CN108828533A - 一种类内样本相似结构保持非线性投影特征提取方法 - Google Patents
一种类内样本相似结构保持非线性投影特征提取方法 Download PDFInfo
- Publication number
- CN108828533A CN108828533A CN201810383375.9A CN201810383375A CN108828533A CN 108828533 A CN108828533 A CN 108828533A CN 201810383375 A CN201810383375 A CN 201810383375A CN 108828533 A CN108828533 A CN 108828533A
- Authority
- CN
- China
- Prior art keywords
- sample
- linear projection
- class
- formula
- similar structure
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
-
- 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,具体的说是一种类内样本相似结构保持非线性投影特征提取方法。本发明的方法利用类内样本相似结构计算目标函数,建立非线性投影矩阵,在目标样本数据分布出现非线性的情况下,能够保持类内样本相似的局部结构,获得非线性投影特征,克服了常规非线性子空间只能提取样本数据全局非线性特征的缺点,从而提高了目标识别性能,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
技术领域
本发明属于雷达目标识别技术领域,具体的说是一种类内样本相似结构保持非线性投影特征提取方法。
背景技术
在雷达目标识别中,样本数据分布中会出现明显的非线性,造成线性子空间法的识别性能明显下降,甚至无法完成识别任务。而基于核函数的非线性子空间法,由于能够更好地表示数据中出现的非线性,因此,非线性子空间法的识别性能有了较大的改善。
然而,这些非线性子空间法只能够提取到样本数据分布中的全局非线性特征,而研究表明,数据分布中的局部结构非线性特征更有利于目标分类,因此,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,提出一种类内样本相似结构保持非线性投影的目标特征提取方法,利用类内样本相似结构计算目标函数,建立非线性投影矩阵,在目标样本数据分布出现非线性的情况下,能够保持类内样本相似结构,获得有利于分类的非线性局部结构投影特征,克服了常规非线性子空间只能提取样本数据全局非线性特征的缺点,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:
一种类内样本相似结构保持非线性投影特征提取方法,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、采用类内样本相似结构保持非线性投影特征提取方法,构建目标函数,具体包括:
b1、将训练RCS序列帧数据xij的非线性映射进行如下变换:
zij=WTφ(xij) (1)
其中,T表示矩阵转置,φ(·)为非线性映射函数,W为变换矩阵,zij为xij对应的非线性特征矢量;
b2、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差值平方和:
其中,为类内样本相似结构保持系数:
其中Πk(·)表示类内样本k个最相似样本的集合;式(3)表示,当同一目标的两个样本属于同一相似样本集合时,其样本对应的非线性投影之间的差异值包含在目标函数中,用于构建非线性投影矩阵;而不属于相似样本集合的其它样本对应的非线性投影间差异值将不包含在目标函数中,对非线性投影矩阵的构建没有任何影响;
b3、利用矩阵迹的运算公式,将式(2)转换为
将公式(1)代入(4),可得:
公式(5)可化简为:
其中
b3、建立条件极值:
令
其中
将式(11)代入式(6),并组合式(10)可得:
定义核函数k(xij,xlk)=φ(xij)Tφ(xlk),并代入式(13):
其中
b4、通过求解式(14)的条件极值问题,可获得类内样本相似结构保持非线性投影矩阵即由矩阵的R最大特征值对应的特征矢量组成的矩阵,R≤N:
结合式(16)和式(1),即可得到xij的非线性投影矢量zij。
本发明的有益效果为:在目标样本数据分布出现非线性的情况下,能够保持类内样本相似的局部结构,获得非线性投影特征,克服了常规非线性子空间只能提取样本数据全局非线性特征的缺点,从而提高了目标识别性能。
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1200秒。以10秒为间隔将每目标的RCS序列数据等长划分为120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60个测试样本。
对四种目标(真目标、碎片、轻诱饵和重诱饵),利用本文的类内样本相似结构保持非线性投影特征提取方法和基于非线性判别矢量子空间特征提取方法进行了识别实验,结果如表1所示,实验近邻参数k=20,核函数为
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,非线性判别矢量子空间特征提取法的识别率为86%,而本文的类内样本相似结构保持非线性投影特征提取方法的识别率为94%;对碎片,非线性判别矢量子空间特征提取法的识别率为82%,而本文的类内样本相似结构保持非线性投影特征提取方法的识别率为85%;对轻诱饵,非线性判别矢量子空间特征提取法的识别率为84%,而本文的类内样本相似结构保持非线性投影特征提取方法的识别率为87%;对重诱饵,非线性判别矢量子空间特征提取法的识别率为85%,而本文的类内样本相似结构保持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,本文的类内样本相似结构保持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子空间特征提取法,表明本文的类内样本相似结构保持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。
Claims (1)
1.一种类内样本相似结构保持非线性投影特征提取方法,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、采用类内样本相似结构保持非线性投影特征提取方法,构建目标函数,具体包括:
b1、将训练RCS序列帧数据xij的非线性映射进行如下变换:
zij=WTφ(xij) (1)
其中,T表示矩阵转置,φ(·)为非线性映射函数,W为变换矩阵,zij为xij对应的非线性特征矢量;
b2、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差值平方和:
其中,为类内样本相似结构保持系数:
其中Πk(·)表示类内样本k个最相似样本的集合;式(3)表示,当同一目标的两个样本属于同一相似样本集合时,其样本对应的非线性投影之间的差异值包含在目标函数中,用于构建非线性投影矩阵;而不属于相似样本集合的其它样本对应的非线性投影间差异值将不包含在目标函数中,对非线性投影矩阵的构建没有任何影响;
b3、利用矩阵迹的运算公式,将式(2)转换为
将公式(1)代入(4),可得:
公式(5)可化简为:
其中
b3、建立条件极值:
令
其中
将式(11)代入式(6),并组合式(10)可得:
定义核函数k(xij,xlk)=φ(xij)Tφ(xlk),并代入式(13):
其中
b4、通过求解式(14)的条件极值问题,可获得类内样本相似结构保持非线性投影矩阵即由矩阵的R最大特征值对应的特征矢量组成的矩阵,R≤N:
结合式(16)和式(1),即可得到xij的非线性投影矢量zij。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810383375.9A CN108828533B (zh) | 2018-04-26 | 2018-04-26 | 一种类内样本相似结构保持非线性投影特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810383375.9A CN108828533B (zh) | 2018-04-26 | 2018-04-26 | 一种类内样本相似结构保持非线性投影特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108828533A true CN108828533A (zh) | 2018-11-16 |
CN108828533B CN108828533B (zh) | 2021-12-31 |
Family
ID=64155598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810383375.9A Active CN108828533B (zh) | 2018-04-26 | 2018-04-26 | 一种类内样本相似结构保持非线性投影特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108828533B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183617A (zh) * | 2020-09-25 | 2021-01-05 | 电子科技大学 | 样本与类标签最大相关子空间rcs序列特征提取方法 |
US20210042603A1 (en) * | 2018-09-04 | 2021-02-11 | Tencent Technology (Shenzhen) Company Limited | Method, apparatus, and storage medium for generating network representation for neural network |
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 (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003102211A2 (en) * | 2002-05-30 | 2003-12-11 | Chan Sheng Liu | Method of detecting dna variation in sequence data |
CN101241184A (zh) * | 2008-03-12 | 2008-08-13 | 电子科技大学 | 一维距离像的非线性子空间识别方法 |
CN102867191A (zh) * | 2012-09-04 | 2013-01-09 | 广东群兴玩具股份有限公司 | 一种基于流形子空间学习的降维方法 |
WO2013159356A1 (zh) * | 2012-04-28 | 2013-10-31 | 中国科学院自动化研究所 | 基于判别相关分析的跨媒体检索方法 |
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 |
CN103675787A (zh) * | 2013-12-03 | 2014-03-26 | 电子科技大学 | 一种雷达目标一维距离像最优正交非线性子空间识别方法 |
WO2015008310A1 (en) * | 2013-07-19 | 2015-01-22 | Consiglio Nazionale Delle Ricerche | Method for filtering of interferometric data acquired by synthetic aperture radar (sar) |
CN106199544A (zh) * | 2016-06-24 | 2016-12-07 | 电子科技大学 | 基于核鉴别局部切空间排列的雷达目标距离像识别方法 |
US20170019653A1 (en) * | 2014-04-08 | 2017-01-19 | Sun Yat-Sen University | Non-feature extraction-based dense sfm three-dimensional reconstruction method |
CN106874841A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于正则化局部保持投影的sar变形目标识别方法 |
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 |
CN107085206A (zh) * | 2017-03-22 | 2017-08-22 | 南京航空航天大学 | 一种基于自适应稀疏保持投影的一维距离像识别方法 |
CN107219510A (zh) * | 2017-05-18 | 2017-09-29 | 西安电子科技大学 | 基于无限最大间隔线性判别投影模型的雷达目标识别方法 |
WO2017166933A1 (zh) * | 2016-03-30 | 2017-10-05 | 深圳大学 | 一种基于核机器学习的非负矩阵分解人脸识别方法及系统 |
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 |
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 |
CN107423697A (zh) * | 2017-07-13 | 2017-12-01 | 西安电子科技大学 | 基于非线性融合深度3d卷积描述子的行为识别方法 |
CN107678006A (zh) * | 2017-09-06 | 2018-02-09 | 电子科技大学 | 一种最大间隔子空间的雷达真假目标一维距离像特征提取方法 |
CN107688170A (zh) * | 2017-08-21 | 2018-02-13 | 哈尔滨工业大学 | 一种基于随机森林的雷达目标航迹起始方法 |
-
2018
- 2018-04-26 CN CN201810383375.9A patent/CN108828533B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003102211A2 (en) * | 2002-05-30 | 2003-12-11 | Chan Sheng Liu | Method of detecting dna variation in sequence data |
CN101241184A (zh) * | 2008-03-12 | 2008-08-13 | 电子科技大学 | 一维距离像的非线性子空间识别方法 |
WO2013159356A1 (zh) * | 2012-04-28 | 2013-10-31 | 中国科学院自动化研究所 | 基于判别相关分析的跨媒体检索方法 |
CN102867191A (zh) * | 2012-09-04 | 2013-01-09 | 广东群兴玩具股份有限公司 | 一种基于流形子空间学习的降维方法 |
WO2015008310A1 (en) * | 2013-07-19 | 2015-01-22 | Consiglio Nazionale Delle Ricerche | Method for filtering of interferometric data acquired by synthetic aperture radar (sar) |
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 |
CN103675787A (zh) * | 2013-12-03 | 2014-03-26 | 电子科技大学 | 一种雷达目标一维距离像最优正交非线性子空间识别方法 |
US20170019653A1 (en) * | 2014-04-08 | 2017-01-19 | Sun Yat-Sen University | Non-feature extraction-based dense sfm three-dimensional reconstruction method |
WO2017166933A1 (zh) * | 2016-03-30 | 2017-10-05 | 深圳大学 | 一种基于核机器学习的非负矩阵分解人脸识别方法及系统 |
CN106199544A (zh) * | 2016-06-24 | 2016-12-07 | 电子科技大学 | 基于核鉴别局部切空间排列的雷达目标距离像识别方法 |
CN106874841A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于正则化局部保持投影的sar变形目标识别方法 |
CN107085206A (zh) * | 2017-03-22 | 2017-08-22 | 南京航空航天大学 | 一种基于自适应稀疏保持投影的一维距离像识别方法 |
CN107219510A (zh) * | 2017-05-18 | 2017-09-29 | 西安电子科技大学 | 基于无限最大间隔线性判别投影模型的雷达目标识别方法 |
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 |
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 |
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 |
CN107423697A (zh) * | 2017-07-13 | 2017-12-01 | 西安电子科技大学 | 基于非线性融合深度3d卷积描述子的行为识别方法 |
CN107688170A (zh) * | 2017-08-21 | 2018-02-13 | 哈尔滨工业大学 | 一种基于随机森林的雷达目标航迹起始方法 |
CN107678006A (zh) * | 2017-09-06 | 2018-02-09 | 电子科技大学 | 一种最大间隔子空间的雷达真假目标一维距离像特征提取方法 |
Non-Patent Citations (4)
Title |
---|
DAIYING ZHOU: "OrthogonalkernelprojectingplaneforradarHRRPrecognition", 《NEUROCOMPUTING》 * |
GUOQING ZHANG, HUAIJIANG SUN, GUIYU XIA, AND QUANSEN SUN: "Multiple Kernel Sparse Representation-Based Orthogonal Discriminative Projection and Its Cost-Sensitive Extension", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
唐京海: "SVDA 分类器及其在雷达目标识别中的应用", 《火控雷达技术》 * |
张 琴,周代英: "基于核支持向量最优变换矩阵的雷达目标一维距离像识别", 《现代电子技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210042603A1 (en) * | 2018-09-04 | 2021-02-11 | Tencent Technology (Shenzhen) Company Limited | Method, apparatus, and storage medium for generating network representation for neural network |
CN112183617A (zh) * | 2020-09-25 | 2021-01-05 | 电子科技大学 | 样本与类标签最大相关子空间rcs序列特征提取方法 |
CN112183617B (zh) * | 2020-09-25 | 2022-03-29 | 电子科技大学 | 样本与类标签最大相关子空间rcs序列特征提取方法 |
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 |
---|---|
CN108828533B (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
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 | |
CN108761411B (zh) | 一种真假目标一维距离像特征提取方法 | |
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 | |
CN105116397B (zh) | 基于mmfa模型的雷达高分辨率距离像目标识别方法 | |
CN109242010A (zh) | 一种稀疏学习rcs序列特征提取方法 | |
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 | |
CN107271965B (zh) | 类聚集子空间的真假目标一维距离像特征提取方法 | |
CN109752710B (zh) | 一种基于稀疏贝叶斯学习的快速目标角度估计方法 | |
CN107085206B (zh) | 一种基于自适应稀疏保持投影的一维距离像识别方法 | |
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 | |
CN108845303A (zh) | 一种非线性稳健子空间真假目标特征提取方法 | |
CN107862680A (zh) | 一种基于相关滤波器的目标跟踪优化方法 | |
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 | |
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 | |
CN108564096B (zh) | 一种邻域拟合rcs序列特征提取方法 | |
CN104008373B (zh) | 基于多信息字典学习的sar目标识别方法 | |
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 | |
Talluto et al. | Multifaceted biodiversity modelling at macroecological scales using Gaussian processes | |
CN108549065B (zh) | 一种近邻结构保持真假目标rcs序列特征提取方法 | |
CN108490414A (zh) | 一种基于时频分布瞬时频率边缘特征的雷达目标识别方法 | |
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 |