CN109242010A - 一种稀疏学习rcs序列特征提取方法 - Google Patents
一种稀疏学习rcs序列特征提取方法 Download PDFInfo
- Publication number
- CN109242010A CN109242010A CN201810978245.XA CN201810978245A CN109242010A CN 109242010 A CN109242010 A CN 109242010A CN 201810978245 A CN201810978245 A CN 201810978245A CN 109242010 A CN109242010 A CN 109242010A
- Authority
- CN
- China
- Prior art keywords
- matrix
- sparse
- training sample
- study
- sample
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
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
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xij,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≤Ni,C表示类别数量,Ni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Dij由除训练样本xij外的所有训练样本矢量组成,且xij=Dijαij,其中αij表示稀疏系数向量;
计算稀疏系数向量αij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wij,lk:
其中,i=1,…,C,j=1,…,Ni,l=1,…,C,k=1,…,Nl;
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{ATΜA},在满足条件ATXXTA=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ATXXTA=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)XT;
矩阵
矩阵
步骤4:输入待提取特征的RCS序列帧xt,根据得到RCS序列帧xt的特征矢量zt。
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xij(n维列矢量)为第ith类真假目标的第jth个训练RCS数据序列帧(即训练样本),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,即训练样本数。
针对训练样本xij的稀疏表示,构建稀疏学习字典,得到稀疏字典Dij:
其中Dij由除xij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,αij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wij,lk:
其中,l=1,…,C,k=1,…,Nl;
对训练样本xij进行变换,并在变换空间基于权系数wij,lk对样本特征差进行加权,建立如下目标函数:
其中
zij=ATxij (6)
其中T表示矩阵转置,A为投影矩阵,zij为xij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{ATΜA} (8)
其中
Μ=X(S-W)XT (9)
其中
在条件ATXXTA=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(XXT)-1(ATΜA)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xt对应的特征矢量zt。
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xij,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≤Ni,C表示类别数量,Ni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Dij由除训练样本xij外的所有训练样本矢量组成,且xij=Dijαij,其中αij表示稀疏系数向量;
计算稀疏系数向量αij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wij,lk:
其中,i=1,…,C,j=1,…,Ni,l=1,…,C,k=1,…,Nl;
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{ATΜA},在满足条件ATXXTA=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)XT;
矩阵
矩阵
步骤4:输入待提取特征的RCS序列帧xt,根据得到RCS序列帧xt的特征矢量zt。
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(XXT)-1(ATΜA)的R个最大特征值对应的特征矢量组成的矩阵,其中R<N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810978245.XA CN109242010A (zh) | 2018-08-27 | 2018-08-27 | 一种稀疏学习rcs序列特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810978245.XA CN109242010A (zh) | 2018-08-27 | 2018-08-27 | 一种稀疏学习rcs序列特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242010A true CN109242010A (zh) | 2019-01-18 |
Family
ID=65068348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810978245.XA Pending CN109242010A (zh) | 2018-08-27 | 2018-08-27 | 一种稀疏学习rcs序列特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242010A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110031815A (zh) * | 2019-04-22 | 2019-07-19 | 电子科技大学 | 一种基于组合函数的空间目标rcs序列周期估计方法 |
CN110068799A (zh) * | 2019-04-22 | 2019-07-30 | 电子科技大学 | 一种稀疏邻域中心保持rcs序列特征提取方法 |
CN110221267A (zh) * | 2019-06-17 | 2019-09-10 | 电子科技大学 | 一种目标库属性判别邻域保持学习子空间特征提取方法 |
CN110826599A (zh) * | 2019-10-16 | 2020-02-21 | 电子科技大学 | 一种稀疏表示样本分布边界保持特征提取方法 |
CN111339493A (zh) * | 2020-03-06 | 2020-06-26 | 电子科技大学 | 一种非均匀量化状态转移特征矩阵提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120206293A1 (en) * | 2008-12-10 | 2012-08-16 | U.S Government as represented by the Secretary of the Army | Method and system for forming images by comparing subsets of image data |
CN105425225A (zh) * | 2016-01-14 | 2016-03-23 | 中国人民解放军国防科学技术大学 | 一种被动雷达低空目标检测方法 |
CN106093875A (zh) * | 2016-06-23 | 2016-11-09 | 中国科学院电子学研究所 | 基于基追踪去噪的近场宽带rcs数据采集与压缩方法 |
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 |
CN107194329A (zh) * | 2017-05-05 | 2017-09-22 | 南京航空航天大学 | 一种基于自适应局部稀疏保持投影的一维距离像识别方法 |
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 |
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 |
-
2018
- 2018-08-27 CN CN201810978245.XA patent/CN109242010A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120206293A1 (en) * | 2008-12-10 | 2012-08-16 | U.S Government as represented by the Secretary of the Army | Method and system for forming images by comparing subsets of image data |
CN105425225A (zh) * | 2016-01-14 | 2016-03-23 | 中国人民解放军国防科学技术大学 | 一种被动雷达低空目标检测方法 |
CN106093875A (zh) * | 2016-06-23 | 2016-11-09 | 中国科学院电子学研究所 | 基于基追踪去噪的近场宽带rcs数据采集与压缩方法 |
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 |
CN107194329A (zh) * | 2017-05-05 | 2017-09-22 | 南京航空航天大学 | 一种基于自适应局部稀疏保持投影的一维距离像识别方法 |
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 |
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 (3)
Title |
---|
ALI JULAZADEH等: ""CLASSIFICATION BASED ON SPARSE REPRESENTATION AND EUCLIDIAN DISTANCE"", 《2012 VISUAL COMMUNICATIONS AND IMAGE PROCESSING》 * |
王鹏辉等: ""基于多模态平稳序列建模的雷达高分辨距离像有限样本目标识别方法"", 《光学学报》 * |
郑纯丹等: ""稀疏分解在雷达一维距离像中的应用"", 《雷达科学与技术》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110031815A (zh) * | 2019-04-22 | 2019-07-19 | 电子科技大学 | 一种基于组合函数的空间目标rcs序列周期估计方法 |
CN110068799A (zh) * | 2019-04-22 | 2019-07-30 | 电子科技大学 | 一种稀疏邻域中心保持rcs序列特征提取方法 |
CN110068799B (zh) * | 2019-04-22 | 2022-04-22 | 电子科技大学 | 一种稀疏邻域中心保持rcs序列特征提取方法 |
CN110221267A (zh) * | 2019-06-17 | 2019-09-10 | 电子科技大学 | 一种目标库属性判别邻域保持学习子空间特征提取方法 |
CN110221267B (zh) * | 2019-06-17 | 2022-08-05 | 电子科技大学 | 一种目标库属性判别邻域保持学习子空间特征提取方法 |
CN110826599A (zh) * | 2019-10-16 | 2020-02-21 | 电子科技大学 | 一种稀疏表示样本分布边界保持特征提取方法 |
CN110826599B (zh) * | 2019-10-16 | 2023-04-18 | 电子科技大学 | 一种稀疏表示样本分布边界保持特征提取方法 |
CN111339493A (zh) * | 2020-03-06 | 2020-06-26 | 电子科技大学 | 一种非均匀量化状态转移特征矩阵提取方法 |
CN111339493B (zh) * | 2020-03-06 | 2022-05-24 | 电子科技大学 | 一种非均匀量化状态转移特征矩阵提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242010A (zh) | 一种稀疏学习rcs序列特征提取方法 | |
Xie et al. | A deep-learning-based real-time detector for grape leaf diseases using improved convolutional neural networks | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN103198251B (zh) | 一种基于神经网络的硬件木马识别方法 | |
CN105931253B (zh) | 一种基于半监督学习相结合的图像分割方法 | |
CN110988804B (zh) | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 | |
CN110457677B (zh) | 实体关系识别方法及装置、存储介质、计算机设备 | |
CN101598783B (zh) | 基于ppca模型的强噪声背景下雷达距离像统计识别方法 | |
CN106855941A (zh) | 基于雷达微多普勒信号稀疏优化的手势识别方法及系统 | |
CN108985360A (zh) | 基于扩展形态学与主动学习的高光谱分类方法 | |
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 | |
CN110007286A (zh) | 一种线性判别学习真假目标一维距离像特征提取方法 | |
Bao et al. | Identification of wheat leaf diseases and their severity based on elliptical-maximum margin criterion metric learning | |
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 | |
CN109753887A (zh) | 一种基于增强核稀疏表示的sar图像目标识别方法 | |
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 | |
CN108416393A (zh) | 一种基于高分辨一维距离像的目标识别优化方法 | |
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 | |
CN108564096B (zh) | 一种邻域拟合rcs序列特征提取方法 | |
CN113486917B (zh) | 一种基于度量学习的雷达hrrp小样本目标识别方法 | |
CN114092799A (zh) | 基于池化视觉Transformer林业害虫识别检测方法 | |
CN110068799A (zh) | 一种稀疏邻域中心保持rcs序列特征提取方法 | |
CN116863327B (zh) | 一种基于双域分类器协同对抗的跨域小样本分类方法 | |
WO2022116508A1 (zh) | 基于获取并识别噪声全景分布模型的信号分析方法及系统 |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230714 |