CN112163615A - 一种基于门限优化字典学习的未知目标判别方法 - Google Patents

Abstract

本发明属于雷达目标识别技术领域，具体是涉及一种基于门限优化字典学习的未知目标判别方法。本发明的方法首先利用训练数据集通过基于门限优化的字典学习方法为已知目标建立一个超完备字典，然后，基于该字典对待判别目标的一维距离像样本进行稀疏分析，计算重建误差以实现对未知目标的判别。由于在字典学习时引入了门限优化，降低噪声对字典学习的影响，在较低信噪比时，仍然能够获得稳健的超完备字典，从而，提高了对未知目标的判别率。对5类目标的仿真实验验证了方法的有效性。

Description

一种基于门限优化字典学习的未知目标判别方法

技术领域

本发明属于雷达目标识别技术领域，具体是涉及一种基于门限优化字典学习的未知目标判别方法。

背景技术

宽带雷达能够获取目标的一维距离像，由于一维距离像包含了有关目标的结构和形状的信息，相对于低分辩雷达而言，这些信息更有利于目标的分类，同时，相对于二维像，一维距离像容易获取，而且能够实现实时识别，因此，基于一维距离像的目标识别成为了当前雷达目标识别的热点。

当待识别目标属于训练目标的条件下，许多常规基于一维距离像的识别方法都能够获得好的识别效果。但是，在实际应用中，待识别目标可能不是经过训练了的目标，而是一个新目标，在这种情况下，常规方法将会误识。因此，实际应用中，首先必须对未知目标进行判别，以保证后续目标类别的正确识别。

常规的子空间未知目标判别方法以待识别目标的子空间特征与特征模板库的欧氏距离作为判别统计量，与训练阶段确定的门限进行比较来判定待识别目标是未知目标还是已知目标。然而，常规子空间法在较低信噪比下不能提取到稳健的特征，导致误判率明显增加。

发明内容

针对上述问题，本发明提出一种基于门限优化字典学习的未知目标判别方法，通过在字典学习过程中引入优化门限，去掉小于门限的稀疏系数，降低噪声对字典学习的影响，获取稳健的超完备字典，从而改善了较低信噪比下对未知目标的判别率。

本发明的技术方案为：

一种基于门限优化字典学习的未知目标判别方法，包括以下步骤：

S1、设n维列矢量x_ij为第i类已知目标的第j个训练一维距离像，1≤i≤g，1≤j≤N_i，

其中g为类别数，N_i为第i类已知目标的训练样本数，N为训练样本总数；

门限优化字典学习通过以下步骤S2-S5进行：

S2、利用训练数据集按列组成如下矩阵X：

X＝[X₁ X₂ … X_g]

将矩阵X中的列矢量正交化，构成字典D：

D＝[D₁ D₂ … D_g]

其中D_i是由第i类已知目标的训练样本矢量正交化后组成的矩阵；

S3、利用字典D对训练数据矩阵X进行稀疏分析，得到稀疏系数矩阵S，即解以下的最小优化方程：

其中

为p阶范数；

计算矩阵S中所有元素值组成序列的方差为σ²，将矩阵S中小于或等于门限值2σ²的元素值置为零，大于门限值2σ²的元素不变，构成矩阵

利用

计算

其中

为矩阵

中对应第l类已知目标训练数据集的稀疏系数矩阵，对矩阵

进行奇异值分解：

其中U为左奇异矩阵，V为右奇异矩阵，Σ为对角矩阵；

S4、根据步骤S3中奇异值分解结果得到字典元素：

由字典元素组成新的字典

S5、计算新字典

与原字典D之间的平均误差，若该误差大于预设阈值，则门限优化字典学习过程终止，进入步骤S6；否则，以新字典

代替原字典D，回到步骤S3继续进行门限优化字典学习；

S6、根据得到的字典

对待识别目标的一维距离像x_t进行稀疏分析，得到稀疏系数s_t，即求解以下的最小优化方程：

计算重构误差e_t：

利用重构误差e_t进行未知目标判别：e_t>v_th，判x_t属于未知目标，e_t≤v_th，判x_t属于已知目标，v_th为设定的判别门限，由实验经验确定。

本发明的有益效果是：在字典学习时引入了门限优化，降低噪声对字典学习的影响，在较低信噪比时，仍然能够获得稳健的超完备字典，从而，提高了对未知目标的判别率。

具体实施方式

下面结合仿真实验对本发明的实用性进行分析。

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)作为已知目标参与训练，建立已知目标的门限优化字典。后一种目标(“小”字型目标)不参与训练(即作为未知目标)。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。使用常规本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。

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：

表一1常规本征子空间判别法对四种目标的判别结果(％)

表2本发明方法对四种目标的判别结果(％)

从表1和表2的结果可见，常规本征子空间判别法对“|”字型目标、“V”字型目标和“干”字型目标等三种已知目标的正确判别率分别为84％、80％和78％；对“小”字型目标等未知目标，判为未知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”字型目标等三种库属目标的正确判别率分别为88％、80％和85％；对“小”字型目标等未知目标，判为未知目标的正确判别率为89％，结果表明本发明方法对已知目标和未知目标的判别率明显高于常规本征子空间判别方法。

Claims (1)

1.一种基于门限优化字典学习的未知目标判别方法，其特征在于，包括以下步骤：

S1、设n维列矢量x_ij为第i类已知目标的第j个训练一维距离像，1≤i≤g，1≤j≤N_i，

其中g为类别数，N_i为第i类已知目标的训练样本数，N为训练样本总数；

S2、利用训练数据集按列组成如下矩阵X：

X＝[X₁ X₂ … X_g]

将矩阵X中的列矢量正交化，构成字典D：

D＝[D₁ D₂ … D_g]

其中D_i是由第i类已知目标的训练样本矢量正交化后组成的矩阵；

S3、利用字典D对训练数据矩阵X进行稀疏分析，得到稀疏系数矩阵S：

其中

为p阶范数；

计算矩阵S中所有元素值组成序列的方差为σ²，将矩阵S中小于或等于门限值2σ²的元素值置为零，构成矩阵

利用

计算

其中

为矩阵

中对应第l类已知目标训练数据集的稀疏系数矩阵，对矩阵

进行奇异值分解：

其中U为左奇异矩阵，V为右奇异矩阵，Σ为对角矩阵；

S4、根据步骤S3中奇异值分解结果得到字典元素：

由字典元素组成新的字典

S5、计算新字典

与原字典D之间的平均误差，若该误差大于预设阈值，则门限优化字典学习过程终止，进入步骤S6；否则，以新字典

代替原字典D，回到步骤S3继续进行门限优化字典学习；

S6、根据得到的字典

对待识别目标的一维距离像x_t进行稀疏分析，得到稀疏系数s_t，即求解以下的最小优化方程：

计算重构误差e_t：

利用重构误差e_t进行未知目标判别：e_t>v_th，判x_t属于未知目标，e_t≤v_th，判x_t属于已知目标，v_th为设定的判别门限。