CN110007286A - 一种线性判别学习真假目标一维距离像特征提取方法 - Google Patents

Abstract

本发明属于雷达目标识别技术领域，具体涉及一种线性判别学习真假目标一维距离像特征提取方法。本发明的方法通过迭代学习获得各类样本分布中心矢量，然后利用学习中心矢量代替样本均值矢量计算类内散布矩阵和类间散布矩阵，求解得到线性判别学习变换矩阵，在目标样本数据分布是非高斯分布的情况下，仍然能够很好地表示类内聚集和类间分离的程度，克服了常规判别子空间只适合于样本数据高斯分布的缺点，从而提高了目标识别性能。

Description

一种线性判别学习真假目标一维距离像特征提取方法

技术领域

本发明属于雷达目标识别技术领域，具体涉及一种线性判别学习真假目标一维距离像特征提取方法。

背景技术

在雷达目标识别中，判别矢量子空间法在减小同类目标特征之间差异的同时，能够增大异类目标特征之间的差异，从而提取到有效的识别特征，因此，判别矢量子空间法获得了良好的识别性能。

但是，判别矢量子空间法只适合于样本数据是高斯分布的情况，而实际中样本数据分布可能是非高斯分布，导致判别矢量子空间方法的识别性能出现下降。现有常规判别矢量子空间方法的识别性能有进一步改善的余地。

发明内容

本发明针对上述问题，提出一种线性判别学习真假目标一维距离像特征提取方法。

本发明所采用的技术方案为，采用线性判别学习进行特征提取：

设x_ij(n维列矢量)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。设x_ij对应的带宽对角矩阵为

其中b_ij为系数，可以事先确定。则第i^th类样本分布的密度估计值为

其中||·||为2-范数；β(·)为核分布函数

式(2)右边对x求偏导，并令其等于零，可得

其中

由式(4)可得第i^th类样本分布的中心矢量迭代学习方程

其中为第i^th类样本分布的中心矢量，每次迭代的修正量。根据以上分析，第i^th类样本分布的中心矢量的学习计算步骤如下：

步骤1：计算第i^th类样本分布中心的初始矢量

步骤2：按式(6)计算第i^th类样本分布中心的修正量

步骤3：如果迭代修正量的模小于给定值或迭代次数超过最大迭代次数，则迭代终止。

通过以上3个步骤学习获得各类目标样本中心代替每类样本的均值矢量，计算类内散布矩阵S_w和类间散布矩阵S_b

取矩阵的(g-1)个最大特征量对应的特征向量构成线性判别学习变换矩阵A，将任意一维距离像x_t进行如下变换

y_t＝A^Tx_t (10)

其中y_t即为x_t对应的特征矢量，T表示矩阵转置

本发明的有益效果为，本发明的方法通过迭代学习获得各类样本分布中心矢量，然后利用学习中心矢量代替样本均值矢量计算类内散布矩阵和类间散布矩阵，求解得到线性判别学习变换矩阵，从而能够提取非高斯分布样本数据的特征，克服常规判别矢量子空间的缺陷，有效改善了对雷达真假目标的分类性能。

具体实施方式

为了验证所提方法的有效性，进行如下仿真实验。

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°～90°范围内每隔1°的一维距离像中，取目标姿态角为0°、2°、4°、6°、...、90°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45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°～90°范围内,利用本发明的线性判别学习特征提取方法和基于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。

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，判别矢量子空间特征提取法的识别率为83％，而本发明的线性判别学习特征提取方法的识别率为92％；对碎片，判别矢量子空间特征提取法的识别率为78％，而本发明的线性判别学习特征提取方法的识别率为86％；对轻诱饵，判别矢量子空间特征提取法的识别率为80％，而本发明的线性判别学习特征提取方法的识别率为87％；对重诱饵，判别矢量子空间特征提取法的识别率为82％，而本发明的线性判别学习特征提取方法的识别率为84％。平均而言，对四类目标，本发明的线性判别学习特征提取方法的正确识别率高于判别矢量子空间特征提取法，表明本发明的线性判别学习特征提取方法确实改善了多类目标的识别性能。

Claims (1)

1.一种线性判别学习真假目标一维距离像特征提取方法，其特征在于，包括以下步骤：

S1、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，设x_ij对应的带宽对角矩阵为：

其中b_ij为系数，为预设值；则第i^th类样本分布的密度估计值为：

其中||·||为2-范数，β(·)为核分布函数：

S2、建立第i^th类样本分布的中心矢量迭代方程：

式(2)右边对x求偏导，并令其等于零，得：

其中

由式(4)可得第i^th类样本分布的中心矢量迭代学习方程

S3、通过学习计算第i^th类样本分布的中心矢量：

S31、计算第i^th类样本分布中心的初始矢量

S32、按式(6)计算第i^th类样本分布中心的修正量；

S33、如果迭代修正量的模小于给定值或迭代次数超过最大迭代次数，则迭代终止；

S4、根据步骤S3获得各类目标样本中心代替每类样本的均值矢量，计算类内散布矩阵S_w和类间散布矩阵S_b

取矩阵的(g-1)个最大特征量对应的特征向量构成线性判别学习变换矩阵A，将任意一维距离像x_t进行如下变换

y_t＝A^Tx_t (10)

其中y_t即为x_t对应的特征矢量，T表示矩阵转置。