CN108710113A - 一种真假目标特征提取方法 - Google Patents

Abstract

本发明属于雷达目标识别技术领域，具体的说是一种真假目标特征提取方法。该方法通过对同类样本非线性特征间的差异值进行基于距离函数的加权，而不考虑异类样本非线性特征之间的差别，增强同类目标样本的分布紧密度，能够提取目标样本数据分布的局部结构特征，克服了常规特征子空间及正则子空间只能提取目标数据分布全局结构特征的缺点，从而提高目标识别性能，对四类仿真目标的一维距离像数据进行了仿真实验，实验结果验证了方法的有效性。

Description

一种真假目标特征提取方法

技术领域

本发明属于雷达目标识别技术领域，具体的说是一种真假目标特征提取方法。

背景技术

在雷达目标识别中，常规特征子空间与正则子空间方法是有效的特征提取方法。特征子空间能够保持目标数据分布主要能量方向，而正则子空间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。因此，这些线性子空间法获得了良好的分类性能。

但是，当样本数据中呈现明显的非线性时，以上线性子空间法的识别性能会下降。为了克服数据非线性分布的影响，提出了非线性子空间方法，例如非线性特征子空间法、非线性正则子空间法等，识别性能有了一定的改善。然而，这些非线性方法只能提取数据分布的全局结构特征，忽视了局部结构特征，而局部结构特征有利于提高识别率。现有常规非线性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，就是针对上述问题，提出一种距离函数加权非线性子空间的真假目标特征提取方法。

本发明的技术方案为：

一种真假目标特征提取方法，其特征在于，包括以下步骤：

a、设n维列矢量x_ij为第i^th类真假目标的第j^th个训练一维距离像,1≤i≤g，1≤j≤N_i，其中N_i为第i^th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；

b、采用距离函数加权非线性子空间特征提取方法，构建目标函数，具体包括：

b1、对训练一维距离像x_ij进行如下变换：

y_ij＝A^Tφ(x_ij) (1)

其中，φ(·)为非线性映射函数，A为变换矩阵，y_ij为x_ij对应的非线性特征矢量，T表示矩阵转置；

b2、在非线性特征空间计算任意两个样本数据之间的加权距离平方和：

其中w_ij,kr为加权系数：

其中σ²是一个参数，根据实际需求进行预设；

式(3)表示，当两个样本属于同一个目标类时，其加权值不等于零，而两个样本属于不同目标类时，其加权值为零；

将式(1)代入式(2)：

利用矩阵迹的运算公式，将式(4)转换为：

令

其中α_lm是系数，将式(6)代入式(5)：

引入核函数：

k(x_ij,x_kr)＝φ(x_ij)^Tφ(x_kr) (8)

将式(8)代入式(7)，化简可得：

其中

P＝2(D-W) (12)

b3、在α^T(KDK^T)α＝1的条件下，求使式(8)中J(α)最小的α，即：

求解式(14)中的极小化问题，可得如下的特征方程：

(KPK^T)α＝λ(KDK^T)α (15)

b4、求解式(15)中的特征方程，取矩阵(KDK^T)^-1(KPK^T)的M个最大的特征值对应的特征矢量α₁,α₂,…,α_M，代入式(6)中，可得距离函数加权非线性子空间矩阵A：

M≤N；

b5、组合式(1)和式(16)可得目标函数：

利用式(17)可得到任意一维距离像样本对应的非线性特征矢量。

本发明的有益效果为：通过对同类样本非线性特征之间的差值进行基于距离函数的加权，而对不考虑异类样本非线性特征之间的差值，增强目标样本分布的紧密度，能够提取目标样本数据分布的局部结构特征，克服常规非线性子空间的缺陷，有效改善了对雷达真假目标的分类性能。

具体实施方式

下面结合仿真数据描述本发明的实际应用效果：

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°～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°、...、70°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35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°～70°范围内,利用本发明的监督加权非线性子空间特征提取方法和基于非线性正则子空间特征提取方法进行了识别实验，结果如表1所示：

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，非线性正则子空间特征提取法的识别率为89％，而本发明的监督加权非线性子空间识特征提取方法的识别率为96％；对碎片，非线性正则子空间特征提取法的识别率为84％，而本发明的距离函数加权非线性子空间特征提取方法的识别率为90％；对轻诱饵，非线性正则子空间特征提取法的识别率为86％，而本发明的距离函数加权非线性子空间特征提取方法的识别率为89％；对重诱饵，非线性正则子空间特征提取法的识别率为88％，而本发明的距离函数加权非线性子空间特征提取方法的识别率为92％。平均而言，对四类目标，本发明的距离函数加权非线性子空间特征提取方法的正确识别率高于非线性正则子空间特征提取法，表明本发明的距离函数加权非线性子空间特征提取方法确实改善了多类目标的识别性能。

Claims (1)

1.一种真假目标特征提取方法，其特征在于，包括以下步骤：

a、设n维列矢量x_ij为第i^th类真假目标的第j^th个训练一维距离像,1≤i≤g，1≤j≤N_i，其中N_i为第i^th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；

b、采用距离函数加权非线性子空间特征提取方法，构建目标函数，具体包括：

b1、对训练一维距离像x_ij进行如下变换：

y_ij＝A^Tφ(x_ij) (1)

其中，φ(·)为非线性映射函数，A为变换矩阵，y_ij为x_ij对应的非线性特征矢量，T表示矩阵转置；

b2、在非线性特征空间计算任意两个样本数据之间的加权距离平方和：

其中w_ij,kr为加权系数：

其中σ²是一个参数，根据实际需求进行预设；

式(3)表示，当两个样本属于同一个目标类时，其加权值不等于零，而两个样本属于不同目标类时，其加权值为零；

将式(1)代入式(2)：

利用矩阵迹的运算公式，将式(4)转换为：

令

其中α_lm是系数，将式(6)代入式(5)：

引入核函数：

k(x_ij,x_kr)＝φ(x_ij)^Tφ(x_kr) (8)

将式(8)代入式(7)，化简可得：

其中

P＝2(D-W) (12)

b3、在α^T(KDK^T)α＝1的条件下，求使式(8)中J(α)最小的α，即：

求解式(14)中的极小化问题，可得如下的特征方程：

(KPK^T)α＝λ(KDK^T)α (15)

b4、求解式(15)中的特征方程，取矩阵(KDK^T)^-1(KPK^T)的M个最大的特征值对应的特征矢量α₁,α₂,…,α_M，代入式(6)中，可得距离函数加权非线性子空间矩阵A：

M≤N；

b5、组合式(1)和式(16)可得目标函数：

利用式(17)可得到任意一维距离像样本对应的非线性特征矢量。