CN110007286B - 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

一种线性判别学习真假目标一维距离像特征提取方法 Download PDF

Info

Publication number
CN110007286B
CN110007286B CN201910322672.7A CN201910322672A CN110007286B CN 110007286 B CN110007286 B CN 110007286B CN 201910322672 A CN201910322672 A CN 201910322672A CN 110007286 B CN110007286 B CN 110007286B
Authority
CN
China
Prior art keywords
ith
class
vector
learning
matrix
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.)
Active
Application number
CN201910322672.7A
Other languages
English (en)
Other versions
CN110007286A (zh
Inventor
周代英
张瑛
廖阔
冯健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910322672.7A priority Critical patent/CN110007286B/zh
Publication of CN110007286A publication Critical patent/CN110007286A/zh
Application granted granted Critical
Publication of CN110007286B publication Critical patent/CN110007286B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S7/41—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xij(n维列矢量)为第ith类真假目标的第jth个训练一维距离像,1≤i≤g，1≤j≤Ni，
Figure BDA0002035198160000011
其中Ni为第ith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xij对应的带宽对角矩阵为
Figure BDA0002035198160000012
其中bij为系数，可以事先确定。则第ith类样本分布的密度估计值为
Figure BDA0002035198160000021
其中||·||为2-范数；β(·)为核分布函数
Figure BDA0002035198160000022
式(2)右边对x求偏导，并令其等于零，可得
Figure BDA0002035198160000023
其中
Figure BDA0002035198160000024
由式(4)可得第ith类样本分布的中心矢量迭代学习方程
Figure BDA0002035198160000025
其中
Figure BDA0002035198160000026
为第ith类样本分布的中心矢量，
Figure BDA0002035198160000027
每次迭代的修正量。根据以上分析，第ith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ith类样本分布中心的初始矢量
Figure BDA0002035198160000028
步骤2：按式(6)计算第ith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
Figure BDA0002035198160000031
代替每类样本的均值矢量，计算类内散布矩阵Sw和类间散布矩阵Sb
Figure BDA0002035198160000032
Figure BDA0002035198160000033
取矩阵
Figure BDA0002035198160000034
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xt进行如下变换
yt＝ATxt (10)
其中yt即为xt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
Figure BDA0002035198160000041
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xij为第ith类真假目标的第jth个训练一维距离像,1≤i≤g，1≤j≤Ni，
Figure FDA0002035198150000011
其中Ni为第ith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xij对应的带宽对角矩阵为：
Figure FDA0002035198150000012
其中bij为系数，为预设值；则第ith类样本分布的密度估计值为：
Figure FDA0002035198150000013
其中||·||为2-范数，β(·)为核分布函数：
Figure FDA0002035198150000014
S2、建立第ith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：
Figure FDA0002035198150000015
其中
Figure FDA0002035198150000016
由式(4)可得第ith类样本分布的中心矢量迭代学习方程
Figure FDA0002035198150000021
S3、通过学习计算第ith类样本分布的中心矢量：
S31、计算第ith类样本分布中心的初始矢量
Figure FDA0002035198150000022
S32、按式(6)计算第ith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
Figure FDA0002035198150000023
代替每类样本的均值矢量，计算类内散布矩阵Sw和类间散布矩阵Sb
Figure FDA0002035198150000024
Figure FDA0002035198150000025
取矩阵
Figure FDA0002035198150000026
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xt进行如下变换
yt＝ATxt (10)
其中yt即为xt对应的特征矢量，T表示矩阵转置。
CN201910322672.7A 2019-04-22 2019-04-22 一种线性判别学习真假目标一维距离像特征提取方法 Active CN110007286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910322672.7A CN110007286B (zh) 2019-04-22 2019-04-22 一种线性判别学习真假目标一维距离像特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910322672.7A CN110007286B (zh) 2019-04-22 2019-04-22 一种线性判别学习真假目标一维距离像特征提取方法

Publications (2)

Publication Number Publication Date
CN110007286A CN110007286A (zh) 2019-07-12
CN110007286B true CN110007286B (zh) 2022-05-24

Family

ID=67173448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910322672.7A Active CN110007286B (zh) 2019-04-22 2019-04-22 一种线性判别学习真假目标一维距离像特征提取方法

Country Status (1)

Country Link
CN (1) CN110007286B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110658507B (zh) * 2019-10-12 2022-07-29 电子科技大学 用于雷达目标识别的多类平均最大化真假目标特征提取方法
CN110687514B (zh) * 2019-10-16 2022-03-15 电子科技大学 一种非线性判别学习真假目标一维距离像特征提取方法
CN112149061A (zh) * 2020-09-25 2020-12-29 电子科技大学 一种多类平均最大化真假目标特征提取方法
CN113344033B (zh) * 2021-05-17 2022-05-17 电子科技大学 一种旋翼无人机与飞鸟目标分类中的判别特征提取方法
CN113960553B (zh) * 2021-10-14 2023-04-18 电子科技大学 一种一维像识别中的高斯权值分布特征提取方法
CN113962298B (zh) * 2021-10-14 2023-04-28 电子科技大学 一种低秩判别子空间真假目标一维距离像特征提取方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
KR20180055165A (ko) * 2016-11-16 2018-05-25 국방과학연구소 Ｅｍｄ를 이용한 ｈｒｒｐ의 잡음 제거 장치 및 그 방법
CN108133232A (zh) * 2017-12-15 2018-06-08 南京航空航天大学 一种基于统计字典学习的雷达高分辨距离像目标识别方法
CN108594202A (zh) * 2018-07-25 2018-09-28 电子科技大学 一种邻域分布结构非线性投影目标特征提取方法
CN108710113A (zh) * 2018-04-10 2018-10-26 电子科技大学 一种真假目标特征提取方法
CN108845302A (zh) * 2018-08-23 2018-11-20 电子科技大学 一种k近邻变换真假目标特征提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180055165A (ko) * 2016-11-16 2018-05-25 국방과학연구소 Ｅｍｄ를 이용한 ｈｒｒｐ의 잡음 제거 장치 및 그 방법
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
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
CN108133232A (zh) * 2017-12-15 2018-06-08 南京航空航天大学 一种基于统计字典学习的雷达高分辨距离像目标识别方法
CN108710113A (zh) * 2018-04-10 2018-10-26 电子科技大学 一种真假目标特征提取方法
CN108594202A (zh) * 2018-07-25 2018-09-28 电子科技大学 一种邻域分布结构非线性投影目标特征提取方法
CN108845302A (zh) * 2018-08-23 2018-11-20 电子科技大学 一种k近邻变换真假目标特征提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Daiying Zhou.Radar HRRP target recognition based on optimal transformation.《Proceedings of 2013 3rd International Conference on Computer Science and Network Technology》.2014,42-45. *
Wang Penghui.Radar HRRP target recognition based on linear dynamic model.《Proceedings of 2011 IEEE CIE International Conference on Radar》.2012,1-7. *
彭翔.基于模糊理论的雷达目标一维距离像识别研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2011,(第12期),I140-52. *
鹿浩.基于高分辨一维距离像的雷达目标识别方法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2007,(第6期),I136-666. *

Also Published As

Publication number Publication date
CN110007286A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
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
CN108761411B (zh) 一种真假目标一维距离像特征提取方法
CN107238822B (zh) 真假目标一维距离像正交非线性子空间特征提取方法
CN108845302B (zh) 一种k近邻变换真假目标特征提取方法
CN107271965B (zh) 类聚集子空间的真假目标一维距离像特征提取方法
CN110658507B (zh) 用于雷达目标识别的多类平均最大化真假目标特征提取方法
CN108845303B (zh) 一种非线性稳健子空间真假目标特征提取方法
CN110687514B (zh) 一种非线性判别学习真假目标一维距离像特征提取方法
CN107545279B (zh) 基于卷积神经网络与加权核特征分析的图像识别方法
CN108594202B (zh) 一种邻域分布结构非线性投影目标特征提取方法
CN108828574B (zh) 一种类间分离增强子空间真假目标特征提取方法
CN114241233B (zh) 一种非线性类组稀疏表示真假目标一维距离像识别方法
CN110221267B (zh) 一种目标库属性判别邻域保持学习子空间特征提取方法
CN110068799B (zh) 一种稀疏邻域中心保持rcs序列特征提取方法
CN113269203B (zh) 一种用于多旋翼无人机识别的子空间特征提取方法
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
CN112183617B (zh) 样本与类标签最大相关子空间rcs序列特征提取方法
CN112149061A (zh) 一种多类平均最大化真假目标特征提取方法
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
CN107403136B (zh) 基于结构保持字典学习的sar目标型号识别方法
CN108549065B (zh) 一种近邻结构保持真假目标rcs序列特征提取方法
CN109948520A (zh) 一种基于多时相双极化sar特征曲线的农作物分类方法
CN110135444B (zh) 一种目标库属性一维像判别最优本征子空间特征提取方法
CN110826599B (zh) 一种稀疏表示样本分布边界保持特征提取方法
CN114970706A (zh) 一种真假目标一维距离像多特征非线性融合分类识别方法

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