离像的三阶谱特征列向量Fr的自相关矩阵R进行特征值分解,并将特征值按从大到小的顺序进行排列,将前d个特征值对应的特征向量记为大特征值向量U,U=[u1,u2,…,us,…,ud];其中,s=1,2,…,d,us表示第s个特征值对应的特征向量,d表示对N个高分辨一维距离像的三阶谱特征列向量Fr的自相关矩阵R进行特征值分解得到的特征值按从大到小的顺序排列后选取的大特征值总个数;
2d)对N个高分辨一维距离像的三阶谱特征F进行降维处理,得到降维处理后N个高分辨一维距离像的三阶谱特征X,其表达式为:
X=UHF
=[x1,x2,…,xn,…,xN]
其中,降维处理后N个高分辨一维距离像的三阶谱特征X包括N个d维向量,n=1,2,…,N,xn表示降维处理后第n个高分辨一维距离像的三阶谱特征,且xn是一个d维向量,降维处理后每一个高分辨一维距离像的三阶谱特征分别对应目标库内一类目标;上标H表示共轭转置。
5.如权利要求4所述的一种基于高分辨一维距离像的目标识别优化方法,其特征在于,在步骤3中,所述低密度区域和高密度区域,其确定过程为:
3a)计算下式的最优解,得到支持向量域模型中的第一拉格朗日乘子向量α和支持向量域模型中的第二拉格朗日乘子向量β:
其中,n=1,2,…,N,α=[α1,α2,…,αn,…,αN]T,β=[β1,β2,…,βn,…,βN]T,αn为支持向量域模型中的第一拉格朗日乘子向量α的第n个第一拉格朗日乘子,βn为支持向量域模型中的第二拉格朗日乘子向量β的第n个第二拉格朗日乘子,上标T表示转置,s.t.表示约束条件;C为惩罚因子;Q为N个高分辨一维距离像的高斯核矩阵,
表示降维处理后第n1个高分辨一维距离像的三阶谱特征和降维处理后第n2个高分辨一维距离像的三阶谱特征的高斯核函数,n1=1,2,…,N,n2=1,2,…,N;σ为尺度参数,2≤σ≤10;△为N个高分辨一维距离像的转换矩阵,设定支持向量域模型中的第一拉格朗日乘子向量α中大于0的第一拉格朗日乘子个数为Ml,设定支持向量域模型中的第二拉格朗日乘子向量β中大于0的第二拉格朗日乘子个数为Mh,Sl={n|αn>0},Sh={n|βn>0},将降维处理后Ml个高分辨一维距离像的三阶谱特征记为第一支持向量集合SVl,SVl={y1k|y1k=xn',n'∈Sl,k=1,2,…,Ml},xn'表示降维处理后第n'个高分辨一维距离像的三阶谱特征,y1k为第一支持向量集合SVl中第k个支持向量;将降维处理后Mh个高分辨一维距离像的三阶谱特征记为第二支持向量集合SVh,SVh={y2k'|y2k'=xn”,n”∈Sh,k'=1,2,…,Mh},xn”表示降维处理后第n”个高分辨一维距离像的三阶谱特征,y2k为第二支持向量集合SVh中第k'个支持向量;
3b)利用支持向量域模型中的第一拉格朗日乘子向量α和支持向量域模型中的第二拉格朗日乘子向量β,分别计算支持向量域模型的第一半径Rl和支持向量域模型的第二半径Rh,并将支持向量域模型的第一半径Rl作为低密度区域的半径,将支持向量域模型的第二半径Rh作为高密度区域的半径,其表达式分别为:
其中,i=1,2,…,Ml,j=1,2,…,Ml,k=1,2,…,Ml,i'=1,2,…,Mh,j'=1,2,…,Mh,k'=1,2,…,Mh,αi表示支持向量域模型中的第一拉格朗日乘子向量α的第i个第一拉格朗日乘子,αj表示支持向量域模型中的第一拉格朗日乘子向量α的第j个第一拉格朗日乘子,y1i为第一支持向量集合SVl中第i个支持向量,y1j为第一支持向量集合SVl中第j个支持向量,y1k为第一支持向量集合SVl中第k个支持向量,y2i'为第二支持向量集合SVh中第i'个支持向量,y2j'为第二支持向量集合SVh中第j'个支持向量,y2k'为第二支持向量集合SVh中第k'个支持向量,αi'表示支持向量域模型中的第一拉格朗日乘子向量α的第i'个第一拉格朗日乘子,αj'表示支持向量域模型中的第一拉格朗日乘子向量α的第j'个第一拉格朗日乘子,K(y1i,y1k)为第一支持向量集合SVl中第k个支持向量y1k和第一支持向量集合SVl中第i个支持向量y1i的高斯核函数,K(y1i,y1j)为第一支持向量集合SVl中第i个支持向量y1i和第一支持向量集合SVl中第j个支持向量y1j的高斯核函数,K(y2i',y2k')为第二支持向量集合SVh中第i'个支持向量y2i'和第二支持向量集合SVh中第k'个支持向量y2k'的高斯核函数,K(y2i',y2j')为第二支持向量集合SVh中第i'个支持向量y2i'和第二支持向量集合SVh中第j'个支持向量y2j'的高斯核函数,βi'表示支持向量域模型中的第二拉格朗日乘子向量β的第i'个第二拉格朗日乘子,βj'表示支持向量域模型中的第二拉格朗日乘子向量β的第j'个第二拉格朗日乘子;
设定降维后三阶谱特征空间,所述降维后三阶谱特征空间为d维向量空间,d维向量空间包括F个d维向量;降维处理后N个高分辨一维距离像的三阶谱特征X包含于降维后三阶谱特征空间,选取降维后三阶谱特征空间中任意1个d维向量,记为降维后的特征向量x;当降维后的特征向量x包含于降维处理后N个高分辨一维距离像的三阶谱特征X中时,降维后的特征向量x取降维处理后N个高分辨一维距离像的三阶谱特征X中的任意1个d维向量;当降维后的特征向量x不包含于降维处理后N个高分辨一维距离像的三阶谱特征X中时,降维后的特征向量x中每一个元素分别取任意实数;
将满足以下条件的降维后三阶谱特征空间区域作为低密度区域:
其中,Rl为低密度区域的半径,i=1,2,…,Ml,j=1,2,…,Ml,K(x,y1i)为降维后的特征向量x与第一支持向量集合SVl中第i个支持向量y1i的高斯核函数,K(y1i,y1j)为第一支持向量集合SVl中第i个支持向量y1i和第一支持向量集合SVl中第j个支持向量y1j的高斯核函数;
将满足以下条件的降维后三阶谱特征空间区域作为高密度区域:
其中,i'=1,2,…,Mh,j'=1,2,…,Mh,K(x,y2i')为降维后的特征向量x与第二支持向量集合SVh中第i'个支持向量y2i'的高斯核函数,K(y2i',y2j')为第二支持向量集合SVh中第i'个支持向量y2i'和第二支持向量集合SVh中第j'个支持向量y2j'的高斯核函数。
6.如权利要求5所述的一种基于高分辨一维距离像的目标识别优化方法,其特征在于,步骤4的子步骤为:
4a)初始化:设置n=1,n=1,2,…,N;
4b)判断降维处理后第n个高分辨一维距离像的三阶谱特征xn是否满足条件
若不满足,转子步骤4c);若满足,则将降维处理后第n个高分辨一维距离像的三阶谱特征xn记为高密度区域中第m2个高分辨一维距离像三阶谱特征类别,m2的初始值为1,并令m2的值加1,转子步骤4d);其中,降维处理后每一个高分辨一维距离像的三阶谱特征分别对应目标库内一类目标;
4c)判断降维处理后第n个高分辨一维距离像的三阶谱特征xn是否满足条件
若不满足,则将降维处理后第n个高分辨一维距离像的三阶谱特征xn归为非目标区域,转子步骤4d);若满足,则将降维处理后第n个高分辨一维距离像的三阶谱特征xn记为低密度区域中第m1个高分辨一维距离像三阶谱特征类别,m1的初始值为1,并令m1的值加1,转子步骤4d);
4d)令n的值加1,若n≤N,转步骤4b);若n>N,重复过程停止,此时得到低密度区域中M1个高分辨一维距离像三阶谱特征类别和高密度区域中M2个高分辨一维距离像三阶谱特征类别;m1=1,2,…,M1,m2=1,2,…,M2,M1≤M≤N,M2≤M≤N。
7.如权利要求6所述的一种基于高分辨一维距离像的目标识别优化方法,其特征在于,在步骤5中,所述低密度区域的分类子超平面参数包括P个支持向量机的分类子超平面阈值b1,b2,…,bP和P个支持向量机的拉格朗日乘子向量γ1,γ2,…,γP,P=M1-1,其中第p个支持向量机SVMp的拉格朗日乘子向量为γp:
其中,第p个支持向量机SVMp的拉格朗日乘子向量γp的长度为Nq,
iq=1,2,…,Nq,为第p个支持向量机SVMp的拉格朗日乘子向量γp中第iq个元素,jq=1,2,…,Nq,为第p个支持向量机SVMp的拉格朗日乘子向量γp中第jq个元素,为第q个特征集合sq中降维处理后第iq个高分辨一维距离像三阶谱特征整体类别,为第q个特征集合sq中降维处理后第jq个高分辨一维距离像三阶谱特征整体类别,为第q个特征集合sq中降维处理第iq个后高分辨一维距离像三阶谱特征在降维处理后N个高分辨一维距离像三阶谱特征X中的标号, 为第q个特征集合sq中降维处理后第jq个高分辨一维距离像三阶谱特征在降维处理后N个高分辨一维距离像三阶谱特征X中的标号, 为降维处理后第个高分辨一维距离像三阶谱特征,为降维处理后第个高分辨一维距离像三阶谱特征,为第个高分辨一维距离像的第一拉格朗日乘子,为第个高分辨一维距离像的第二拉格朗日乘子,为降维处理后第个高分辨一维距离像三阶谱特征与降维处理后第个高分辨一维距离像三阶谱特征的高斯核函数;将求得的解γp中大于0的元素总个数记为kp,γp中大于0的元素下标为rp,rp=1,2,…,kp;
第p个支持向量机SVMp的分类子超平面阈值为bp:
所述高密度区域的分类子超平面参数包括P'个支持向量机的分类子超平面阈值b′1,b′2,…,b′P′和P'个支持向量机的拉格朗日乘子向量γ′1,γ′2,…,γ′P′,P′=M2-1,其中,第p'个支持向量机SVMp′的拉格朗日乘子向量γ′p′:
其中,第p'个支持向量机SVMp′的拉格朗日乘子向量γ′p′的长度为Nq′,
iq′=1,2,…,Nq′,jq′=1,2,…,Nq′,jq′为第p'个特征集合s′q′中第jq′个降维后高分辨一维距离像三阶谱特征标号,为第p'个支持向量机SVMp′的拉格朗日乘子向量γ′p′中第iq′个元素,jq′=1,2,…,Nq′,为第p'个支持向量机SVMp′的拉格朗日乘子向量γ′p′中第jq′个元素,为第p'个特征集合s′q′中降维处理后第iq′个高分辨一维距离像三阶谱特征整体类别,为第p'个特征集合s′q′中降维处理后第jq′个高分辨一维距离像三阶谱特征整体类别,为第p'个特征集合s′q′中降维处理后第iq′个高分辨一维距离像三阶谱特征在降维处理后N个高分辨一维距离像三阶谱特征X中的标号, 为第p'个特征集合s′q′中降维处理后第jq′个高分辨一维距离像三阶谱特征在降维处理后N个高分辨一维距离像三阶谱特征X中的标号, 为降维处理后第个高分辨一维距离像三阶谱特征,为降维处理后第个高分辨一维距离像三阶谱特征,为第个高分辨一维距离像的第一拉格朗日乘子,为第个高分辨一维距离像的第二拉格朗日乘子,为降维处理后第个高分辨一维距离像三阶谱特征与降维处理后第个高分辨一维距离像三阶谱特征的高斯核函数;将求得的解γ′p′中大于0的元素总个数设为k'p',γ′p′中大于0的元素下标为r'p';
第p′个支持向量机SVMp′的分类子超平面阈值b′p′:
8.如权利要求7所述的一种基于高分辨一维距离像的目标识别优化方法,其特征在于,在步骤6中,所述测试高分辨一维距离像,其确定过程为:
将要进行识别的目标记为待识别目标,待识别目标可能为库内目标或库外干扰,将待识别目标放置到雷达探测范围内,雷达发射电磁波,经过待识别目标反射得到待识别目标的雷达回波,将待识别目标的雷达回波进行距离高分辨处理,得到测试高分辨一维距离像;
所述测试高分辨一维距离像的三阶谱特征Fz,其表达式为:
Fz=q'(ω′1)q'(ω′2)q'(ω′3)q'(ω′1+ω′2+ω′3)
其中,ω′1为测试高分辨一维距离像谱特征的频率ω′的第一个频率取值点,ω′1=n′s1·f′s/N′s,n′s1为整数,0≤n′s1≤INT(N′s/2),ω′2为测试高分辨一维距离像谱特征的频率ω′的第二个频率取值点,ω′2=n′s2·f′s/N′s,n′s2为整数,0≤n′s2≤INT(N′s/2),ω′3为测试高分辨一维距离像谱特征的频率ω′的第三个频率取值点,ω′3=n′s3·f′s/N′s,n′s3为整数,0≤n′s3≤INT(N′s/2),q′(ω′1)为测试高分辨一维距离像谱特征q′(ω′)在频率取值点ω′1处的取值,q′(ω′2)为测试高分辨一维距离像谱特征q′(ω′)在频率取值点ω′2处的取值,q′(ω′3)为测试高分辨一维距离像谱特征q′(ω′)在频率取值点ω′3处的取值,q′(ω′1+ω′2+ω′3)为测试高分辨一维距离像谱特征q′(ω′)在频率取值点ω′1+ω′2+ω′3处的取值,N′s为对测试高分辨一维距离像的幅度作离散傅里叶变换的点数,INT为取整运算,ω'为测试高分辨一维距离像谱特征的频率,ω'的取值范围为0≤ω'≤f′s/2,f′s为测试高分辨一维距离像的采样频率。
9.如权利要求8所述的一种基于高分辨一维距离像的目标识别优化方法,其特征在于,在步骤7中,所述降维处理后测试高分辨一维距离像的三阶谱特征z,其表达式为:
z=UHFzr
其中,U为大特征值向量,上标H表示共轭转置,Fzr为测试高分辨一维距离像的三阶谱特征列向量。
10.如权利要求9所述的一种基于高分辨一维距离像的目标识别优化方法,其特征在于,步骤8的子步骤为:
8a)判断降维处理后测试高分辨一维距离像的三阶谱特征z是否满足条件
若不满足,则转步骤8c);若满足,则将降维后测试高分辨一维距离像的三阶谱特征z归为高密度区域,转步骤8b);
其中,K(z,y2i')为降维处理后测试高分辨一维距离像的三阶谱特征z和第二支持向量集合SVh中第i'个支持向量y2i'的高斯核函数,K(y2i',y2j')为第二支持向量集合SVh中第i'个支持向量y2i'和第二支持向量集合SVh中第j'个支持向量y2j'的高斯核函数,βi'表示支持向量域模型中的第二拉格朗日乘子向量β的第i'个第二拉格朗日乘子,βj'表示支持向量域模型中的第二拉格朗日乘子向量β的第j'个第二拉格朗日乘子;
8b)初始化:设定第三层次支持向量机被分为层,第三层次支持向量机中包含Q'个目标类别集合,其中,第q'个目标类别集合用T′q'表示,第q'个目标类别集合T′q'中包含的目标类别为
令p′=1,q'=1,层数设定降维处理后测试高分辨一维距离像的三阶谱特征z当前所属目标类别集合为T′q';p′=1,2,…,P′,q′=1,2,…,Q′,8c)若计算降维处理后测试高分辨一维距离像的三阶谱特征z的第一分类决策值f′(z):
其中,所述降维处理后测试高分辨一维距离像的三阶谱特征z的第一分类决策值f′(z)为非零数,为降维处理后测试高分辨一维距离像的三阶谱特征z与降维处理后第个高分辨一维距离像的三阶谱特征的高斯核函数;
当时,若f′(z)>0,则将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别集合T2q';若f′(z)<0,则将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别集合T2q'+1;当时,若f′(z)>0,则将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别即待识别目标的类别为目标类别若f′(z)<0,将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别即待识别目标的类别为目标类别
8d)令的值加1,若当f′(z)>0时,令p'的值乘以2,令q'的值乘以2,转步骤8c);当f′(z)<0,令p'的值乘以2后加1,令q'的值乘以2后加1,转步骤8c);若l′=L′,算法结束,得到待识别目标的目标类别;
8d)判断降维处理后测试高分辨一维距离像的三阶谱特征z是否满足条件若不满足,则转步骤8f);若满足,则将降维处理后测试高分辨一维距离像的三阶谱特征z归为低密度区域,转步骤8e);
8e)计算降维处理后测试高分辨一维距离像的三阶谱特征z的第二分类决策值f(z):
其中,所述降维处理后测试高分辨一维距离像的三阶谱特征z的第二分类决策值f(z)为非零数,为降维处理后测试高分辨一维距离像的三阶谱特征z与降维处理后第个高分辨一维距离像的三阶谱特征的高斯核函数;
当时,若f(z)>0,则将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别集合T2q,若f(z)<0,则将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别集合T2p+1;当时,若f(z)>0,将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别即待识别目标的类别为目标类别若f(z)<0,将降维处理后测试高分辨一维距离像的三阶谱特征z归属为目标类别即待识别目标的类别为目标类别1≤tq≤M1;
8f)令的值加1,若当f(z)>0时,令p的值乘以2,令q的值乘以2,转步骤8c);当f(z)<0时,令p的值乘以2后加1,令q的值乘以2后加1,转步骤8c);若算法结束,得到待识别目标的目标类别;
8f)若降维处理后测试高分辨一维距离像的三阶谱特征z均不满足以上两个条件,则判断测试高分辨一维距离像为库外干扰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220561.0A CN108416393A (zh) | 2018-03-16 | 2018-03-16 | 一种基于高分辨一维距离像的目标识别优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220561.0A CN108416393A (zh) | 2018-03-16 | 2018-03-16 | 一种基于高分辨一维距离像的目标识别优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108416393A true CN108416393A (zh) | 2018-08-17 |
Family
ID=63131993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810220561.0A Pending CN108416393A (zh) | 2018-03-16 | 2018-03-16 | 一种基于高分辨一维距离像的目标识别优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416393A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135444A (zh) * | 2019-06-17 | 2019-08-16 | 电子科技大学 | 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 |
CN110687515A (zh) * | 2019-10-16 | 2020-01-14 | 电子科技大学 | 一种目标库属性判别最优非线性本征子空间特征提取方法 |
CN111580062A (zh) * | 2020-05-25 | 2020-08-25 | 西安电子科技大学 | 基于双圆极化高分辨一维距离像hrrp的目标鉴别方法 |
CN113687328A (zh) * | 2021-09-14 | 2021-11-23 | 上海无线电设备研究所 | 一种弹载武器地面目标高分辨一维距离像识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030164792A1 (en) * | 2000-07-24 | 2003-09-04 | Mohammed Jahangir | Method and apparatus for recognising a radar target |
CN103217676A (zh) * | 2013-05-06 | 2013-07-24 | 西安电子科技大学 | 基于双谱去噪的噪声背景下雷达目标识别方法 |
CN104007431A (zh) * | 2014-05-29 | 2014-08-27 | 西安电子科技大学 | 基于dpLVSVM模型的雷达HRRP的目标识别方法 |
CN105116397A (zh) * | 2015-08-25 | 2015-12-02 | 西安电子科技大学 | 基于mmfa模型的雷达高分辨率距离像目标识别方法 |
CN105223561A (zh) * | 2015-10-23 | 2016-01-06 | 西安电子科技大学 | 基于空间分布的雷达地面目标鉴别器设计方法 |
CN106469315A (zh) * | 2016-09-05 | 2017-03-01 | 南京理工大学 | 基于改进One‑Class SVM算法的多模复合探测目标识别方法 |
CN107194411A (zh) * | 2017-04-13 | 2017-09-22 | 哈尔滨工程大学 | 一种改进的分层级联的支持向量机并行化方法 |
CN107576949A (zh) * | 2017-08-23 | 2018-01-12 | 电子科技大学 | 基于密度权重和混合核函数的svdd雷达目标一维距离像识别方法 |
-
2018
- 2018-03-16 CN CN201810220561.0A patent/CN108416393A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030164792A1 (en) * | 2000-07-24 | 2003-09-04 | Mohammed Jahangir | Method and apparatus for recognising a radar target |
CN103217676A (zh) * | 2013-05-06 | 2013-07-24 | 西安电子科技大学 | 基于双谱去噪的噪声背景下雷达目标识别方法 |
CN104007431A (zh) * | 2014-05-29 | 2014-08-27 | 西安电子科技大学 | 基于dpLVSVM模型的雷达HRRP的目标识别方法 |
CN105116397A (zh) * | 2015-08-25 | 2015-12-02 | 西安电子科技大学 | 基于mmfa模型的雷达高分辨率距离像目标识别方法 |
CN105223561A (zh) * | 2015-10-23 | 2016-01-06 | 西安电子科技大学 | 基于空间分布的雷达地面目标鉴别器设计方法 |
CN106469315A (zh) * | 2016-09-05 | 2017-03-01 | 南京理工大学 | 基于改进One‑Class SVM算法的多模复合探测目标识别方法 |
CN107194411A (zh) * | 2017-04-13 | 2017-09-22 | 哈尔滨工程大学 | 一种改进的分层级联的支持向量机并行化方法 |
CN107576949A (zh) * | 2017-08-23 | 2018-01-12 | 电子科技大学 | 基于密度权重和混合核函数的svdd雷达目标一维距离像识别方法 |
Non-Patent Citations (8)
Title |
---|
ENZENG DONG等: "Classification of multi class motor imagery with a novel hierarchical SVM algorithm for brain–computer interfaces", 《MED BIOL ENG COMPUT》 * |
LAN DU等: "Radar HRRP Target Recognition Based on Higher Order Spectra", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
LONG LI等: "Radar High Resolution Range Profile Recognition via Dual-SVDD Classifier", 《2016 CIE INTERNATIONAL CONFERENCE ON RADAR (RADAR)》 * |
LONG LI等: "Radar high resolution range profile recognition via multi-SV method", 《JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS》 * |
YU GUO等: "Pruning Support Vector Data Description Method for HRRP-Based Radar Target Recognition", 《2016 9TH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN》 * |
刘志刚等: "支持向量机在多类分类问题中的推广", 《计算机工程与应用》 * |
刘盛启: "基于高分辨距离像的特征提取与识别增强技术研究", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 * |
罗四等: "基于相关成分分析法的雷达目标识别仿真研究", 《系统仿真学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135444A (zh) * | 2019-06-17 | 2019-08-16 | 电子科技大学 | 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 |
CN110135444B (zh) * | 2019-06-17 | 2022-02-08 | 电子科技大学 | 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 |
CN110687515A (zh) * | 2019-10-16 | 2020-01-14 | 电子科技大学 | 一种目标库属性判别最优非线性本征子空间特征提取方法 |
CN111580062A (zh) * | 2020-05-25 | 2020-08-25 | 西安电子科技大学 | 基于双圆极化高分辨一维距离像hrrp的目标鉴别方法 |
CN113687328A (zh) * | 2021-09-14 | 2021-11-23 | 上海无线电设备研究所 | 一种弹载武器地面目标高分辨一维距离像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416393A (zh) | 一种基于高分辨一维距离像的目标识别优化方法 | |
Gebhard et al. | Convolutional neural networks: A magic bullet for gravitational-wave detection? | |
Yu et al. | A bearing fault diagnosis technique based on singular values of EEMD spatial condition matrix and Gath-Geva clustering | |
CN114429156B (zh) | 雷达干扰多域特征对抗学习与检测识别方法 | |
US20210356623A1 (en) | Rock Reservoir Structure Characterization Method, Device, Computer-Readable Storage Medium and Electronic Equipment | |
CN109274621A (zh) | 基于深度残差网络的通信协议信号识别方法 | |
CN104040561B (zh) | 通过质谱术和分数规整识别微生物的方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
Miao et al. | Underwater acoustic signal classification based on sparse time–frequency representation and deep learning | |
CN104732244A (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN106054189B (zh) | 基于dpKMMDP模型的雷达目标识别方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
CN109766926A (zh) | 一种雷达辐射源信号脉内特征综合评估方法及系统 | |
CN105205807B (zh) | 基于稀疏自动编码机的遥感图像变化检测方法 | |
CN113298138B (zh) | 一种雷达辐射源个体识别方法及系统 | |
CN115294615A (zh) | 一种基于机器学习的射频指纹识别方法 | |
CN109001702A (zh) | 无载波超宽带雷达人体动作识别方法 | |
CN115499092A (zh) | 天文射电暂现信号搜寻方法、系统、装置及可读存储介质 | |
CN113191359B (zh) | 基于支持与查询样本的小样本目标检测方法与系统 | |
CN104239895B (zh) | 基于特征降维的sar目标鉴别方法 | |
CN113486917A (zh) | 一种基于度量学习的雷达hrrp小样本目标识别方法 | |
Chen et al. | Regional classification of urban land use based on fuzzy rough set in remote sensing images | |
CN117058534A (zh) | 基于元知识适应迁移网络的少样本遥感图像目标检测方法 | |
CN116206203B (zh) | 基于SAR与Dual-EndNet的溢油检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180817 |