CN110826599A - 一种稀疏表示样本分布边界保持特征提取方法 - Google Patents
一种稀疏表示样本分布边界保持特征提取方法 Download PDFInfo
- Publication number
- CN110826599A CN110826599A CN201910983334.8A CN201910983334A CN110826599A CN 110826599 A CN110826599 A CN 110826599A CN 201910983334 A CN201910983334 A CN 201910983334A CN 110826599 A CN110826599 A CN 110826599A
- Authority
- CN
- China
- Prior art keywords
- sample distribution
- class
- representing
- sparse representation
- sample
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
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
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:
对各xij进行稀疏表示:xij=Dijαij;
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,bij,rk为类间权系数,ωij,rk为类内权系数;
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xij类别相同且距离xij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xij类别不同且距离xij最近的k2个训练样本;
由矩阵(X(Db-P)XT)-1(X(Dw-Q)XT)的非零特征值对应的特征矢量得到Wopt;
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:
针对xij进行稀疏表示:
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,bij,rk为类间权系数。利用稀疏表示系数设置权系数:
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,ωij,rk为类内权系数,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{WTX(Db-P)XTW} (12)
J2(W)=tr{WTX(Dw-Q)XTW} (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Wopt,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,Wopt则是由矩阵(X(Db-P)XT)-1(X(Dw-Q)XT)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Wopt后,由下式可得到任意RCS序列帧xt对应 的投影特征矢量zt。
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xij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≤Ni,C表示类别数,Ni为第i类真假目标的训练RCS数据序列帧数,总帧数
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,bij,rk为类间权系数,ωij,rk为类内权系数;
且
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910983334.8A CN110826599B (zh) | 2019-10-16 | 2019-10-16 | 一种稀疏表示样本分布边界保持特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910983334.8A CN110826599B (zh) | 2019-10-16 | 2019-10-16 | 一种稀疏表示样本分布边界保持特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110826599A true CN110826599A (zh) | 2020-02-21 |
CN110826599B CN110826599B (zh) | 2023-04-18 |
Family
ID=69549902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910983334.8A Active CN110826599B (zh) | 2019-10-16 | 2019-10-16 | 一种稀疏表示样本分布边界保持特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826599B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163616A (zh) * | 2020-09-25 | 2021-01-01 | 电子科技大学 | 一种局部稀疏约束变换rcs序列特征提取方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090297048A1 (en) * | 2008-06-02 | 2009-12-03 | Massachusetts Institute Of Technology | Fast pattern classification based on a sparse transform |
CN102509263A (zh) * | 2011-10-19 | 2012-06-20 | 西安电子科技大学 | 基于sar图像局部统计特性的k-svd相干斑抑制方法 |
US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
CN106157244A (zh) * | 2016-06-08 | 2016-11-23 | 南京航空航天大学 | 一种基于稀疏表示的QR Code图像超分辨重建方法 |
EP3166021A1 (en) * | 2015-11-06 | 2017-05-10 | Thomson Licensing | Method and apparatus for image search using sparsifying analysis and synthesis operators |
CN107220659A (zh) * | 2017-05-11 | 2017-09-29 | 西安电子科技大学 | 基于共稀疏模型的高分辨sar图像分类方法 |
CN108537102A (zh) * | 2018-01-25 | 2018-09-14 | 西安电子科技大学 | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 |
CN108734171A (zh) * | 2017-04-14 | 2018-11-02 | 国家海洋环境监测中心 | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 |
CN109035188A (zh) * | 2018-07-16 | 2018-12-18 | 西北工业大学 | 一种基于目标特征驱动的智能图像融合方法 |
CN109242010A (zh) * | 2018-08-27 | 2019-01-18 | 电子科技大学 | 一种稀疏学习rcs序列特征提取方法 |
CN110068799A (zh) * | 2019-04-22 | 2019-07-30 | 电子科技大学 | 一种稀疏邻域中心保持rcs序列特征提取方法 |
-
2019
- 2019-10-16 CN CN201910983334.8A patent/CN110826599B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090297048A1 (en) * | 2008-06-02 | 2009-12-03 | Massachusetts Institute Of Technology | Fast pattern classification based on a sparse transform |
CN102509263A (zh) * | 2011-10-19 | 2012-06-20 | 西安电子科技大学 | 基于sar图像局部统计特性的k-svd相干斑抑制方法 |
US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
EP3166021A1 (en) * | 2015-11-06 | 2017-05-10 | Thomson Licensing | Method and apparatus for image search using sparsifying analysis and synthesis operators |
CN106157244A (zh) * | 2016-06-08 | 2016-11-23 | 南京航空航天大学 | 一种基于稀疏表示的QR Code图像超分辨重建方法 |
CN108734171A (zh) * | 2017-04-14 | 2018-11-02 | 国家海洋环境监测中心 | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 |
CN107220659A (zh) * | 2017-05-11 | 2017-09-29 | 西安电子科技大学 | 基于共稀疏模型的高分辨sar图像分类方法 |
CN108537102A (zh) * | 2018-01-25 | 2018-09-14 | 西安电子科技大学 | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 |
CN109035188A (zh) * | 2018-07-16 | 2018-12-18 | 西北工业大学 | 一种基于目标特征驱动的智能图像融合方法 |
CN109242010A (zh) * | 2018-08-27 | 2019-01-18 | 电子科技大学 | 一种稀疏学习rcs序列特征提取方法 |
CN110068799A (zh) * | 2019-04-22 | 2019-07-30 | 电子科技大学 | 一种稀疏邻域中心保持rcs序列特征提取方法 |
Non-Patent Citations (5)
Title |
---|
WANG YANQING等: "Micro –Motion Feature analysis for Air Targets Based on spares Time-Frequency Decomposition", 《2018 INTERNATIONAL CONFERENCE ON MICROWAVE AND MIKKIMETER WAVE TECHOLOGY(ICMMT)》 * |
刘璐: "基于联合域聚类和稀疏表示的极化SAR图像分类", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
周代英: "利用一维像序列时域差分估计目标进动频率", 《航空学报》 * |
廖可非: "基于合成孔径三维成像的雷达散射截面测量技术研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
桑成伟: "极化SAR图像解译技术研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163616A (zh) * | 2020-09-25 | 2021-01-01 | 电子科技大学 | 一种局部稀疏约束变换rcs序列特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110826599B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163110B (zh) | 一种基于迁移学习和深度特征融合的行人重识别方法 | |
CN107515895B (zh) | 一种基于目标检测的视觉目标检索方法与系统 | |
Kadir et al. | Neural network application on foliage plant identification | |
CN107271965B (zh) | 类聚集子空间的真假目标一维距离像特征提取方法 | |
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 | |
CN110991389B (zh) | 判断目标行人在非重叠相机视角中出现的匹配方法 | |
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 | |
CN108845302B (zh) | 一种k近邻变换真假目标特征提取方法 | |
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 | |
CN109871855B (zh) | 一种自适应的深度多核学习方法 | |
CN113505810A (zh) | 基于池化视觉Transformer杂草生长周期检测方法 | |
CN110826599B (zh) | 一种稀疏表示样本分布边界保持特征提取方法 | |
CN110068799B (zh) | 一种稀疏邻域中心保持rcs序列特征提取方法 | |
CN112183617B (zh) | 样本与类标签最大相关子空间rcs序列特征提取方法 | |
CN108828533B (zh) | 一种类内样本相似结构保持非线性投影特征提取方法 | |
CN114092799A (zh) | 基于池化视觉Transformer林业害虫识别检测方法 | |
CN107330447B (zh) | 一种反馈式icm神经网络和fpf相结合的剪影识别系统 | |
CN116861964A (zh) | 一种基于双判别器生成式对抗网络的异常数据检测方法 | |
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 | |
CN109948520A (zh) | 一种基于多时相双极化sar特征曲线的农作物分类方法 | |
CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 | |
CN110780270B (zh) | 一种目标库属性判别局部正则学习子空间特征提取方法 | |
CN108549065B (zh) | 一种近邻结构保持真假目标rcs序列特征提取方法 | |
CN113723482B (zh) | 基于多示例孪生网络的高光谱目标检测方法 | |
Shekar et al. | Multi-Patches iris based person authentication system using particle swarm optimization and fuzzy C-means clustering |
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 |