CN108549065A - 一种近邻结构保持真假目标rcs序列特征提取方法 - Google Patents
一种近邻结构保持真假目标rcs序列特征提取方法 Download PDFInfo
- Publication number
- CN108549065A CN108549065A CN201810822985.4A CN201810822985A CN108549065A CN 108549065 A CN108549065 A CN 108549065A CN 201810822985 A CN201810822985 A CN 201810822985A CN 108549065 A CN108549065 A CN 108549065A
- Authority
- CN
- China
- Prior art keywords
- true
- neighbor structure
- false target
- rcs sequence
- rcs
- 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.)
- Granted
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
- G01S7/41—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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达目标识别技术领域,具体涉及一种近邻结构保持真假目标RCS序列特征提取方法。本发明提出一种近邻结构保持变换特征提取方法,该方法通过对同类样本特征之间的距离进行近邻结构保持加权,能够有效提取样本数据分布中的局部特征,克服常规变换法只能提取全局特征的缺陷,有效改善了对雷达真假目标的分类性能。
Description
技术领域
本发明属于雷达目标识别技术领域,具体涉及一种近邻结构保持真假目标RCS序列特征提取方法。
背景技术
在雷达目标识别中,主分量分析变换法能够保持目标数据分布的主要能量,在特征维数减少的同时能够获得较高的识别率,而判别矢量变换法能够增大异类目标特征之间的差异,同时减小同类目标特征之间的差异,从而提取到差异明显的特征,改善识别率。
但是,以上这些常规变换法只能提取到目标的全局特征,而忽略了更有利于目标识别的局部特征。因此,现有常规变换法的识别性能有进一步改善的余地。
发明内容
本发明针对上述问题,提出一种近邻结构保持变换特征提取方法,该方法通过对同类样本特征之间的距离进行近邻结构保持加权,能够有效提取样本数据分布中的局部特征,克服常规变换法只能提取全局特征的缺陷,有效改善了对雷达真假目标的分类性能。
本发明所采用的技术方案为:
设xij(n维列矢量)为第ith类真假目标的第jth个训练RCS数据序列帧,1≤i≤C,1≤j≤Ni,其中Ni为第ith类真假目标的训练RCS序列帧数,N为训练RCS序列总帧数。将训练RCS序列帧数据xij进行如下变换
zij=WTxij (1)
其中T表示矩阵转置,W为投影矩阵,zij为xij对应的特征矢量。在特征空间计算加权距离和
其中为加权系数
其中表示同类中与某个样本最近的k个样本的集合。从式(3)可见,当同类目标的两个样本互为k个最近样本时,其特征间距离的加权值等1,而其它的样本特征之间距离加权值为零。因此,数据分布的近邻局部结构能够得以保持。
利用矩阵迹的运算公式,并组合式(1)和式(2)
对式(4)化简,可得
J(W)=WTX(SW-ΩW)XTW (5)
其中
基于以上分析,建立如下的条件极值问题
其中即为近邻结构保持变换矩阵。通过求解式(9)中的条件极值问题,可得近邻结构保持搂换矩阵是由矩阵(X(SW-ΩW)XT)的r(<N)个最大本征值对应的本征矢量组成的矩阵。
解得近邻结构保持变换矩阵后,利用式(1)即可得到任意RCS序列帧xt对应的特征矢量zt。
本发明的有益效果为,本发明的方法能克服常规变换法只能提取全局特征的缺陷,有效改善了对雷达真假目标的分类性能。
具体实施方式
为了验证本发明所提方法的有效性,进行如下仿真实验。
设计四种仿真目标:真目标、碎片、轻诱饵和重诱饵。真目标为圆锥形目标,其几何尺寸:长度1820mm,底部直径540mm;轻诱饵为圆锥形目标,其几何尺寸:长度1910mm,底部直径620mm;重诱饵为圆锥形目标,其几何尺寸:长度600mm,底部直径200mm。真目标、轻诱饵和重诱饵的进动频率分别为2Hz、4Hz和10Hz。真目标、轻诱饵和重诱饵目标的RCS序列由FEKO计算得到,雷达载频3GHz,脉冲重复频率为20Hz。碎片的RCS序列假设为均值为0,方差为-20dB的高斯随机变量。极化方式为VV极化。计算目标运行时间为1000秒。以10秒为间隔将每目标的RCS序列数据划分为100帧,取帧号为偶数的RCS帧数据进行训练,其余帧数据作为测试数据,则每类目标有50个测试样本。
对四种目标(真目标、碎片、轻诱饵和重诱饵),利用本发明的近邻结构保持子特征提取方法和基于判别矢量变换特征提取方法进行了识别实验,结果如表一所示。实验近邻参数k=20。
从表1的结果可以看到,对真目标,判别矢量变换特征提取法的识别率为86%,而本发明的近邻结构保持识特征提取方法的识别率为94%;对碎片,判别矢量变换特征提取法的识别率为80%,而本发明的近邻结构保持特征提取方法的识别率为86%;对轻诱饵,判别矢量变换特征提取法的识别率为82%,而本发明的近邻结构保持特征提取方法的识别率为89%;对重诱饵,判别矢量变换特征提取法的识别率为84%,而本发明的近邻结构保持特征提取方法的识别率为86%。平均而言,对四类目标,本发明的近邻结构保持特征提取方法的正确识别率高于判别矢量变换特征提取法,表明本发明的近邻结构保持特征提取方法确实改善了多类目标的识别性能。
表1两种方法的识别结果
Claims (1)
1.一种近邻结构保持真假目标RCS序列特征提取方法,其特征在于,包括以下步骤:
S1、设n维列矢量xij为第ith类真假目标的第jth个训练RCS数据序列帧,1≤i≤C,1≤j≤Ni,其中Ni为第ith类真假目标的训练RCS序列帧数,N为训练RCS序列总帧数;
S2、采用近邻结构保持变换特征提取方法,构建目标函数,具体包括:
S21、将训练RCS序列帧数据xij进行如下变换
zij=WTxij (1)
其中T表示矩阵转置,W为投影矩阵,zij为xij对应的特征矢量;
S21、在特征空间计算加权距离和
其中为加权系数:
其中表示同类中与某个样本最近的k个样本的集合;
S22、利用矩阵迹的运算公式,并组合式(1)和式(2):
对式(4)化简,得
J(W)=WTX(SW-ΩW)XTW (5)
其中
S23、建立如下的条件极值问题:
其中即为近邻结构保持变换矩阵,再利用式(1)即可得到任意RCS序列帧xt对应的特征矢量zt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810822985.4A CN108549065B (zh) | 2018-07-25 | 2018-07-25 | 一种近邻结构保持真假目标rcs序列特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810822985.4A CN108549065B (zh) | 2018-07-25 | 2018-07-25 | 一种近邻结构保持真假目标rcs序列特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108549065A true CN108549065A (zh) | 2018-09-18 |
CN108549065B CN108549065B (zh) | 2021-06-04 |
Family
ID=63492370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810822985.4A Active CN108549065B (zh) | 2018-07-25 | 2018-07-25 | 一种近邻结构保持真假目标rcs序列特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108549065B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936597A (zh) * | 2022-05-20 | 2022-08-23 | 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 (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440512A (zh) * | 2013-09-17 | 2013-12-11 | 西安电子科技大学 | 一种基于张量局部保持投影的大脑认知状态的识别方法 |
CN104573672A (zh) * | 2015-01-29 | 2015-04-29 | 厦门理工学院 | 一种基于邻域保持的鉴别嵌入人脸识别方法 |
CN105260992A (zh) * | 2015-10-09 | 2016-01-20 | 清华大学 | 基于鲁棒主成分分解和特征空间重构的交通图像去噪算法 |
US20160267669A1 (en) * | 2015-03-12 | 2016-09-15 | James W. Justice | 3D Active Warning and Recognition Environment (3D AWARE): A low Size, Weight, and Power (SWaP) LIDAR with Integrated Image Exploitation Processing for Diverse Applications |
CN106682229A (zh) * | 2017-01-09 | 2017-05-17 | 北京邮电大学 | 一种面向数据分类的特征权重确定方法及装置 |
CN107037417A (zh) * | 2017-06-13 | 2017-08-11 | 电子科技大学 | 雷达真假目标一维像非线性最近邻子空间特征提取方法 |
CN107238823A (zh) * | 2017-06-13 | 2017-10-10 | 电子科技大学 | 真假目标的状态特征提取方法 |
CN107271965A (zh) * | 2017-06-13 | 2017-10-20 | 电子科技大学 | 类聚集子空间的真假目标一维距离像特征提取方法 |
-
2018
- 2018-07-25 CN CN201810822985.4A patent/CN108549065B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440512A (zh) * | 2013-09-17 | 2013-12-11 | 西安电子科技大学 | 一种基于张量局部保持投影的大脑认知状态的识别方法 |
CN104573672A (zh) * | 2015-01-29 | 2015-04-29 | 厦门理工学院 | 一种基于邻域保持的鉴别嵌入人脸识别方法 |
US20160267669A1 (en) * | 2015-03-12 | 2016-09-15 | James W. Justice | 3D Active Warning and Recognition Environment (3D AWARE): A low Size, Weight, and Power (SWaP) LIDAR with Integrated Image Exploitation Processing for Diverse Applications |
CN105260992A (zh) * | 2015-10-09 | 2016-01-20 | 清华大学 | 基于鲁棒主成分分解和特征空间重构的交通图像去噪算法 |
CN106682229A (zh) * | 2017-01-09 | 2017-05-17 | 北京邮电大学 | 一种面向数据分类的特征权重确定方法及装置 |
CN107037417A (zh) * | 2017-06-13 | 2017-08-11 | 电子科技大学 | 雷达真假目标一维像非线性最近邻子空间特征提取方法 |
CN107238823A (zh) * | 2017-06-13 | 2017-10-10 | 电子科技大学 | 真假目标的状态特征提取方法 |
CN107271965A (zh) * | 2017-06-13 | 2017-10-20 | 电子科技大学 | 类聚集子空间的真假目标一维距离像特征提取方法 |
Non-Patent Citations (5)
Title |
---|
DAIYING ZHOU等: "Ballistic Target Recognition Based on Micro-motion characteristics Using Sequential HRRPs", 《 IEEE INTERNATIONAL CONFERENCE ON ELECTRONICS INFORMATION AND EMERGENCY COMMUNICATION》 * |
YUE JIANG等: "Target recognition of radar HRRP using manifold learning with feature weighting", 《2016 IEEE INTERNATIONAL WORKSHOP ON ELECTROMAGNETICS: APPLICATIONS AND STUDENT INNOVATION COMPETITION (IWEM)》 * |
周代英等: "基于判别矢量子空间的雷达目标距离剖面像识别", 《电波科学学报》 * |
李雅倩等: "融合全局与局部多样性特征的人脸表情识别", 《光学学报》 * |
顾播宇: "基于特征加权模块双方向二维主成分分析的人脸识别", 《吉林大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936597A (zh) * | 2022-05-20 | 2022-08-23 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN108549065B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242010A (zh) | 一种稀疏学习rcs序列特征提取方法 | |
CN102663752B (zh) | 一种sam加权kest高光谱异常检测算法 | |
CN107271965B (zh) | 类聚集子空间的真假目标一维距离像特征提取方法 | |
CN104680184B (zh) | 基于深度rpca的极化sar地物分类方法 | |
CN110007286A (zh) | 一种线性判别学习真假目标一维距离像特征提取方法 | |
CN106228182B (zh) | 基于spm和深度增量svm的sar图像分类方法 | |
CN109975762A (zh) | 一种水下声源定位方法 | |
CN104751183B (zh) | 基于张量mpca的极化sar图像分类方法 | |
CN108983127B (zh) | 一种基于光谱数据的赤铁矿磁性率检测方法 | |
CN108845302A (zh) | 一种k近邻变换真假目标特征提取方法 | |
CN108828533A (zh) | 一种类内样本相似结构保持非线性投影特征提取方法 | |
CN108845303A (zh) | 一种非线性稳健子空间真假目标特征提取方法 | |
CN108549065A (zh) | 一种近邻结构保持真假目标rcs序列特征提取方法 | |
CN108564096B (zh) | 一种邻域拟合rcs序列特征提取方法 | |
CN110033043B (zh) | 基于条件生成式对抗网络的雷达一维距离像拒判方法 | |
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 | |
CN105184829A (zh) | 一种紧密空间目标检测和高精度质心定位方法 | |
CN108594202B (zh) | 一种邻域分布结构非线性投影目标特征提取方法 | |
CN110068799B (zh) | 一种稀疏邻域中心保持rcs序列特征提取方法 | |
CN108828574B (zh) | 一种类间分离增强子空间真假目标特征提取方法 | |
CN114092799A (zh) | 基于池化视觉Transformer林业害虫识别检测方法 | |
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 | |
CN109948520A (zh) | 一种基于多时相双极化sar特征曲线的农作物分类方法 | |
CN109508350A (zh) | 一种对数据进行采样的方法和装置 | |
CN108710113A (zh) | 一种真假目标特征提取方法 |
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 |