CN110687514A - 一种非线性判别学习真假目标一维距离像特征提取方法 - Google Patents

Abstract

本发明公开了一种非线性判别学习真假目标一维距离像特征提取方法，属于雷达目标识别技术领域。本发明首先利用非线性函数将一维距离像映射到高维特征空间，然后，在高维特征空间通过判别学习获得投影变换矩阵，再基于该投影变换矩阵得到任意待提取特征的一维距离像的特征向量。本发明的特征提取方法，能够很好地表示样本数据分布中出现的非线性，从而提高了目标识别性能，克服了现有的常规子空间法不适合于非线性数据分布的缺点，有效改善了对雷达真假目标的分类性能。

Description

一种非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，具体涉及一种可以用于雷达目标识别的非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

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，例如基于一。

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。

高分辨雷达及其成像技术的应用推动雷达目标识别技术的发明展，使目标的特性得到了更为精细的描述。利用高分辨雷达对目标进行一维距离成像，得到的一维距离像可以揭示目标的几何结构信息。一维距离成像以散射点模型为依据，描述了目标散射中心在径向距离的投影，可用雷达目标识别的特征。基于一维距离像的雷达目标识别具有实际应用价值，得到了广泛应用。由于识别率高、计算量小，针对一维距离像的常规子空间方法在雷达目标识别中得到广泛应用。如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，从而提取到非常有效的识别特征，获得了良好的识别性能。

但是，常规子空间法是线性的方法，只适合于样本数据分布是线性的情况，而实际中样本数据分布可能会出现非线性，导致常规子空间方法的识别性能出现明显下降。现有常规子空间方法的识别性能有进一步改善的余地。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种能提升雷达目标识别性能的非线性判别学习真假目标一维距离像特征提取方法。

本发明的非线性判别学习真假目标一维距离像特征提取方法，包括下列步骤：

步骤1：基于预设的非线性函数φ(·)，将一维距离像映射到高维特征空间，得到各类真假目标的各训练样本的一维距离像在高维特征空间的矢量：y_ij＝φ(x_ij)；

并计算各类样本分布在高维特征空间的中心矢量

的初始值为：

其中，x_ij表示第i类真假目标的第j个训练样本的一维距离像，N_i表示第i类真假目标的训练样本数；

设置中心矢量的权系数的初始值为：

其中，函数k(x_ij,x_il)＝φ(x_ij)^Tφ(x_il)，j,l＝1,…,N_i；上标“T”表示矩阵转置；

步骤2：迭代更新第i类样本分布在高维特征空间中的中心矢量的权系数：

更新后的权系数

为：

其中，表示矢量中只有第j个元素的值为1,其它元素均为零, 函数

表示预设的带宽系数

n_φ表示高维特征空间的矢量维度，由φ(·) 确定，

表示更新前的中心矢量的权系数，即中心矢量的当前权系数；

步骤3：基于当前更新后的权系数得到当前更新后的各类样本分布在高维特征空间的中心矢量

i＝1,2,…,g，其中，

并判定是否满足迭代收敛条件，若是，则执行步骤4；否则，将的值作为中心矢量的当前权系数，继续执行步骤3；

所述迭代收敛条件为：最近两次得到的更新后的中心矢量

的差的模小于给定阈值或者迭代次数超过预设的最大迭代次数；

步骤4：基于当前更新后的中心矢量在高维特征空间计算类内散布矩阵

和类间散布矩阵S_b：

并根据公式

求解得到最优的非线性判别学习变换矩阵

其中 A_φ表示非线性判别学习变换矩阵；

步骤5：对任意待提取特征的一维距离像x_t，根据步骤4得到的最优的非线性判别学习变换矩阵

得到对应的非线性判别学习特征矢量：

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明首先利用非线性函数将一维距离像映射到高维特征空间，然后，在高维特征空间通过判别学习获得投影变换矩阵，能够很好地表示样本数据分布中出现的非线性，从而提高了目标识别性能，克服了常规子空间法不适合于非线性数据分布的缺点，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。

本发明的非线性判别学习真假目标一维距离像特征提取方法用于雷达目标识别，即基于本发明的特征提方法，利用分类器完成对目标的分类识别：采用非线性判别学习真假目标一维距离像特征提取方法分别提取训练样本和待识别目标的一维距离像的特征向量；基于训练样本的特征向量对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，将所提取的特征向量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。

本发明的非线性判别学习真假目标一维距离像特征提取方法的具体实现过程如下：

设x_ij(n维列矢量)为第i类真假目标的第j个训练样本的一维距离像,用g表示类别数， N_i表示训练样本数(即训练样本的一维距离像数)，则1≤i≤g，1≤j≤N_i，

其N 为训练样本总数。利用非线性函数φ(·)将一维距离像x_ij映射到高维特征空间：

y_ij＝φ(x_ij) (1)

其中，y_ij为x_ij对应的高维特征空间的n_φ维矢量，n_φ的值由非线性函数φ(·)决定。设x_ij对应的对角带宽矩阵为：

其中，

为带宽系数，

c为常数，由实验确定，即经验值。在高维特征空间，第i类样本分布的密度估计值为：

其中，||·||为2-范数，y是任意n维矢量x的非线性映射矢量，β(·)为预设的分布函数；

y＝φ(x) (3)

其中，e表示自然底数。

式(2)右边对y求偏导，并令其等于零，可得

其中

化简式(5)可得第i类样本分布的中心矢量迭代方程：

其中，

为第i类样本分布在高维特征空间的中心矢量，

为每次迭代的修正量。因

和φ(x_ij)都是高维特征空间的矢量，则可表示为：

其中

将式(8)和式(9)代入(7)，可得

的权系数的更新方程：

其中，k(x_ij,x_il)函数为：

k(x_ij,x_il)＝φ(x_ij)^Tφ(x_il) (14)

根据以上分析，第i类样本分布在高维特征空间的中心矢量对应的权系数的计算步骤如下：

步骤1：首先选取非线性函数φ(·)，计算第i类样本分布在高维特征空间的中心矢量的初始值

式(16)两边乘

化简可得

的初始值为：

步骤2：按式(13)计算第i类样本分布在高维特征空间中的中心矢量对应的迭代更新后的权系数

步骤3：如果前后两次迭代的中心矢量差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个步骤获得各类目标样本在高维特征空间的中心矢量：

步骤4：将式(18)的结果代替每类样本在高维特征空间的均值矢量(即用作为当前的高维特征空间的均值矢量(中心矢量)

)，在高维特征空间计算类内散布矩阵和类间散布矩阵S_b：

从而得到非线性判别学习变换矩阵A_φ，使类内差异最小，而使类间差异最大，即满足

步骤5：利用优化方法求解得到最优非线性判别学习变换矩阵

后，计算任意一维距离像x_t对应的非线性判别学习特征矢量：

其中y_t即为x_t对应的非线性判别学习特征矢量，即本发明的特征提取方法所得到的一维距离像的特征向量。

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°～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0o～90o范围内,利用本发明的非线性判别学习特征提取方法和现有的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。

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％，而本发明的非线性判别学习特征提取方法的识别率为93％；对碎片，判别矢量子空间特征提取法的识别率为78％，而本发明的非线性判别学习特征提取方法的识别率为85％；对轻诱饵，判别矢量子空间特征提取法的识别率为80％，而本发明的非线性判别学习特征提取方法的识别率为88％；对重诱饵，判别矢量子空间特征提取法的识别率为82％，而本发明的非线性判别学习特征提取方法的识别率为85％。平均而言，对四类目标，本发明的非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，表明本发明的非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。

表一 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 (2)

1.一种非线性判别学习真假目标一维距离像特征提取方法，特征在于，包括下列步骤：

步骤1：基于预设的非线性函数φ(·)，将一维距离像映射到高维特征空间，得到各类真假目标的各训练样本的一维距离像在高维特征空间的矢量：y_ij＝φ(x_ij)；

并计算各类样本分布在高维特征空间的中心矢量

的初始值为：

其中，x_ij表示第i类真假目标的第j个训练样本的一维距离像，N_i表示第i类真假目标的训练样本数；

设置中心矢量的权系数的初始值为：

其中，函数k(x_ij,x_il)＝φ(x_ij)^Tφ(x_il)，

上标“T”表示矩阵转置；

步骤2：迭代更新第i类样本分布在高维特征空间中的中心矢量的权系数：

更新后的权系数

为：

其中，

表示矢量中只有第j个元素的值为1,其它元素均为零；函数

β(·)表示分布函数；表示预设的带宽系数；n_φ表示高维特征空间的矢量维度；

表示中心矢量的当前权系数；

步骤3：基于当前更新后的权系数

得到当前更新后的各类样本分布在高维特征空间的中心矢量：

g表示类别数；

并判定是否满足迭代收敛条件，若是，则执行步骤4；否则，将

的值作为中心矢量的当前权系数，继续执行步骤3；

所述迭代收敛条件为：最近两次得到的更新后的中心矢量的差的模小于给定阈值或者迭代次数超过预设的最大迭代次数；

步骤4：基于当前更新后的中心矢量

在高维特征空间计算类内散布矩阵

和类间散布矩阵S_b：

并根据公式

求解得到最优非线性判别学习变换矩阵

其中A_φ表示非线性判别学习变换矩阵；

步骤5：对任意待提取特征的一维距离像x_t，根据步骤4得到的最优的非线性判别学习变换矩阵

得到对应的非线性判别学习特征矢量：

2.如权利要求1所述的方法，其特征在于，带宽系数设置为：

其中c为预置的常数。