CN110780270A - 一种目标库属性判别局部正则学习子空间特征提取方法 - Google Patents

Abstract

本发明公开了一种目标库属性判别局部正则学习子空间特征提取方法，属于雷达目标识别技术领域。本发明利用库属目标的训练数据集计算样本局部类内散布矩阵和样本局部类间散布矩阵,建立局部正则学习子空间，由该子空间提取的特征，能够减少同类样本间的距离，而增大异类样本间的分离，从而提高了对库属目标和非库属目标的判别性能。

Description

一种目标库属性判别局部正则学习子空间特征提取方法

技术领域

本发明属于雷达目标识别技术领域，具体涉及一种目标库属性判别局部正则学习子空间特征提取方法。

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。

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。

由于一维距离像具有成像简单，并可以进行实时识别，因此，基于一维距离像的雷达目标识别成为了识别飞机等高速运动目标的重要手段。对于这种传统的模式识别方法，待识别目标必须是参与了训练的目标，称为库属目标。但是，实际应用中，对于一些机密飞机目标，是无法事先获取训练数据以建立它们的特征模板，称为非库属目标，由于库模板的缺失，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，必须首先判别待识别目标的库属性。

传统的特征子空间目标判别方法是一种有效的判别方法，通过对库属目标训练样本集进行特征分解获得子空间抽取目标特征，这种特征具有最优数据逼近度，但类间区分度不是最优的，可能造成库属目标与非库属目标的特征分布交叠增大，从而会降低传统的特征子空间判别方法的性能，因此，传统的特征子空间目标库属性判别方法的性能有待进一步改善的余地。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种目标库属性判别局部正则学习子空间特征提取方法。

本发明的采用的技术手段包括下列步骤：

步骤1：获取最优变换矩阵：

定义x_ij表示第i类库属目标的第j个训练样本的一维距离像，其中1≤i≤g，1≤j≤N_i， g表示库属目标的类别数，N_i表示第i类库属目标的训练样本数；

将除x_ij外的所有训练样本的一维距离像，按类的顺序构建稀疏学习字典，并对各训练样本的一维距离像x_ij进行稀疏表示，得到其稀疏系数α_ij；

基于稀疏系数α_ij确定重构系数w_ij,rk：

其中，α_ij,rk表示α_ij中的元素，且r＝1,…,g，k＝1,…,N_r；ij＞rk表示i＞r或i＝r且j＞k； ij＝rk表示i＝r且j＝k；ij＜rk表示i＜r或i＝r且j＜k；

定义矩阵n×m维的矩阵A表示变换矩阵，其中m＜n，并基于变换矩阵A得到x_ij的投影矢量y_ij：y_ij＝A^Tx_ij；

基于各库属目标的训练样本的一维距离像的投影矢量，计算所有库属目标训练样本的邻域加权重构误差e：

并计算同类样本邻域距离和s_w，以及异类样本邻域的距离和s_b：

其中，

表示与x_ij相同类别中距离x_ij最近的k₁个训练样本构成的邻域，表示与x_ij不同类别中距离x_ij最近的k₂个训练样本构成的邻域，k₁、k₂为预设正整数；

对优化模型进行求解，得到最优变换矩阵A_opt，其中系数β的取值范围为0＜β＜1；

步骤2：对待进行特征提取的任意一维距离像x_t，根据y_t＝(A_opt)^Tx_t得到一维距离像x_t的特征向量。

进一步的，求解优化模型

的具体方式为：

构建本征方程：X(βP+(1-β)E)X^Ta_m+1-k＝λ_kXQX^Ta_m+1-k；

其中，

矩阵

矩阵P＝(I-W₁)^T(I-W₁)，I表示N×N维度的单位矩阵，矩阵

矩阵

矩阵E＝(I-W)^T(I-W)，

矩阵Q＝(I-W₂)^T(I-W₂)；

λ_k表示第k个最大的本征值，a_m+1-k为λ_k对应的本征向量，其中1≤k≤m；

将求解得到的本征向量a_m+1-k作为最优变换矩阵A_opt的第m+1-k列，从而得到最优变换矩阵A_opt。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明利用库属目标的训练数据集计算样本局部类内散布矩阵和样本局部类间散布矩阵, 建立局部正则学习子空间，由该子空间提取的特征，能够减少同类样本间的分离，而增大异类样本间的分离，因此，改善了对库属目标和非库属目标的判别率。

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。

本发明的目标库属性判别局部正则学习子空间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类库属目标的第j个训练样本的一维距离像(简称训练样本), 1≤i≤g，1≤j≤N_i，

其中N_i为第i类库属目标的训练样本数，N为训练样本总数。将除x_ij外的所有训练样本，按类的顺序构建稀疏学习字典，对训练样本x_ij进行稀疏表示，获得相应的稀疏系数α_ij。

对x_ij进行稀疏表示，即根据公式

x_ij＝D_ijα_ij求解得到x_ij的稀疏系数α_ij，其中，||·||₁表示1-范数，D^ij表示稀疏字典，由除x_ij外的所有训练样本组成；

即稀疏字典

求解得到的

由稀疏系数确定重构系数w_ij,rk：

其中，α_ij,rk是α_ij中的元素，r＝1,…,g，k＝1,…,N_r；ij＞rk表示i＞r或i＝r且j＞k；ij＝rk 表示i＝r且j＝k；ij＜rk表示i＜r或i＝r且j＜k；

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x_ij向矩阵投影，得到投影矢量y_ij：

y_ij＝A^Tx_ij (2)

计算所有库属目标训练样本的邻域加权重构误差：

定义投影矩阵Y为：

其中，投影矩阵Y的维度为N。

同时，计算同类样本邻域距离和s_w及异类样本邻域的距离和s_b：

其中，

为同目标类中距离x_ij最近的k₁个训练样本构成的邻域，

为不同目标类中距离x_ij最近的k₂个训练样本构成的邻域，k₁、k₂为预设的正整数。其中，距离即两个向量之间的欧式距离。

选择变换矩阵A，使邻域重构误差与同类样本邻域距离和达到最小，而同时使异类样本邻域距离和达到最大，据此建立如下的优化方程：

其中β(0＜β＜1)是预设系数，用于控制邻域重构误差与同类样本邻域距离和在优化中所占的比重。将式(2)-式(6)代入式(7)，并求解式(7)中的优问题，化简可得如下本征方程：

X(βP+(1-β)E)X^Ta_m+1-k＝λ_kXQX^Ta_m+1-k (8)

其中

P＝(I-W₁)^T(I-W₁) (10)

E＝(I-W)^T(I-W) (11)

Q＝(I-W₂)^T(I-W₂) (12)

其中，I表示单位矩阵，λ_k为第k(1≤k≤m)个最大的本征值，a_m+1-k为λ_k对应的本征向量。由a_m+1-k作为变换矩阵A的第m+1-k列，则矩阵A称为局部正则学习子空间。

获得矩阵A后，对于任意待进行特征提取对象(如训练样本、待识别目标)的一维距离像，利用式(2)即可提取对应的特征矢量。

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：“|”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x_t对应的特征矢量为y_t，计算y_t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。

当得到输入目标判为库属目标后，再基于预设的分类器实现不同种目标(“|”字型，“V”字型,“干”字型和“小”字型)的类型识别：即采用本发明的特征提取方法，提取对应的训练样本的特征向量，对预置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；再将待进行类型分类的输入目标的特征向量输入到训练好的分类器，基于其输出得到分类识别结果。

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：

表一常规特征子空间方法对四种目标的判别结果(％)

表二本发明方法对四种目标的判别结果(％)

从表一和表二的结果可见，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88％、82％和82％；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89％，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。

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)

1.一种目标库属性判别局部正则学习子空间特征提取方法，其特征在于，包括下列步骤：

步骤1：获取最优变换矩阵：

定义x_ij表示第i类库属目标的第j个训练样本的一维距离像，其中1≤i≤g，1≤j≤N_i，g表示库属目标的类别数，N_i表示第i类库属目标的训练样本数；

将除x_ij外的所有训练样本的一维距离像，按类的顺序构建稀疏学习字典，并对各训练样本的一维距离像x_ij进行稀疏表示，得到其稀疏系数α_ij；

基于稀疏系数α_ij确定重构系数w_ij,rk：

其中，α_ij,rk表示α_ij中的元素，且r＝1,…,g，k＝1,…,N_r；ij＞rk表示i＞r或i＝r且j＞k；ij＝rk表示i＝r且j＝k；ij＜rk表示i＜r或i＝r且j＜k；

定义矩阵n×m维的矩阵A表示变换矩阵，其中m＜n，并基于变换矩阵A得到x_ij的投影矢量y_ij：y_ij＝A^Tx_ij；

基于各库属目标的训练样本的一维距离像的投影矢量，计算所有库属目标训练样本的邻域加权重构误差e：

并计算同类样本邻域距离和s_w，以及异类样本邻域的距离和s_b：

其中，

表示与x_ij相同类别中距离x_ij最近的k₁个训练样本构成的邻域，

表示与x_ij不同类别中距离x_ij最近的k₂个训练样本构成的邻域，k₁、k₂为预设的正整数；

对优化模型

进行求解，得到最优变换矩阵A_opt，其中系数β的取值范围为0＜β＜1；

步骤2：对待进行特征提取的任意一维距离像x_t，根据y_t＝(A_opt)^Tx_t得到一维距离像x_t的特征向量。

2.如权利要求1所述的方法，其特征在于，求解优化模型

的具体方式为：

构建本征方程：X(βP+(1-β)E)X^Ta_m+1-k＝λ_kXQX^Ta_m+1-k；

其中，

矩阵

矩阵P＝(I-W₁)^T(I-W₁)，I表示N×N维度的单位矩阵，矩阵

矩阵

矩阵E＝(I-W)^T(I-W)，矩阵

矩阵Q＝(I-W₂)^T(I-W₂)；

λ_k表示第k个最大的本征值，a_m+1-k为λ_k对应的本征向量，其中1≤k≤m；

将求解得到的本征向量a_m+1-k作为最优变换矩阵A_opt的第m+1-k列，从而得到最优变换矩阵A_opt。