CN110658507B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110658507B CN110658507B CN201910966118.2A CN201910966118A CN110658507B CN 110658507 B CN110658507 B CN 110658507B CN 201910966118 A CN201910966118 A CN 201910966118A CN 110658507 B CN110658507 B CN 110658507B
- Authority
- CN
- China
- Prior art keywords
- parameters
- representing
- class
- target
- true
- 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
- G01S7/41—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
Abstract
本发明公开了一种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,属于雷达目标识别技术领域。本发明采用多分量高斯分布表示目标数据的似然函数,在目标样本数据是非高斯分布的情况下,仍然能够准确地描述目标数据的分布情况,从目标一维距离像特征元素中筛选出最有效的分类识别特征。克服了常规方法只适合于样本数据高斯分布的缺点,从而改善了雷达目标识别性能。
Description
技术领域
本发明属于雷达目标识别技术领域,具体涉及一种用于雷达目标识别的多类平均最大化真假目标特征提取。
背景技术
雷达目标识别需要从目标的雷达回波中提取目标的有关信息标志和稳定特征(目标特征) 并判明其属性。它根据目标的后向电磁散射来鉴别目标。利用目标在雷达远区所产生的散射场的特征,可以获得用于目标识别的信息(目标信息)。对获取的目标信息进行计算机处理,与已有目标的特性进行比较,从而达到自动识别目标的目的。雷达目标识别包括两个部分:特征提取和分类识别。
特征提取,从目标回波数据中提取出对分类识别有用的目标特征信息。
分类识别:对特征提取中所获得的目标特征信息做适当的处理,完成特征信号与目标参数间的相互关联和判决。
分类识别的处理过程可以分为两个阶段:训练(或设计)阶段和识别阶段。其中,训练阶段是指通过一定数量的训练样本(训练样本的目标特征信息)进行分类器的设计或训练;识别阶段是指用所设计或训练的分类器对待识别的样本进行分类器决策。雷达目标识别所涉及分类器包括但不限于SVM分类器、随机森林、深度学习网络等。
由于在雷达目标识别中,分类识别需要基于训练样本的目标特征信息进行分类的训练,进而将待识别对象的目标特征信息作为训练好的分类器的输入,基于其输出得到对应的分类识别结果。可见在雷达目标识别中,特征提取是非常关键的一步,一方面可以降低输入矢量的维数,减少计算量,另一方面又能够很好地保持原有的分类信息。
当前,子空间就是雷达目标识别中的一种常用的特征提取方法,即是在满足某一准则的条件下,得到相应的子空间。例如,判别矢量子空间法是利用fisher准则得到判别矢量子空间,而特征子空间法即是在重构误差最小的条件下获取特征子空间,在样本数据是高斯分布的条件下,能够获得好的识别效果。
但是,子空间等特征提取方法只适合于样本数据是高斯分布的情况,而实际中样本数据的分布可能是非高斯的,针对非高斯分布情况,常规的特征提取方法的识别性能显著降低。现有常规特征提取方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,提出了一种多类平均最大化特征提取方法,以提高对雷达目标的识别性能。
本发明的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,包括下列步骤:
步骤1:基于训练样本确定一维距离像中的有效特征元素:
设置多分量高斯模型:
其中,p(·)、q(·)表示概率密度函数;
xcjk表示xcj的第k个元素,1≤k≤n,n表示xcj的元素数,即维度;
Mc表示第c类的高斯分量个数;
ψck表示第c类的一维距离像的第k个特征元素的有效标签,若特征元素有效,则ψck=1,否则ψck=0;
βk表示一维距离像的第k个特征元素的为有效特征元素的概率;
(2)计算多分量高斯模型参数的迭代更新值:
(3)判断是否满足迭代收敛条件,若是,则执行步骤(4);否则,基于多分量高斯模型参数的当前迭代更新值继续执行步骤(2);
步骤2:对于任意待进行特征提取的一维距离像xt,基于步骤1确定一维距离像中的有效特征元素,得到一维距离像xt的特征矢量。
当将本发明的特征提取方式用于雷达目标识别时,基于所确定的有效特征元素,分别得到训练样本集中的各训练样本和待识别目标的一维距离像的特征向量;其中训练样本用于训练预设的分类器;当满足训练需求时,得到训练好的分类器;再将待识别目标的一维距离像的特征向量输入到该分类器中,基于其输出得到对应的识别结果。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明以多分量高斯分布来表示各类目标数据的似然函数,在非高斯分布的条件下,仍然能够准确地描述目标数据的分布情况,从而筛选出对分类识别最有效的特征,克服常规特征提取方法的缺陷,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。
本发明提出的一种多类平均最大化特征提取方法,以多分量高斯分布来表示各类目标数据的似然函数,在非高斯分布的条件下,仍然能够准确地描述目标数据的分布情况,从而筛选出对雷达目标识别的分类识别最有效的特征,克服常规特征提取方法的缺陷,有效改善对雷达真假目标的分类性能。
本发明的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的实现过程如下:
设xcj(n维列矢量)为第c类真假目标的第j个训练一维距离像,1≤c≤g,1≤j≤Nc,其中,g表示真假目标的类别数,Nc为第c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。利用多项高斯分量来表示第c类的似然函数:
假定一维像数据中各特征元素是互相独立的,则式(1)可变为
其中ψck是一个两值变量,如果特征元素有效,则ψck=1,否则ψck=0。令特征元素有效的概率为:
βk=P(ψck=1) (4)
式(3)可表示为
通过均值最大化方法估计式(5)中的参数,步骤如下:
步骤2:计算模型参数的更新值:
其中,nθ和nγ分别为参数集和中的参数个数,E(·)和var(·)分别表示参数集中的均值参数和方差参数,表示参数的第k个元素,p(·)和q(·)表示概率密度函数。因各混合分量为高斯分布,则nθ=2,nγ=2。
当进行雷达目标识别处理时,基于上述特征提取处理的方式,利用分类器完成对目标的分类识别。即对训练样本提取特征向量,并输入到预设的分类器进行训练学习,当满足预设训练精度时,停止训练,得到训练好的分类器;对于当前待识别目标,提取对应的特征向量后输入到训练好的分类器,基于其输出得到待识别目标的分类识别。
为了验证本发明的特征提取方法在雷达目标识别处理时的识别性能,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°~80°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,利用本发明的多类平均最大化特征提取方法和现有的基于判别矢量子空间特征提取方法进行了识别实验,结果如表一所示。实验参数为:Mc=4,迭代终止门限值取为0.0001,选取特征元素的门限取为0.001。另外,以各类样本的均值和协方差矩阵作为各高斯分量的均值和方差矩阵的初始值。
从表一的结果可以看到,对真目标,判别矢量子空间特征提取法的识别率为83%,而本发明的多类平均最大化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%,而本发明的多类平均最大化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%,而本发明的多类平均最大化特征提取方法的识别率为85%;对重诱饵,判别矢量子空间特征提取法的识别率为82%,而本发明的多类平均最大化特征提取方法的识别率为84%。平均而言,对四类目标,本发明的多类平均最大化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,表明本发明的多类平均最大化特征提取方法确实改善了多类目标的识别性能。
表1两种方法的识别结果
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 (5)
1.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,其特征在于,包括下列步骤:
步骤1:基于训练样本确定一维距离像中的有效特征元素:
设置多分量高斯模型:
其中,p(·)、q(·)表示概率密度函数;
xcjk表示xcj的第k个元素,1≤k≤n,n表示xcj包括的元素数;
Mc表示第c类的高斯分量个数;
ψck表示第c类的一维距离像的第k个特征元素的有效标签,若特征元素有效,则ψck=1,否则ψck=0;
βk表示一维距离像的第k个特征元素的为有效特征元素的概率;
通过均值最大化方法估计多分量高斯模型参数,确定有效特征元素:
(2)计算多分量高斯模型参数的迭代更新值:
(3)判断是否满足迭代收敛条件,若是,则执行步骤(4);否则,基于多分量高斯模型参数的当前迭代更新值继续执行步骤(2);
步骤2:对于任意待进行特征提取的一维距离像xt,基于步骤1确定一维距离像中的有效特征元素,得到一维距离像xt的特征矢量。
2.如权利要求1所述的方法,其特征在于,通过均值最大化方法估计多分量高斯模型参数时,参数个数nθ=2,nγ=2。
5.如权利要求1所述的方法,其特征在于,选取有效特征元素的门限设置为0.001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966118.2A CN110658507B (zh) | 2019-10-12 | 2019-10-12 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966118.2A CN110658507B (zh) | 2019-10-12 | 2019-10-12 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110658507A CN110658507A (zh) | 2020-01-07 |
CN110658507B true CN110658507B (zh) | 2022-07-29 |
Family
ID=69041027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910966118.2A Active CN110658507B (zh) | 2019-10-12 | 2019-10-12 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110658507B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112014821B (zh) * | 2020-08-27 | 2022-05-17 | 电子科技大学 | 一种基于雷达宽带特征的未知车辆目标识别方法 |
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 |
CN113687328A (zh) * | 2021-09-14 | 2021-11-23 | 上海无线电设备研究所 | 一种弹载武器地面目标高分辨一维距离像识别方法 |
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 |
CN114970706B (zh) * | 2022-05-20 | 2024-04-16 | 电子科技大学 | 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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0017989D0 (en) * | 2000-07-24 | 2001-08-08 | Secr Defence | Target recognition system |
CN101221238A (zh) * | 2008-01-24 | 2008-07-16 | 上海交通大学 | 基于高斯均值移动配准的动态偏差估计方法 |
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 |
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 |
CN110007286A (zh) * | 2019-04-22 | 2019-07-12 | 电子科技大学 | 一种线性判别学习真假目标一维距离像特征提取方法 |
-
2019
- 2019-10-12 CN CN201910966118.2A patent/CN110658507B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0017989D0 (en) * | 2000-07-24 | 2001-08-08 | Secr Defence | Target recognition system |
CN101221238A (zh) * | 2008-01-24 | 2008-07-16 | 上海交通大学 | 基于高斯均值移动配准的动态偏差估计方法 |
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 |
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 |
CN110007286A (zh) * | 2019-04-22 | 2019-07-12 | 电子科技大学 | 一种线性判别学习真假目标一维距离像特征提取方法 |
Non-Patent Citations (4)
Title |
---|
Orthogonal maximum margin projection subspace for radar target-HRRP recognition;Daiying Zhou;《EURASIP Journal on Wireless Communications and Networking》;20160303;第1-11页 * |
Radar HRRP target recognition via statistics-based scattering centre set registration;Jing-jing WANG等;《IET Radar,Sonar&Navigation》;20190801;第13卷(第8期);第1264-1271页 * |
利用一维像序列时域差分估计目标进动频率;周代英等;《航空学报》;20181225;第39卷(第S1期);第722183-1—722183-6页 * |
弹道导弹中段真假弹头识别技术;俞万友;《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》;20130715(第7期);第I136-1059页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110658507A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108345911B (zh) | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 | |
CN108256436B (zh) | 一种基于联合分类的雷达hrrp目标识别方法 | |
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 | |
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 | |
CN108038859B (zh) | 基于pso和综合评价准则的pcnn图分割方法及装置 | |
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 | |
EP2291794B1 (en) | Image processing | |
CN107576949B (zh) | 基于密度权重和混合核函数的svdd雷达目标一维距离像识别方法 | |
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 | |
CN108845303B (zh) | 一种非线性稳健子空间真假目标特征提取方法 | |
CN109840542B (zh) | 基于极化特征的自适应维度决策树分类方法 | |
CN112149061A (zh) | 一种多类平均最大化真假目标特征提取方法 | |
CN108230313B (zh) | 基于部件自适应选择与判别模型的sar图像目标检测方法 | |
CN105160598B (zh) | 一种基于改进em算法的电网业务分类方法 | |
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 | |
CN112183617B (zh) | 样本与类标签最大相关子空间rcs序列特征提取方法 | |
CN107346549B (zh) | 一种利用遥感影像多特征的多类别变化动态阈值检测方法 | |
CN110068799B (zh) | 一种稀疏邻域中心保持rcs序列特征提取方法 | |
Chung et al. | Recursive K-distribution parameter estimation | |
CN110826599B (zh) | 一种稀疏表示样本分布边界保持特征提取方法 | |
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 | |
CN111160464B (zh) | 基于多隐层加权动态模型的工业高阶动态过程软测量方法 | |
CN111652264B (zh) | 基于最大均值差异的负迁移样本筛选方法 |
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 |