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

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

一种类内样本相似结构保持非线性投影特征提取方法

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x_ij为第i^th类真假目标的第j^th个训练RCS数据序列帧,1≤i≤C，1≤j≤N_i，其中N_i为第i^th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x_ij的非线性映射进行如下变换：

z_ij＝W^Tφ(x_ij) (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，z_ij为x_ij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Π_k(·)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(x_ij,x_lk)＝φ(x_ij)^Tφ(x_lk)，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x_ij的非线性投影矢量z_ij。

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x_ij为第i^th类真假目标的第j^th个训练RCS数据序列帧,1≤i≤C，1≤j≤N_i，其中N_i为第i^th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x_ij的非线性映射进行如下变换：

z_ij＝W^Tφ(x_ij) (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，z_ij为x_ij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Π_k(·)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(x_ij,x_lk)＝φ(x_ij)^Tφ(x_lk)，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x_ij的非线性投影矢量z_ij。