CN110826599A - 一种稀疏表示样本分布边界保持特征提取方法 - Google Patents

Abstract

本发明公开了一种稀疏表示样本分布边界保持特征提取方法，属于雷达目标识别技术领域。本发明利用稀疏表示确定样本分布区域的边界点及相应的权系数，建立表征异类样本分布区域分离间隙的目标函数，以获取稀疏表示样本分布边界保持变换矩阵，通过该变换能够增大异类特征局部区域之间的分离程度；最后，基于所得到的样本分布边界保持变换矩阵对待进行特征提取的RCS数据序列帧数进行投影，从而得到待提取对象的投影特征矢量，进而使得在基于本发明所提取的投影特征矢量进行雷达目标识别处理时，提高雷达目标识别性能。

Description

一种稀疏表示样本分布边界保持特征提取方法

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稀疏表示样本分 布边界保持特征提取方法。

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。

局部结构保持方法是一种传统流行学习方法，能够提取到目标数据分布的局部结构特征， 在雷达目标识别中获得了较好的识别效果。局部结构保持方法通过在建立变换矩阵的目标函 数中只考虑了类内特征间的差分值，从而在特征域中能够保持同类样本的分布结构。但是， 局部结构保持方法没有考虑不同类特征区域间的分离程度，在不同类样本区域边界之间可能 造成一定的混叠，限制了识别性能的进一步提高。因此，现有局部结构保持方法的识别性能 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，提供一种用于对雷达散射截面(Radar Cross Section，RCS)数据序列帧的稀疏表示样本分布边界保持特征提取方法，从而提升提 高雷达目标识别性能。

本发明的稀疏表示样本分布边界保持特征提取方法，包括下列步骤：

步骤1：基于关于RCS数据序列帧的训练样本设置最优样本分布边界保持变换矩阵：

定义x_ij表示第i类真假目标的第j个训练RCS数据序列帧，其中1≤i≤C，1≤j≤N_i，C 表示类别数，N_i为第i类真假目标的训练RCS数据序列帧数，总帧数

对各x_ij进行稀疏表示：x_ij＝D_ijα_ij；

其中，||·||₁表示1-范数，

表示求解得到的稀疏系数，α_ij表示稀疏系数，D^ij表示稀疏字 典，由除x_ij外的所有训练RCS数据序列帧组成；

稀疏字典D^ij为：

稀疏系数

为：

定义n×l维的矩阵W表示样本分布边界保持变换矩阵，其中，l＜n，n表示RCS数据序 列帧的维度；

设置类间距离加权和的目标函数J₁(W)和类内距离加权和的目标函数J₂(W)：：

其中，b_ij,rk为类间权系数，ω_ij,rk为类内权系数；

且

或

或

且r＝i；

其中，

和

表示样本的类间近邻相似系数，

和

表示样本的k₂近邻类间相似系 数，e为自然底数，σ²表示预置的系数(经验值)，；

表示样本的类间k₁近邻，表 示样本的k₂近邻，且k₁、k₂为正整数，取值为预设值；即

表示与x_ij类别相同且距离x_ij最近的k₁个训练样本，距离度量值为向量间的欧式距离；表示与x_ij类别不同且距离x_ij最近的k₂个训练样本；

类间近邻相似系数

和

具体为:

k₂近邻类间相似系数和

具体为：

对优化模型

进行求解，得到最优样本分布边界保持变换矩阵 W_opt；

步骤2：对待进行特征提取的任意RCS数据序列帧x_t，根据

得到x_t的特征矢量 z_t。

进一步的，在步骤1中，对优化模型

进行求解的具体处理可 以是：

由矩阵(X(D_b-P)X^T)^-1(X(D_w-Q)X^T)的非零特征值对应的特征矢量得到W_opt；

其中

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明利用稀疏表示确定样本分布区域的边界点及相应的权系数，建立表征异类样本分 布区域分离间隙的目标函数，以获取稀疏表示样本分布边界保持变换矩阵，能够增大异类特 征局部区域之间的分离程度，从而提高了目标识别性能，克服了传统局部结构保持方法形成 的局部边界模糊的缺点，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。

本发明的稀疏表示样本分布边界保持特征提取方法可以用于雷达目标识别，在进行雷达 目标识别处理时，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：首先采用 本发明的稀疏表示样本分布边界保持特征提取方法分别提取训练样本和待识别目标的RCS数 据的特征向量；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。

本发明的稀疏表示样本分布边界保持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RCS数据序列帧，1≤i≤C，1≤j≤N_i，

其中，C表示类别数，N_i为第i^th类真假目标的训练RCS序列帧数，N为训练RCS序列总帧数。

针对x_ij进行稀疏表示：

其中，||·||₁表示1-范数，

是稀疏系数，D^ij为稀疏字典，由除x_ij外的所有训练样本矢量 组成

由于，对于接近样本分布区域中心的样本，其近邻样本都是同类样本，而接近样本分布 区域边界的样本，其近邻样本既包括同类样本，也包括异类样本。故本发明利用分布区域边 界样本的特点，通过变换矩阵，使不同类样本在低维空间中分布区域之间的分离度增大。

设变换矩阵为W(n×l维，l＜n)，以及在训练样本变换域建立类间距离加权和的目标 函数：

其中，b_ij,rk为类间权系数。利用稀疏表示系数设置权系数：

其中，σ²是系数，经验值，由实验确定的正数；e为自然底数；

表示样本的类间k₁近邻，k₁为正整数，取值为预设值；

和

表示样本的类间近邻相似系数，由稀疏表示系数 计算：

式(4)-(7)表明，目标函数J₁(W)中只包括了样本分布区域中位于边界样本的类间距离加权和。

同理，在训练样本变换域建立类内距离加权和的目标函数：

其中，ω_ij,rk为类内权系数，由稀疏表示系数计算：

其中，

表示样本的k₂近邻，k₂为正整数，取值为预设值；

和

表示样本的k₂近邻类间相似系数，由稀疏表示系数计算：

式(8)-(11)表明，目标函数J₂(W)中只包括了样本分布区域中位于边界样本的类内 距离加权和。

将式(4)和(8)化简，可得：

J₁(W)＝tr{W^TX(D_b-P)X^TW} (12)

J₂(W)＝tr{W^TX(D_w-Q)X^TW} (13)

其中tr{·}为矩阵的迹，其它矩阵表达式为：

根据以上分析，使J₁(W)达到最大，而使J₂(W)达到最小的变换矩阵W_opt，称为稀疏表示样本分布边界保持变换矩阵，即：

求解式(19)中的极值问题，W_opt则是由矩阵(X(D_b-P)X^T)^-1(X(D_w-Q)X^T)的非零特 征值对应的特征矢量组成的矩阵。

获得稀疏表示样本分布边界保持变换矩阵W_opt后，由下式可得到任意RCS序列帧x_t对应 的投影特征矢量z_t。

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：

设计四种仿真目标：真目标、碎片、轻诱饵和重诱饵。真目标为圆锥形目标，其几何尺 寸：长度1820mm，底部直径540mm；轻诱饵为圆锥形目标，其几何尺寸：长度1910mm，底部直径620mm；重诱饵为圆锥形目标，其几何尺寸：长度600mm，底部直径200mm。真目标、轻 诱饵和重诱饵的进动频率分别为2Hz、4Hz和10Hz。真目标、轻诱饵和重诱饵目标的RCS序 列由FEKO计算得到，雷达载频3GHz，脉冲重复频率为20Hz。碎片的RCS序列假设为均值为 0，方差为-20dB的高斯随机变量。极化方式为VV极化。计算目标运行时间为1400秒。以10 秒为间隔将每目标的RCS序列数据划分为140帧，取帧号为偶数的RCS帧数据进行训练,其 余帧数据作为测试数据,则每类目标有70个测试样本。

对四种目标(真目标、碎片、轻诱饵和重诱饵)，利用本发明的稀疏表示样本分布边界保 持特征提取方法和局部结构保持特征提取方法进行了识别实验，结果如表一所示。实验中采 用正交匹配追踪得到稀疏表示系数。

从表一的结果可以看到，对真目标，局部结构保持特征提取法的识别率为86％，而本发 明的稀疏表示样本分布边界保持提取方法的识别率为95％；对碎片，局部结构保持特征提取 法的识别率为83％，而本发明的稀疏表示样本分布边界保持特征提取方法的识别率为86％；对 轻诱饵，局部结构保持特征提取法的识别率为86％，而本发明的稀疏表示样本分布边界保持 特征提取方法的识别率为89％；对重诱饵，局部结构保持特征提取法的识别率为85％，而本发 明的稀疏表示样本分布边界保持提取方法的识别率为91％。平均而言，对四类目标，本发明 的稀疏表示样本分布边界保持特征提取方法的正确识别率高于局部结构保持特征提取法，表 明本发明的稀疏表示样本分布边界保持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 (4)

1.一种稀疏表示样本分布边界保持特征提取方法，其特征在于，包括下列步骤：

步骤1：基于关于RCS数据序列帧的训练样本设置最优样本分布边界保持变换矩阵：

定义x_ij表示第i类真假目标的第j个训练RCS数据序列帧，其中1≤i≤C，1≤j≤N_i，C表示类别数，N_i为第i类真假目标的训练RCS数据序列帧数，总帧数

对各x_ij进行稀疏表示：

x_ij＝D_ijα_ij；

其中，||·||₁表示1-范数，

表示稀疏系数，D^ij表示稀疏字典，由除x_ij外的所有训练RCS数据序列帧组成；

稀疏字典D^ij为：

稀疏系数

为：

定义n×l维的矩阵W表示样本分布边界保持变换矩阵，其中，l＜n，n表示RCS数据序列帧的维度；

设置类间距离加权和的目标函数J₁(W)和类内距离加权和的目标函数J₂(W)：

其中，b_ij,rk为类间权系数，ω_ij,rk为类内权系数；

且

其中，和

表示样本的类间近邻相似系数，

和

表示样本的k₂近邻类间相似系数，e为自然底数，σ²表示预置的系数，；

表示样本的类间k₁近邻，

表示样本的k₂近邻，且近邻数k₁、k₂为预设值；

类间近邻相似系数

和具体为:

k₂近邻类间相似系数

和

具体为：

对优化模型

进行求解，得到最优样本分布边界保持变换矩阵W_opt；

步骤2：对待进行特征提取的任意RCS数据序列帧x_t，根据

得到x_t的特征矢量z_t。

2.如权利要求1所述的方法，其特征在于，步骤1中，对

进行求解的具体为：

由矩阵(X(D_b-P)X^T)^-1(X(D_w-Q)X^T)的非零特征值对应的特征矢量得到W_opt；

其中

3.如权利要求1或2所述的方法，其特征在于，步骤1中，近邻数k₁、k₂的取值分别为10和20。

4.如权利要求1或2所述的方法，其特征在于，步骤1中，系数σ²的取值为2.5。