CN108594202B - 一种邻域分布结构非线性投影目标特征提取方法 - Google Patents
一种邻域分布结构非线性投影目标特征提取方法 Download PDFInfo
- Publication number
- CN108594202B CN108594202B CN201810822980.1A CN201810822980A CN108594202B CN 108594202 B CN108594202 B CN 108594202B CN 201810822980 A CN201810822980 A CN 201810822980A CN 108594202 B CN108594202 B CN 108594202B
- Authority
- CN
- China
- Prior art keywords
- formula
- nonlinear
- distribution structure
- neighborhood
- matrix
- 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
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,具体涉及一种邻域分布结构非线性投影目标特征提取方法。本发明提出一种邻域分布结构非线性投影特征提取方法,该方法通过利用邻域样本构建非线性投影矩阵,增大近邻样本的作用,而降低远距离分散样本的影响,能够有效提取非高斯分布数据的非线性局部结构特征,克服常规非线性投影法的缺陷,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,具体涉及一种邻域分布结构非线性投影目标特征提取方法。
背景技术
投影方法在雷达目标识别中得到了广泛的应用,主分量投影法能够很好地表示目标数据集的主分量方向,而判别矢量投影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,从而提取到更有利于分类的特征。
但是,样本数据分布中出现明显的非线性时,以上线性投影法不能有效处理非线性问题,其识别性能明显下降,甚至无法完成识别任务。因此,提出了很多基于核函数的非线性投影法,这些非线性投影法由于能够更好地表示数据中出现的非线性,因此,非线性投影法的识别性能有了较大的改善。
然而,以上这些非线性投影法只适合于样本数据是高斯分布的情况,而实际中样本数据的分布可能是非高斯分布,针对非高斯分布情况,现有非线性投影法的识别性能显著降低。研究结果表明现有常非线性投影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,提出一种邻域分布结构非线性投影特征提取方法,该方法通过利用邻域样本构建非线性投影矩阵,增大近邻样本的作用,而降低远距离分散样本的影响,能够有效提取非高斯分布数据的非线性局部结构特征,克服常规非线性投影法的缺陷,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:
一种邻域分布结构非线性投影目标特征提取方法,其特征在于,包括以下步骤:
S2、采用邻域分布结构非线性投影特征提取方法,构建目标函数,具体包括:
S21、将训练一维距离像xij进行非线性变换
yij=ATφ(xij) (1)
其中φ(·)为非线性映射函数,A为变换矩阵,yij为xij对应的非线性特征矢量,T表示矩阵转置;
S22、在非线性特征空间计算同类任意两个样本非线性特征矢量之间的调制距离平方和:
利用矩阵迹的运算公式,式(2)转换为:
将式(1)代入式(4)
对式(5)化简,得
其中
S23、在特征空间计算异类目标样本非线性特征间的调制距离平方和:
利用矩阵迹的运算公式,式(10)转换为
将式(1)代入式(12)
对式(13)化简,得
其中
令
其中
将式(18)代入式(17)
定义核函数k(xij,xlk)=φ(xij)Tφ(xlk)并代入式(20)
其中
K=φ(X)Tφ(X) (22)
S25、将式(23)代入式(1)得到xij的非线性特征矢量yij:
利用式(24)即可得到任意样本xt的特征矢量yt。
本发明的有益效果为,能够有效提取非高斯分布数据的非线性局部结构特征,克服常规非线性投影法的缺陷,有效改善了对雷达真假目标的分类性能。
具体实施方式
为了验证所提方法的有效性,进行如下仿真实验。
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°~80°范围内每隔1°的一维距离像中,取目标姿态角为0°、2°、4°、6°、...、80°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40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0°~80°范围内,利用本发明的邻域分布结构非线性投影特征提取方法和基于非线性判别矢量投影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k1=20,k2=10,核函数为
从表1的结果可以看到,对真目标,非线性判别矢量投影特征提取法的识别率为86%,而本发明的邻域分布结构非线性投影识特征提取方法的识别率为92%;对碎片,非线性判别矢量投影特征提取法的识别率为80%,而本发明的邻域分布结构非线性投影特征提取方法的识别率为82%;对轻诱饵,非线性判别矢量投影特征提取法的识别率为85%,而本发明的邻域分布结构非线性投影特征提取方法的识别率为85%;对重诱饵,非线性判别矢量投影特征提取法的识别率为84%,而本发明的邻域分布结构非线性投影特征提取方法的识别率为88%。平均而言,对四类目标,本发明的邻域分布结构非线性投影特征提取方法的正确识别率高于非线性判别矢量投影特征提取法,表明本发明的邻域分布结构非线性投影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)
1.一种邻域分布结构非线性投影目标特征提取方法,其特征在于,包括以下步骤:
S2、采用邻域分布结构非线性投影特征提取方法,构建目标函数,具体包括:
S21、将训练一维距离像xij进行非线性变换
yij=ATφ(xij) (1)
其中φ(·)为非线性映射函数,A为变换矩阵,yij为xij对应的非线性特征矢量,T表示矩阵转置;
S22、在非线性特征空间计算同类任意两个样本非线性特征矢量之间的调制距离平方和:
利用矩阵迹的运算公式,式(2)转换为:
将式(1)代入式(4)
对式(5)化简,得
其中
S23、在特征空间计算异类目标样本非线性特征间的调制距离平方和:
利用矩阵迹的运算公式,式(10)转换为
将式(1)代入式(12)
对式(13)化简,得
其中
令
其中
将式(18)代入式(17)
定义核函数k(xij,xlk)=φ(xij)Tφ(xlk)并代入式(20)
其中
K=φ(X)Tφ(X) (22)
S25、将式(23)代入式(1)得到xij的非线性特征矢量yij:
利用式(24)即可得到任意样本xt的特征矢量yt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810822980.1A CN108594202B (zh) | 2018-07-25 | 2018-07-25 | 一种邻域分布结构非线性投影目标特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810822980.1A CN108594202B (zh) | 2018-07-25 | 2018-07-25 | 一种邻域分布结构非线性投影目标特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108594202A CN108594202A (zh) | 2018-09-28 |
CN108594202B true CN108594202B (zh) | 2021-07-27 |
Family
ID=63618808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810822980.1A Active CN108594202B (zh) | 2018-07-25 | 2018-07-25 | 一种邻域分布结构非线性投影目标特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108594202B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007286B (zh) * | 2019-04-22 | 2022-05-24 | 电子科技大学 | 一种线性判别学习真假目标一维距离像特征提取方法 |
CN113191447B (zh) * | 2021-05-17 | 2022-05-24 | 电子科技大学 | 一种未知目标判别中的样本分布结构图特征提取方法 |
CN114970706B (zh) * | 2022-05-20 | 2024-04-16 | 电子科技大学 | 一种真假目标一维距离像多特征非线性融合分类识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103251411A (zh) * | 2013-04-08 | 2013-08-21 | 杭州电子科技大学 | 一种基于复杂度的压力中心非线性特征提取方法 |
CN106203480B (zh) * | 2016-06-29 | 2019-06-04 | 华侨大学 | 基于缺损数据的非线性特征提取和分类方法 |
KR101811962B1 (ko) * | 2016-12-07 | 2017-12-22 | 울산대학교 산학협력단 | 비선형 데이터의 클래스 변별성 평가 방법 및 장치 |
-
2018
- 2018-07-25 CN CN201810822980.1A patent/CN108594202B/zh active Active
Non-Patent Citations (1)
Title |
---|
Tree-Structured Feature Extraction Using Mutual Information;F Oveisi 等;《IEEE Transactions on Neural Networks and Learning Systems》;20120105;第127-137页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108594202A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108761411B (zh) | 一种真假目标一维距离像特征提取方法 | |
CN108594202B (zh) | 一种邻域分布结构非线性投影目标特征提取方法 | |
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 | |
CN108845302B (zh) | 一种k近邻变换真假目标特征提取方法 | |
CN107271965B (zh) | 类聚集子空间的真假目标一维距离像特征提取方法 | |
CN107037417B (zh) | 雷达真假目标一维像非线性最近邻子空间特征提取方法 | |
CN108845303B (zh) | 一种非线性稳健子空间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 | |
CN110658507B (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 | |
CN108828574B (zh) | 一种类间分离增强子空间真假目标特征提取方法 | |
CN109242010A (zh) | 一种稀疏学习rcs序列特征提取方法 | |
CN108828533B (zh) | 一种类内样本相似结构保持非线性投影特征提取方法 | |
CN114241233B (zh) | 一种非线性类组稀疏表示真假目标一维距离像识别方法 | |
CN106097292B (zh) | 一种用于遥感影像处理的时空邻域高斯加权中值滤波方法 | |
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 | |
Du et al. | Local aggregative attack on SAR image classification models | |
CN109948520B (zh) | 一种基于多时相双极化sar特征曲线的农作物分类方法 | |
CN114280566B (zh) | 一种类标签关联一维距离像识别方法 | |
CN108549065B (zh) | 一种近邻结构保持真假目标rcs序列特征提取方法 | |
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 | |
CN108389196B (zh) | 基于极化特征的分布式散射中心快速提取方法和装置 | |
CN107403136A (zh) | 基于结构保持字典学习的sar目标型号识别方法 | |
CN113960553B (zh) | 一种一维像识别中的高斯权值分布特征提取方法 |
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 |