CN110221267A - 一种目标库属性判别邻域保持学习子空间特征提取方法 - Google Patents
一种目标库属性判别邻域保持学习子空间特征提取方法 Download PDFInfo
- Publication number
- CN110221267A CN110221267A CN201910519254.7A CN201910519254A CN110221267A CN 110221267 A CN110221267 A CN 110221267A CN 201910519254 A CN201910519254 A CN 201910519254A CN 110221267 A CN110221267 A CN 110221267A
- Authority
- CN
- China
- Prior art keywords
- target
- neighborhood
- library
- sample
- library target
- 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.)
- Granted
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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本文公开了一种目标库属性判别邻域保持学习子空间特征提取方法。该方法首先利用稀疏分析获得库属目标的每个训练样本的邻域样本稀疏系数,然后在低维空间以该系数对每一样本的邻域重构样本进行加权,建立邻域保持学习子空间提取库属目标的判别特征,由于在特征空间保持了邻域分布结构,增大库属目标特征分布区域的聚集度,从而提高了对库属目标和非库属目标的判别性能。对4类目标的仿真实验验证了方法的有效性。
Description
技术领域
本发明属于雷达目标识别技术领域,涉及一种目标库属性判别邻域保持学习子空间特征提取方法。
背景技术
基于一维距离像的雷达目标识别方法属于传统的模式识别方法,待识别目标必须是库属目标,即是参与了训练的目标。但是,实际应用中,对于非协作的飞机目标,其中一些目标是无法获取训练数据以建立它们的特征模板,这种没有参与训练的目标称为非库属目标,从而造成非库属目标的错误识别,导致对目标的识别性能降低。因此,在实际识别应用中,首先应该对待识别目标的库属性进行判别,然后,根据判别结果才能正确处理后续的识别任务。
传统的征子空间目标判别方法是一种经典的判别方法,利用库属目标训练样本建立特征子空间提取目标特征,从分离意义上讲,这种特征不是最优的,可能造成库属目标的特征分布区域扩大,从而使传统的特征子空间判别方法的性能下降,因此,传统的特征子空间目标库属性判别方法的性能有进一步改善的余地。
发明内容
针对上述问题,本发明提出一种目标库属性一维距离像判别邻域保持学习子空间特征提取方法,利用邻域样本稀疏系数对邻域重构样本进行加权,以保持低维空间的邻域分布结构,从而使库属目标的特征分布区域不再扩大,因此,改善了对库属目标和非库属目标的判别率。
本发明的技术方案是,邻域保持学习子空间特征提取方法:
设xij(n维列矢量)为第ith类库属目标的第jth个训练一维距离像,1≤i≤g,1≤j≤Ni,其中Ni为第ith类库属目标的训练样本数,N为训练样本总数。针对训练样本xij,按类的顺序构建稀疏学习字典Bij
利用字典Bij,对样本xij进行稀疏分析
其中||·||1表示1-范数,是稀疏系数。由稀疏系数构造加权系数wij,rk
其中是中的元素。设变换矩阵为A,其维数为n×m维(m<n),库属目标的训练样本xij向矩阵投影
yij=ATxij (4)
其中yij为投影矢量。计算所有库属目标训练样本的邻域加权重构误差
其中I为单位矩阵。
将式(4)代入式(5)可得
其中
通过条件极值优化方法,式(7)中最小化问题可转换为如下的本征方程
XEXTam+1-l=λlXXTam+1-l (9)
E=(I-W)T(I-W) (10)
其中λl为第l(1≤l≤m)最大的本值,am+1-l为λl对应的本征向量。由am+1-l作为变换矩阵A的第m+1-l列,则矩阵A称为邻域保持学习子空间。对于任意一维距离像样本,利用式(4)即可获得对应的特征矢量。
本发明的有益效果为,本发明首先利用稀疏分析获得库属目标的每个训练样本的邻域样本稀疏系数,然后在低维空间以该系数对每一样本的邻域重构样本进行加权,建立邻域保持学习子空间提取库属目标的判别特征,由于在特征空间保持了邻域分布结构,增大库属目标特征分布区域的聚集度,从而提高了对库属目标和非库属目标的判别性能。对4类目标的仿真实验验证了方法的有效性。
具体实施方式
下面结合仿真示例说明本发明方案的有效性。
设计四种点目标:“|”字型,“V”字型,“干”字型和“小”字型。前三种目标(“|”字型,“V”字型,“干”字型目标)作为库属目标参与训练,建立库属目标的特征模板库。后一种目标(“小”字型目标)不参与训练(即作为非库属目标)。在目标姿态角为(0°-60°)范围内每隔1°的一维距离像中,取所有训练目标姿态角为0°、2°、4°、...、60°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。使用常规特征子空间判别法和本发明方法对以上仿真数据进行判别实验。实验中,待识别目标的一维距离像数据xt对应的特征矢量为yt,计算yt与库属目标模板的欧氏距离,如果最小欧氏距离小于预先设置的判别门限,则输入目标判为库属目标,否则判为非库属目标。
仿真实验中,雷达发射脉冲的带宽为150MHZ(距离分辨率为1m,雷达径向取样间隔为0.5m),目标设置为均匀散射点目标,”|”目标的散射点为5,其余三目标的散射点数均为9。实验结果如下:
表1常规特征子空间方法对四种目标的判别结果(%)
表2本发明方法对四种目标的判别结果(%)
从表1和表2的结果可见,常规特征子空间判别法对对“|”字型目标、“V”字型目标和“干”字型目标等三种库目标的正确判别率分别为84%、80%和78%;对“小”字型目标等非库属目标,判为非库属目标的正确判别率为77%。相比而言,本发明方法对“|”字型目标、“V”字型目标和“干”字型目标等三种库目标的正确判别率分别为89%、84%和81%;对“小”字型目标等非库属目标,判为非库属目标的正确判别率为87%,结果表明本发明方法对库属目标和非库属目标的判别率明显高于常规特征子空间判别方法。
Claims (1)
1.一种目标库属性判别邻域保持学习子空间特征提取方法,其特征在于,包括以下步骤:
S1、令n维列矢量xij为第ith类库属目标的第jth个训练一维距离像,1≤i≤g,1≤j≤Ni,其中Ni为第ith类库属目标的训练样本数,N为训练样本总数;
S2、针对训练样本xij,按类的顺序构建稀疏学习字典Bij:
利用字典Bij,对样本xij进行稀疏分析:
其中||·||1表示1-范数,是稀疏系数;由稀疏系数构造加权系数wij,rk
其中是中的元素;
S3、定义变换矩阵为A,其维数为n×m维,m<n,库属目标的训练样本xij向矩阵投影
yij=ATxij (4)
其中yij为投影矢量;计算所有库属目标训练样本的邻域加权重构误差
其中I为单位矩阵;
将式(4)代入式(5)可得
其中
通过条件极值优化方法,将式(7)中最小化问题转换为如下的本征方程
XEXTam+1-l=λlXXTam+1-l (9)
E=(I-W)T(I-W) (10)
其中λl为第l最大的本值,1≤l≤m,am+1-l为λl对应的本征向量;由am+1-l作为变换矩阵A的第m+1-l列,则矩阵A称为邻域保持学习子空间;
S4、获得A后,对于任意一维距离像样本,利用式(4)即可获得对应的特征矢量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910519254.7A CN110221267B (zh) | 2019-06-17 | 2019-06-17 | 一种目标库属性判别邻域保持学习子空间特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910519254.7A CN110221267B (zh) | 2019-06-17 | 2019-06-17 | 一种目标库属性判别邻域保持学习子空间特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110221267A true CN110221267A (zh) | 2019-09-10 |
CN110221267B CN110221267B (zh) | 2022-08-05 |
Family
ID=67817216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910519254.7A Active CN110221267B (zh) | 2019-06-17 | 2019-06-17 | 一种目标库属性判别邻域保持学习子空间特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110221267B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110687515A (zh) * | 2019-10-16 | 2020-01-14 | 电子科技大学 | 一种目标库属性判别最优非线性本征子空间特征提取方法 |
CN110780270A (zh) * | 2019-10-16 | 2020-02-11 | 电子科技大学 | 一种目标库属性判别局部正则学习子空间特征提取方法 |
CN113267757A (zh) * | 2021-05-17 | 2021-08-17 | 电子科技大学 | 一种基于k次奇异值分解字典学习的未知目标判别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105809199A (zh) * | 2016-03-11 | 2016-07-27 | 西安电子科技大学 | 基于稀疏编码和dpl的极化sar图像分类方法 |
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 |
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
- 2019-06-17 CN CN201910519254.7A patent/CN110221267B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105809199A (zh) * | 2016-03-11 | 2016-07-27 | 西安电子科技大学 | 基于稀疏编码和dpl的极化sar图像分类方法 |
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 |
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 (3)
Title |
---|
但瑞: "基于SVDD的一维距离像未知目标判别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 9, 15 September 2018 (2018-09-15), pages 136 - 257 * |
周代英: "基于最优综合子空间串的雷达目标识别", 《仪器仪表学报》, vol. 29, no. 6, 30 June 2008 (2008-06-30), pages 1270 - 1274 * |
戴为龙: "雷达一维距离像目标识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2, 15 February 2019 (2019-02-15), pages 136 - 1416 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110687515A (zh) * | 2019-10-16 | 2020-01-14 | 电子科技大学 | 一种目标库属性判别最优非线性本征子空间特征提取方法 |
CN110780270A (zh) * | 2019-10-16 | 2020-02-11 | 电子科技大学 | 一种目标库属性判别局部正则学习子空间特征提取方法 |
CN110780270B (zh) * | 2019-10-16 | 2022-11-04 | 电子科技大学 | 一种目标库属性判别局部正则学习子空间特征提取方法 |
CN113267757A (zh) * | 2021-05-17 | 2021-08-17 | 电子科技大学 | 一种基于k次奇异值分解字典学习的未知目标判别方法 |
CN113267757B (zh) * | 2021-05-17 | 2022-03-08 | 电子科技大学 | 一种基于k次奇异值分解字典学习的未知目标判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110221267B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sheng et al. | NRTR: A no-recurrence sequence-to-sequence model for scene text recognition | |
Pan et al. | Radar HRRP target recognition model based on a stacked CNN–Bi-RNN with attention mechanism | |
CN108133232B (zh) | 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 | |
CN110221267A (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 | |
Miranda et al. | New routes from minimal approximation error to principal components | |
CN109492671B (zh) | 一种基于lstm的多极化高分辨距离像目标识别方法 | |
CN105138983B (zh) | 基于加权部件模型和选择性搜索分割的行人检测方法 | |
Liu | High accuracy handwritten Chinese character recognition using quadratic classifiers with discriminative feature extraction | |
CN103941244A (zh) | 一种雷达目标一维距离像局部最优子空间识别方法 | |
Fu et al. | Aircraft recognition in SAR images based on scattering structure feature and template matching | |
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 | |
CN108734115B (zh) | 一种基于标签一致字典学习的雷达目标识别方法 | |
Mori et al. | Global feature for online character recognition | |
CN109242010A (zh) | 一种稀疏学习rcs序列特征提取方法 | |
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 | |
Wenbo et al. | HRRP target recognition based on kernel joint discriminant analysis | |
Liang et al. | Dynamic and combined gestures recognition based on multi-feature fusion in a complex environment | |
CN106908774A (zh) | 基于多尺度核稀疏保持投影的一维距离像识别方法 | |
CN105893945B (zh) | 一种遥感图像目标识别方法 | |
Lei et al. | Efficient feature selection for linear discriminant analysis and its application to face recognition | |
CN110187322A (zh) | 一种目标库属性判别非线性逐维优化子空间特征提取方法 | |
CN104077610A (zh) | 二维非线性投影特征的sar图像目标识别的方法 | |
Arbain et al. | Offline handwritten digit recognition using triangle geometry properties | |
CN110780270B (zh) | 一种目标库属性判别局部正则学习子空间特征提取方法 | |
Mori et al. | How important is global structure for characters? |
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 |