CN110068799B - 一种稀疏邻域中心保持rcs序列特征提取方法 - Google Patents
一种稀疏邻域中心保持rcs序列特征提取方法 Download PDFInfo
- Publication number
- CN110068799B CN110068799B CN201910322697.7A CN201910322697A CN110068799B CN 110068799 B CN110068799 B CN 110068799B CN 201910322697 A CN201910322697 A CN 201910322697A CN 110068799 B CN110068799 B CN 110068799B
- Authority
- CN
- China
- Prior art keywords
- sparse
- equal
- class
- vector
- coefficient
- 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
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
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达目标识别技术领域,具体涉及一种稀疏邻域中心保持RCS序列特征提取方法。本发明的方法首先对训练样本集进行稀疏分析,利用稀疏系数计算样本的类内邻域中心和类间邻域中心,建立稀疏邻域中心保持变换矩阵,通过该变换能够更好地保持特征邻域中心的类内聚集度,而增大特征邻域的类间分离度,从而提高了目标识别性能。
Description
技术领域
本发明属于雷达目标识别技术领域,具体涉及一种稀疏邻域中心保持RCS序列特征提取方法。
背景技术
雷达目标识别中,传统的流行学习方法能够从局部角度分析数据,提取到目标数据分布的局部结构特征,获得了较好的识别效果。局部判别嵌入方法通过建立样本邻域的连接图,能够保持样本特征的邻域局部结构,而局部结构保持方法在样本距离和的目标函数中只对类内样本距离加权,从而在特征域保持样本的原有邻域结构。但是,传统的流行学习方法没有考虑投影过程中特征的聚集方向,在形成的局部结构中造成一定的边界模糊,不利于识别性能进一步提高。因此,现有传统流行学习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,提出一种稀疏邻域中心保持RCS序列特征提取方法。
本发明所采用的技术方案为:
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,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。针对xij的稀疏表示,构建稀疏学习字典
其中Dij为稀疏字典,由除xij外的所有训练样本矢量组成。利用字典进行稀疏分析
基于稀疏系数计算xij的类内中心
其中
利用矩阵迹的运算公式,式(5)和(6)转换为
其中tr{·}取矩阵的迹。将式(9)和式(10)化简
J1(A)=tr{ATΜA} (11)
J2(A)=tr{ATQA} (12)
其中
M=X(WW-WWPT-PWW+PWWPT)XT (13)
Q=X(WB-WBST-WBS+SWBST)XT (14)
其中
本发明的有益效果为,本发明的方法首先对训练样本进行稀疏分析,利用稀疏系数计算样本的类内邻域中心和类间邻域中心,建立稀疏邻域中心保持变换矩阵,通过该变换能够使样本特征向类内方向聚集,而远离类间方向,从而提高了目标识别性能,克服了传统流行学习方法形成的局部边界模糊的缺点,有效改善了对雷达真假目标的分类性能。
具体实施方式
为了验证所提方法的有效性,进行如下仿真实验。
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),利用本发明的稀疏邻域中心保持特征提取方法和局部判别嵌入特征提取方法进行了识别实验,结果如表1所示。实验中采用正交匹配追踪得到稀疏分析系数。
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,局部判别嵌入特征提取法的识别率为87%,而本发明的稀疏邻域中心保持特征提取方法的识别率为94%;对碎片,局部判别嵌入特征提取法的识别率为80%,而本发明的稀疏邻域中心保持特征提取方法的识别率为85%;对轻诱饵,局部判别嵌入特征提取法的识别率为84%,而本发明的稀疏邻域中心保持特征提取方法的识别率为88%;对重诱饵,局部判别嵌入特征提取法的识别率为85%,而本发明的稀疏邻域中心保持特征提取方法的识别率为90%。平均而言,对四类目标,本发明的稀疏邻域中心保持特征提取方法的正确识别率高于局部判别嵌入特征提取法,表明本发明的稀疏邻域中心保持特征提取方法确实改善了多类目标的识别性能。
Claims (1)
1.一种稀疏邻域中心保持RCS序列特征提取方法,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RCS数据序列帧,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,针对xij的稀疏表示,构建稀疏学习字典:
其中Dij为稀疏字典,由除xij外的所有训练样本矢量组成;
S2、利用字典进行稀疏分析:
S3、基于稀疏系数计算xij的类内中心:
S4、计算xij的类间中心:
其中
S6、利用矩阵迹的运算公式,将目标函数转换为
其中tr{·}取矩阵的迹,上式化简为
J1(A)=tr{ATΜA}
J2(A)=tr{ATQA}
其中
M=X(WW-WWPT-PWW+PWWPT)XT
Q=X(WB-WBST-WBS+SWBST)XT
其中
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322697.7A CN110068799B (zh) | 2019-04-22 | 2019-04-22 | 一种稀疏邻域中心保持rcs序列特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322697.7A CN110068799B (zh) | 2019-04-22 | 2019-04-22 | 一种稀疏邻域中心保持rcs序列特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110068799A CN110068799A (zh) | 2019-07-30 |
CN110068799B true CN110068799B (zh) | 2022-04-22 |
Family
ID=67368294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910322697.7A Active CN110068799B (zh) | 2019-04-22 | 2019-04-22 | 一种稀疏邻域中心保持rcs序列特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110068799B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112163616B (zh) * | 2020-09-25 | 2022-04-22 | 电子科技大学 | 一种局部稀疏约束变换rcs序列特征提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824088A (zh) * | 2014-01-23 | 2014-05-28 | 西安电子科技大学 | 基于多信息联合动态稀疏表示的sar目标变体识别方法 |
CN104122540A (zh) * | 2014-07-31 | 2014-10-29 | 电子科技大学 | 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 |
CN106022383A (zh) * | 2016-05-26 | 2016-10-12 | 重庆大学 | 基于方位角相关动态字典稀疏表示的sar目标识别方法 |
CN106383340A (zh) * | 2016-11-24 | 2017-02-08 | 中国人民解放军国防科学技术大学 | 一种随机脉冲初始相位雷达的速度假目标识别方法 |
CN106778870A (zh) * | 2015-12-22 | 2017-05-31 | 中国电子科技集团公司第二十研究所 | 一种基于rpca技术的sar图像舰船目标检测方法 |
CN108983208A (zh) * | 2018-06-19 | 2018-12-11 | 中国电子科技集团公司第四十研究所 | 一种基于近场稀疏成像外推的目标rcs测量方法 |
CN109242010A (zh) * | 2018-08-27 | 2019-01-18 | 电子科技大学 | 一种稀疏学习rcs序列特征提取方法 |
-
2019
- 2019-04-22 CN CN201910322697.7A patent/CN110068799B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824088A (zh) * | 2014-01-23 | 2014-05-28 | 西安电子科技大学 | 基于多信息联合动态稀疏表示的sar目标变体识别方法 |
CN104122540A (zh) * | 2014-07-31 | 2014-10-29 | 电子科技大学 | 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 |
CN106778870A (zh) * | 2015-12-22 | 2017-05-31 | 中国电子科技集团公司第二十研究所 | 一种基于rpca技术的sar图像舰船目标检测方法 |
CN106022383A (zh) * | 2016-05-26 | 2016-10-12 | 重庆大学 | 基于方位角相关动态字典稀疏表示的sar目标识别方法 |
CN106383340A (zh) * | 2016-11-24 | 2017-02-08 | 中国人民解放军国防科学技术大学 | 一种随机脉冲初始相位雷达的速度假目标识别方法 |
CN108983208A (zh) * | 2018-06-19 | 2018-12-11 | 中国电子科技集团公司第四十研究所 | 一种基于近场稀疏成像外推的目标rcs测量方法 |
CN109242010A (zh) * | 2018-08-27 | 2019-01-18 | 电子科技大学 | 一种稀疏学习rcs序列特征提取方法 |
Non-Patent Citations (1)
Title |
---|
基于图的特征提取和特征选择及其应用研究;袁明冬;《中国博士学位论文全文数据库 》;20190115(第1期);I138-175 * |
Also Published As
Publication number | Publication date |
---|---|
CN110068799A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108761411B (zh) | 一种真假目标一维距离像特征提取方法 | |
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 | |
CN107271965B (zh) | 类聚集子空间的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 | |
Zhang et al. | Robust visual tracking using joint scale-spatial correlation filters | |
CN110068799B (zh) | 一种稀疏邻域中心保持rcs序列特征提取方法 | |
CN107862680B (zh) | 一种基于相关滤波器的目标跟踪优化方法 | |
CN108845302B (zh) | 一种k近邻变换真假目标特征提取方法 | |
CN110781766A (zh) | 基于特征谱正则化的格拉斯曼流形判别分析图像识别方法 | |
CN109242010A (zh) | 一种稀疏学习rcs序列特征提取方法 | |
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 | |
CN108828533B (zh) | 一种类内样本相似结构保持非线性投影特征提取方法 | |
CN113505810A (zh) | 基于池化视觉Transformer杂草生长周期检测方法 | |
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 | |
CN108828574B (zh) | 一种类间分离增强子空间真假目标特征提取方法 | |
CN112183617B (zh) | 样本与类标签最大相关子空间rcs序列特征提取方法 | |
Dong et al. | RD-NAS: Enhancing one-shot supernet ranking ability via ranking distillation from zero-cost proxies | |
CN108594202B (zh) | 一种邻域分布结构非线性投影目标特征提取方法 | |
CN114092799A (zh) | 基于池化视觉Transformer林业害虫识别检测方法 | |
CN111325158B (zh) | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 | |
CN106709428B (zh) | 一种基于欧拉核主成分分析的一维距离像稳健识别方法 | |
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 | |
CN108549065B (zh) | 一种近邻结构保持真假目标rcs序列特征提取方法 | |
CN111860356A (zh) | 基于非线性投影字典对学习的极化sar图像分类方法 | |
CN116861964A (zh) | 一种基于双判别器生成式对抗网络的异常数据检测方法 |
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 |