CN109242010A - 一种稀疏学习rcs序列特征提取方法 - Google Patents

Abstract

本发明公开了一种稀疏学习RCS序列特征提取方法，属于雷达目标识别技术邻域。本发明首先对训练样本进行稀疏学习，利用稀疏系数作为样本特征之间距离的调节因子，建立稀疏学习投影矩阵，该投影矩阵通过稀疏学习自动选择少量邻域样本，而且能够更好保持样本邻域局部结构信息，从而提高了目标识别性能，克服了传统投影法只能提取全局结构特征的缺点。

Description

一种稀疏学习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，具体涉及一种一种稀疏学习RCS(目标雷达散射截面积)序列特征提取方法。

背景技术

针对雷达目标识别数据，传统投影法从全局角度分析数据，提取到目标数据分布的全局结构特征。如主分量分析投影法以数据分布的主能量方向差异特点来识别目标类别，而判别矢量投影法通过一种变换来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，传统投影方法忽略了数据分布中的局部结构特征，而研究表明这些局结构特征更有利于目标识别。因此，现有传统投影法的识别性能有进一步改善的余地。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种稀疏学习RCS序列特征提取方法，以获得数据分布中的局部结构特征，从而提升现有投影法的识别方法的目标识别性能，改善对雷达真假目标的分类性能。

本发明的一种稀疏学习RCS序列特征提取方法，包括下列步骤：

步骤1：输入目标雷达散射截面积RCS数据序列帧作为训练样本x_ij，其中下标i为类别区分符、下标j为训练样本区分符，且1≤i≤C，1≤j≤N_i，C表示类别数量，N_i表示对应类别的样本数；

步骤2：构建关于训练样本的权系数：

构建稀疏学习字典其中D^ij由除训练样本x_ij外的所有训练样本矢量组成，且x_ij＝D_ijα_ij，其中α_ij表示稀疏系数向量；

计算稀疏系数向量α_ij的估值其中||·||₁表示1-范数；

基于稀疏系数估值构建关于训练样本的权系数w_ij,lk：

其中，i＝1,…,C，j＝1,…,N_i，l＝1,…,C，k＝1,…,N_l；

若l＜i，则lk＜ij；若l＝i且k＜j，则lk＜ij；

若l＞i，则lk＞ij；若l＝i且k＞j，则lk＞ij；

若l＝i且k＝j，则lk＝ij；

步骤3：计算稀疏学习投影矩阵

构建关于投影矩阵A的目标函数J(A)＝tr{A^TΜA}，在满足条件A^TXX^TA＝1的前提下，求使得目标函数J(A)最小的投影矩阵A，并将其作为稀疏学习投影矩阵即A^TXX^TA＝1；

其中，符号(·)^T表示矩阵转置；

tr{·}表示取矩阵的迹；

矩阵

矩阵Μ＝X(S-W)X^T；

矩阵

矩阵

步骤4：输入待提取特征的RCS序列帧x_t，根据得到RCS序列帧x_t的特征矢量z_t。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明首先对训练样本进行稀疏学习，利用稀疏系数作为样本特征之间距离的调节因子，建立稀疏学习投影矩阵，该投影矩阵通过稀疏学习自动选择少量邻域样本，而且能够更好保持样本邻域局部结构信息，从而提高了目标识别性能，克服了传统投影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。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式，对本发明作进一步地详细描述。

本发明对现有投影法的识别方法中的特征提取方式进行了改进，以获得数据分布中的局部结构特征，从而提升现有投影法的识别方法的目标识别性能，改善对雷达真假目标的分类性能。

其具体实现过程为：

设x_ij(n维列矢量)为第i^th类真假目标的第j^th个训练RCS数据序列帧(即训练样本),1≤i≤C，1≤j≤N_i，其中N_i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，即训练样本数。

针对训练样本x_ij的稀疏表示，构建稀疏学习字典，得到稀疏字典D^ij：

其中D^ij由除x_ij外的所有训练样本矢量组成。利用稀疏字典进行稀疏分析：

其中||·||₁表示1-范数，α_ij表示稀疏系数向量，是表示稀疏系数向量的估值。

即

基于稀疏系数估值构建权系数w_ij,lk：

其中，l＝1,…,C，k＝1,…,N_l；

对训练样本x_ij进行变换，并在变换空间基于权系数w_ij,lk对样本特征差进行加权，建立如下目标函数：

其中

z_ij＝A^Tx_ij (6)

其中T表示矩阵转置，A为投影矩阵，z_ij为x_ij对应的投影矢量，即特征矢量。

利用矩阵迹的运算公式，并组合式(6)

其中tr{·}表示取矩阵的迹。

将式(7)化简为：

J(A)＝tr{A^TΜA} (8)

其中

Μ＝X(S-W)X^T (9)

其中

在条件A^TXX^TA＝1下，求使式(8)中的J(A)最小的A，并将其记为则称为稀疏学习投影矩阵。求解极值问题可得，稀疏学习投影矩阵是由矩阵(XX^T)^-1(A^TΜA)的R(＜N)个最大特征值对应的特征矢量组成的矩阵。

将获得的稀疏学习投影矩阵代入式(6)，即可得到任意RCS序列帧x_t对应的特征矢量z_t。

为了验证所提方法的有效性，进行如下仿真实验。

设置四种仿真目标：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1400秒。以10秒为间隔将每目标的RCS序列数据划分为140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70个测试样本。

对四种目标(真目标、碎片、轻诱饵和重诱饵)，利用本发明的稀疏学习特征提取方法和基于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。实验中采用正交匹配追踪得到稀疏分析系数。

从表一的结果可以看到，对真目标，主分量分析投影特征提取法的识别率为85％，而本发明的稀疏学习识特征提取方法的识别率为93％；对碎片，主分量分析投影特征提取法的识别率为79％，而本发明的稀疏学习特征提取方法的识别率为83％；对轻诱饵，主分量分析投影特征提取法的识别率为81％，而本发明的稀疏学习特征提取方法的识别率为87％；对重诱饵，主分量分析投影特征提取法的识别率为83％，而本发明的稀疏学习特征提取方法的识别率为89％。平均而言，对四类目标，本发明的稀疏学习特征提取方法的正确识别率高于主分量分析投影特征提取法，表明本发明的稀疏学习特征提取方法确实改善了多类目标的识别性能。

表一 两种方法的识别结果

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (2)

1.一种稀疏学习RCS序列特征提取方法，其特征在于，包括下列步骤：

步骤1：输入目标雷达散射截面积RCS数据序列帧作为训练样本x_ij，其中下标i为类别区分符、下标j为训练样本区分符，且1≤i≤C，1≤j≤N_i，C表示类别数量，N_i表示对应类别的样本数；

步骤2：构建关于训练样本的权系数：

构建稀疏学习字典其中D^ij由除训练样本x_ij外的所有训练样本矢量组成，且x_ij＝D_ijα_ij，其中α_ij表示稀疏系数向量；

计算稀疏系数向量α_ij的估值其中||·||₁表示1-范数；

基于稀疏系数估值构建关于训练样本的权系数w_ij,lk：

其中，i＝1,…,C，j＝1,…,N_i，l＝1,…,C，k＝1,…,N_l；

步骤3：计算稀疏学习投影矩阵

构建关于投影矩阵A的目标函数J(A)＝tr{A^TΜA}，在满足条件A^TXX^TA＝1的前提下，求使得目标函数J(A)最小的投影矩阵A，并将其作为稀疏学习投影矩阵

其中，符号(·)^T表示矩阵转置；

tr{·}表示取矩阵的迹；

矩阵

矩阵Μ＝X(S-W)X^T；

矩阵

矩阵

步骤4：输入待提取特征的RCS序列帧x_t，根据得到RCS序列帧x_t的特征矢量z_t。

2.如权利要求1所述的方法，其特征在于，步骤3中，稀疏学习投影矩阵是由矩阵(XX^T)^-1(A^TΜA)的R个最大特征值对应的特征矢量组成的矩阵，其中R＜N。