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 PDF

Info

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
Application number
CN201910966118.2A
Other languages
English (en)
Other versions
CN110658507A (zh
Inventor
周代英
张瑛
沈晓峰
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 CN201910966118.2A priority Critical patent/CN110658507B/zh
Publication of CN110658507A publication Critical patent/CN110658507A/zh
Application granted granted Critical
Publication of CN110658507B publication Critical patent/CN110658507B/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

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

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
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：
定义xcj表示第c类真假目标的第j个训练样本的一维距离像，其中1≤c≤g，1≤j≤Nc， g表示真假目标的类别数，Nc表示第c类真假目标的训练样本数，训练样本总数
Figure BDA0002230531310000021
设置多分量高斯模型：
Figure BDA0002230531310000022
其中，p(·)、q(·)表示概率密度函数；
Figure BDA0002230531310000023
表示第c类的第m个高斯分量
Figure BDA0002230531310000024
的权系数，其中
Figure BDA0002230531310000025
表示高斯分量的参数(包括均值和方差)；
xcjk表示xcj的第k个元素，1≤k≤n，n表示xcj的元素数，即维度；
Figure BDA0002230531310000026
表示参数
Figure BDA0002230531310000027
的第k个元素；
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；
Figure BDA0002230531310000028
表示第c类的一维距离像的第k个特征元素的概率分布参数(包括均值和方差)；
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(
Figure BDA0002230531310000029
和βk)，确定有效特征元素：
(1)初始化参数
Figure BDA00022305313100000210
权系数
Figure BDA00022305313100000211
以及概率βk；
(2)计算多分量高斯模型参数的迭代更新值：
根据公式
Figure BDA0002230531310000031
计算参数wcjm；
根据公式
Figure BDA0002230531310000032
计算参数ucmk；
根据公式
Figure BDA0002230531310000033
计算参数ecmk；
根据公式
Figure BDA0002230531310000034
计算权系数
Figure BDA0002230531310000035
的当前迭代更新值
Figure BDA0002230531310000036
根据公式
Figure BDA0002230531310000037
计算参数
Figure BDA0002230531310000038
的当前迭代更新值
Figure BDA0002230531310000039
的均值
Figure BDA00022305313100000310
根据公式
Figure BDA00022305313100000311
计算参数
Figure BDA00022305313100000312
的当前迭代更新值
Figure BDA00022305313100000313
的方差
Figure BDA00022305313100000314
根据公式
Figure BDA00022305313100000315
计算参数
Figure BDA00022305313100000316
的当前迭代更新值
Figure BDA00022305313100000317
的均值
Figure BDA00022305313100000318
根据公式
Figure BDA00022305313100000319
计算参数
Figure BDA00022305313100000320
的当前迭代更新值
Figure BDA00022305313100000321
的方差
Figure BDA00022305313100000322
根据公式
Figure BDA0002230531310000041
计算概率βk的当前迭代更新值
Figure BDA0002230531310000042
其中，nθ和nγ分别表示参数
Figure BDA0002230531310000043
和
Figure BDA0002230531310000044
包括的参数个数；
(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)；
即将更新值
Figure BDA0002230531310000045
作为当前的权系数
Figure BDA0002230531310000046
将更新值
Figure BDA0002230531310000047
作为当前的概率βk，以及基于均值
Figure BDA0002230531310000048
和方差
Figure BDA0002230531310000049
得到当前的参数
Figure BDA00022305313100000410
基于均值
Figure BDA00022305313100000411
和方差
Figure BDA00022305313100000412
得到当前的参数
Figure BDA00022305313100000413
后，继续执行步骤(2)；
其中，迭代收敛条件为：权系数
Figure BDA00022305313100000414
迭代更新前后的误差和概率βk更新前后的误差均小于指定的门限阈值(即
Figure BDA00022305313100000415
与
Figure BDA00022305313100000416
的误差，以及βk与
Figure BDA00022305313100000417
的误差均小于指定的门限阈值)，或者迭代更新次数超过了指定的迭代次数上限；
步骤(4)判断当前迭代更新值
Figure BDA00022305313100000418
是否大于指定的门限，若是，则第k个特征元素为有效特征元素。
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，
Figure BDA0002230531310000051
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：
Figure BDA0002230531310000052
其中，
Figure BDA0002230531310000053
为各高斯分量(
Figure BDA0002230531310000054
)的权系数，
Figure BDA0002230531310000055
且
Figure BDA0002230531310000056
Mc为第c类的高斯分量个数，
Figure BDA0002230531310000057
代表高斯分量项的参数(包括均值和方差)，p(·)为概率密度函数。
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
Figure BDA0002230531310000058
其中，xcjk表示xcj的第k个特征元素，如果元素与类别独立，则该元素不是有效的特征，设其服从分布
Figure BDA0002230531310000059
其中，
Figure BDA00022305313100000510
为具体的概率分布参数，则式(2)将变换为：
Figure BDA00022305313100000511
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
Figure BDA0002230531310000061
通过均值最大化方法估计式(5)中的参数，步骤如下：
步骤1：初始化高斯分量的均值矢量、协方差矩阵及权值以及特征元素有效的概率；即初始化
Figure BDA0002230531310000062
和βk；
步骤2：计算模型参数的更新值：
Figure BDA0002230531310000063
Figure BDA0002230531310000064
Figure BDA0002230531310000065
Figure BDA0002230531310000066
Figure BDA0002230531310000067
Figure BDA0002230531310000068
Figure BDA0002230531310000069
Figure BDA0002230531310000071
Figure BDA0002230531310000072
其中，nθ和nγ分别为参数集
Figure BDA0002230531310000073
和
Figure BDA0002230531310000074
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，
Figure BDA0002230531310000075
表示参数
Figure BDA0002230531310000076
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。
步骤3：计算参数
Figure BDA0002230531310000077
和
Figure BDA0002230531310000078
更新前后的误差，如果小于指定的门限值或超过了指定的迭代次数，则更新过程终止，否则，基于各参数更新后的值转到步骤2继续迭代更新。
若迭代更新终止时得到的
Figure BDA0002230531310000079
值大于给定门限，则保留第k个特征元素，将保留下来的特征元素组一个新的特征矢量，完成特征提取处理。
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
Figure BDA0002230531310000081
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：
定义xcj表示第c类真假目标的第j个训练样本的一维距离像，其中1≤c≤g，1≤j≤Nc，g表示真假目标的类别数，Nc表示第c类真假目标的训练样本数，训练样本总数
Figure FDA0002230531300000011
设置多分量高斯模型：
Figure FDA0002230531300000012
其中，p(·)、q(·)表示概率密度函数；
Figure FDA0002230531300000013
表示第c类的第m个高斯分量
Figure FDA0002230531300000014
的权系数，其中
Figure FDA0002230531300000015
表示高斯分量的参数；
xcjk表示xcj的第k个元素，1≤k≤n，n表示xcj包括的元素数；
Figure FDA0002230531300000016
表示参数
Figure FDA0002230531300000017
的第k个元素；
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；
Figure FDA0002230531300000018
表示第c类的一维距离像的第k个特征元素的概率分布参数；
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：
(1)初始化参数
Figure FDA0002230531300000019
权系数
Figure FDA00022305313000000110
以及概率βk；
(2)计算多分量高斯模型参数的迭代更新值：
根据公式
Figure FDA00022305313000000111
计算参数wcjm；
根据公式
Figure FDA00022305313000000112
计算参数ucmk；
根据公式
Figure FDA0002230531300000021
计算参数ecmk；
根据公式
Figure FDA0002230531300000022
计算权系数
Figure FDA0002230531300000023
的当前迭代更新值
Figure FDA0002230531300000024
根据公式
Figure FDA0002230531300000025
计算参数
Figure FDA0002230531300000026
的当前迭代更新值
Figure FDA0002230531300000027
的均值
Figure FDA0002230531300000028
根据公式
Figure FDA0002230531300000029
计算参数
Figure FDA00022305313000000210
的当前迭代更新值
Figure FDA00022305313000000211
的方差
Figure FDA00022305313000000212
根据公式
Figure FDA00022305313000000213
计算参数
Figure FDA00022305313000000214
的当前迭代更新值
Figure FDA00022305313000000215
的均值
Figure FDA00022305313000000216
根据公式
Figure FDA00022305313000000217
计算参数
Figure FDA00022305313000000218
的当前迭代更新值
Figure FDA00022305313000000219
的方差
Figure FDA00022305313000000220
根据公式
Figure FDA00022305313000000221
计算概率βk的当前迭代更新值
Figure FDA00022305313000000222
其中，nθ和nγ分别表示参数
Figure FDA00022305313000000223
和
Figure FDA00022305313000000224
包括的参数个数；
(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)；
其中，迭代收敛条件为：权系数
Figure FDA00022305313000000225
迭代更新前后的误差和概率βk更新前后的误差均小于指定的误差门限阈值，或者迭代更新次数超过了指定的迭代次数上限；
步骤(4)判断当前迭代更新值
Figure FDA0002230531300000033
是否大于指定的门限，若是，则第k个特征元素为有效特征元素；
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。
3.如权利要求1所述的方法，其特征在于，参数
Figure FDA0002230531300000031
包括高斯分量的均值和方差，初始值时，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。
4.如权利要求1所述的方法，其特征在，步骤(3)中，权系数
Figure FDA0002230531300000032
迭代更新前后的误差和概率βk更新前后的误差门限阈值均设置为0.0001。
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。
CN201910966118.2A 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 Active CN110658507B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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