CN108564096B - 一种邻域拟合rcs序列特征提取方法 - Google Patents

一种邻域拟合rcs序列特征提取方法 Download PDF

Info

Publication number
CN108564096B
CN108564096B CN201810383366.XA CN201810383366A CN108564096B CN 108564096 B CN108564096 B CN 108564096B CN 201810383366 A CN201810383366 A CN 201810383366A CN 108564096 B CN108564096 B CN 108564096B
Authority
CN
China
Prior art keywords
neighborhood
matrix
formula
rcs
rcs sequence
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
CN201810383366.XA
Other languages
English (en)
Other versions
CN108564096A (zh
Inventor
周代英
冯健
张瑛
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 CN201810383366.XA priority Critical patent/CN108564096B/zh
Publication of CN108564096A publication Critical patent/CN108564096A/zh
Application granted granted Critical
Publication of CN108564096B publication Critical patent/CN108564096B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于雷达目标识别技术领域，具体的说是一种邻域拟合RCS序列特征提取方法。本发明的方法首先利用邻域样本特征对某个样本特征进行拟合，以拟合误差作为目标函数，建立变换矩阵，利用该变换矩阵提取的特征保持了样本邻域局部结构信息，从而提高了目标识别性能，克服了传统变换方法只能提取全局结构特征的缺点，对四类仿真目标的RCS数据进行了仿真实验，实验结果验证了方法的有效性。

Description

一种邻域拟合RCS序列特征提取方法
技术领域
本发明属于雷达目标识别技术领域，具体的说是一种邻域拟合RCS序列特征提取方法。
背景技术
在雷达目标识别中，传统变换法从整体角度对数据进行分析，能够提取到目标数据的全局结构特征。如主分量分析变换法能够保持所有训练目标数据分布的主要能量方向，以主能量方向的差异特点来识别目标类别，而判别矢量变换法通过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，从而改善目标识别率。但是，传统变换方法忽略了更有利于目标识别的局部结构特征，因此，现有传统变换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，就是针对上述问题，提出一种邻域拟合特征提取方法，该方法首先利用邻域样本特征对某个样本特征进行拟合，以拟合误差作为目标函数，建立变换矩阵，利用该变换矩阵提取的特征保持了样本邻域局部结构信息，从而提高了目标识别性能，克服了传统变换方法只能提取全局结构特征的缺点，有效改善了对雷达真假目标的分类性能。
本发明的技术方案为：
一种邻域拟合RCS序列特征提取方法，其特征在于，包括以下步骤：
a、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；
b、采用邻域拟合RCS序列特征提取方法，构建目标函数，具体包括：
b1、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；
b2、在特征空间建立邻域拟合误差目标函数：
其中，为对应样本特征的邻域样本特征的集合，ωij,ik是加权权值，满足：
将式(2)写成矢量、矩阵形式：
J(W)＝ZT(I-Ω)T(I-Ω)Z (4)
其中I是单位矩阵，
b3、利用矩阵迹的运算公式，将式(4)转换为
J(W)＝tr{Z(I-Ω)(I-Ω)TZT} (7)
其中tr{·}取矩阵的迹；
将式(1)代入式(7)，可得：
其中
Η＝((I-Ω)(I-Ω)T)1/2 (9)
b3、建立条件极值方程，即使式(8)中的J(W)达到最小的W：
求解式(11)中的条件极值问题，可得到邻域拟合变换矩阵即是由矩阵(XXT)-1(XHXT)的m个最大的特征值对应的特征向量组成的矩阵，m<n；
b4、得到邻域拟合变换矩阵后，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：提高了目标识别性能，克服了传统变换方法只能提取全局结构特征的缺点。
具体实施方式
下面结合仿真数据描述本发明的实际应用效果：
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900秒。以10秒为间隔将每目标的RCS序列数据划分为90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45个测试样本。
对四种目标(真目标、碎片、轻诱饵和重诱饵)，利用本文的近邻结构保持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1所示，实验参数：给定20个样本距离最近的权值为1/20，其它权值为零：
表1两种方法的识别结果
从表1的结果可以看到，对真目标，主分量分析变换特征提取法的识别率为88％，而本文的邻域拟合识特征提取方法的识别率为95％；对碎片，主分量分析变换特征提取法的识别率为82％，而本文的邻域拟合特征提取方法的识别率为87％；对轻诱饵，主分量分析变换特征提取法的识别率为84％，而本文的邻域拟合特征提取方法的识别率为90％；对重诱饵，主分量分析变换特征提取法的识别率为86％，而本文的邻域拟合特征提取方法的识别率为91％。平均而言，对四类目标，本文的邻域拟合特征提取方法的正确识别率高于主分量分析变换特征提取法，表明本文的邻域拟合特征提取方法确实改善了多类目标的识别性能。

Claims (1)

1.一种邻域拟合RCS序列特征提取方法，其特征在于，包括以下步骤：
a、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；
b、采用邻域拟合RCS序列特征提取方法，构建目标函数，具体包括：
b1、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；
b2、在特征空间建立邻域拟合误差目标函数：
其中，N(zij)为对应样本特征的邻域样本特征的集合，wij,ik是加权权值，满足：
将式(2)写成矢量、矩阵形式：
J(W)＝ZT(I-Ω)T(I-Ω)Z (4)
其中I是单位矩阵，
b3、利用矩阵迹的运算公式，将式(4)转换为
J(W)＝tr{Z(I-Ω)(I-Ω)TZT} (7)
其中tr{·}取矩阵的迹；
将式(1)代入式(7)，可得：
其中
Η＝((I-Ω)(I-Ω)T)1/2 (9)
b3、建立条件极值方程，即使式(8)中的J(W)达到最小的W：
求解式(11)中的条件极值问题，可得到邻域拟合变换矩阵即是由矩阵(XXT)-1(XHXT)的m个最大的特征值对应的特征向量组成的矩阵，m<n；
b4、得到邻域拟合变换矩阵后，利用式(1)即可得到任意RCS序列帧xt对应的特征矢量zt。
CN201810383366.XA 2018-04-26 2018-04-26 一种邻域拟合rcs序列特征提取方法 Active CN108564096B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810383366.XA CN108564096B (zh) 2018-04-26 2018-04-26 一种邻域拟合rcs序列特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810383366.XA CN108564096B (zh) 2018-04-26 2018-04-26 一种邻域拟合rcs序列特征提取方法

Publications (2)

Publication Number Publication Date
CN108564096A CN108564096A (zh) 2018-09-21
CN108564096B true CN108564096B (zh) 2019-11-19

Family

ID=63536850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810383366.XA Active CN108564096B (zh) 2018-04-26 2018-04-26 一种邻域拟合rcs序列特征提取方法

Country Status (1)

Country Link
CN (1) CN108564096B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214365A (zh) * 2018-10-24 2019-01-15 李云涛 一种遍历随机森林空间目标分类识别方法
CN110031815A (zh) * 2019-04-22 2019-07-19 电子科技大学 一种基于组合函数的空间目标rcs序列周期估计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102801426B (zh) * 2012-06-08 2015-04-22 深圳信息职业技术学院 一种时序数据拟合及压缩方法
CN105046694A (zh) * 2015-07-02 2015-11-11 哈尔滨工程大学 一种基于曲面拟合系数特征的点云快速配准方法
CN106772307A (zh) * 2017-03-02 2017-05-31 电子科技大学 一种基于多雷达信息的真假弹头目标识别方法
CN107238822A (zh) * 2017-06-13 2017-10-10 电子科技大学 真假目标一维距离像正交非线性子空间特征提取方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016201671A1 (zh) * 2015-06-18 2016-12-22 北京大学深圳研究生院 一种三维点云的局部特征提取方法及装置
CN107092020B (zh) * 2017-04-19 2019-09-13 北京大学 融合无人机LiDAR和高分影像的路面平整度监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102801426B (zh) * 2012-06-08 2015-04-22 深圳信息职业技术学院 一种时序数据拟合及压缩方法
CN105046694A (zh) * 2015-07-02 2015-11-11 哈尔滨工程大学 一种基于曲面拟合系数特征的点云快速配准方法
CN106772307A (zh) * 2017-03-02 2017-05-31 电子科技大学 一种基于多雷达信息的真假弹头目标识别方法
CN107238822A (zh) * 2017-06-13 2017-10-10 电子科技大学 真假目标一维距离像正交非线性子空间特征提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Ballistic target recognition based on micro-motion characteristics using sequential HRRPs;Daiying Zhou etal.;《2013 IEEE 4th International Conference on Electronics Information and Emergency Communication》;20131117;第165-168页 *
三维点云数据处理中的若干关键技术研究;雷玉珍;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140615;第10-29页 *
非线性正则子空间法雷达目标一维距离像识别;周代英;《信号处理》;20080229;第24卷(第1期);第11-13页 *

Also Published As

Publication number Publication date
CN108564096A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
CN109242010A (zh) 一种稀疏学习rcs序列特征提取方法
CN106951915B (zh) 一种基于类别置信度的一维距离像多分类器融合识别法
CN108564096B (zh) 一种邻域拟合rcs序列特征提取方法
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
CN108133232A (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
CN105116397B (zh) 基于mmfa模型的雷达高分辨率距离像目标识别方法
CN103941244B (zh) 一种雷达目标一维距离像局部最优子空间识别方法
CN110988804B (zh) 一种基于雷达脉冲序列的雷达辐射源个体识别系统
CN107271965A (zh) 类聚集子空间的真假目标一维距离像特征提取方法
CN103474065A (zh) 基于自动分类技术的语音意图判定识别方法
CN109975762A (zh) 一种水下声源定位方法
CN101598784B (zh) 基于fa模型的强噪声背景下雷达距离像统计识别方法
CN108845302A (zh) 一种k近邻变换真假目标特征提取方法
Travadi et al. Modified-prior i-vector estimation for language identification of short duration utterances
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
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
Persico et al. Micro-Doppler classification of ballistic threats using Krawtchouk moments
CN105632502A (zh) 一种基于加权成对约束度量学习算法的说话人识别方法
CN108828574A (zh) 一种类间分离增强子空间真假目标特征提取方法
CN108845303A (zh) 一种非线性稳健子空间真假目标特征提取方法
CN110378374A (zh) 一种模糊鉴别信息提取的茶叶近红外光谱分类方法
CN110221267A (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
CN110068799A (zh) 一种稀疏邻域中心保持rcs序列特征提取方法
CN108594202A (zh) 一种邻域分布结构非线性投影目标特征提取方法
CN108549065A (zh) 一种近邻结构保持真假目标rcs序列特征提取方法

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