CN112163615A - 一种基于门限优化字典学习的未知目标判别方法 - Google Patents
一种基于门限优化字典学习的未知目标判别方法 Download PDFInfo
- Publication number
- CN112163615A CN112163615A CN202011024481.1A CN202011024481A CN112163615A CN 112163615 A CN112163615 A CN 112163615A CN 202011024481 A CN202011024481 A CN 202011024481A CN 112163615 A CN112163615 A CN 112163615A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- matrix
- target
- unknown
- threshold
- 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
- G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Radar Systems Or Details Thereof (AREA)
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
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:
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 … Xg]
将矩阵X中的列矢量正交化,构成字典D:
D=[D1 D2 … Dg]
其中Di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:
计算重构误差et:
利用重构误差et进行未知目标判别:et>vth,判xt属于未知目标,et≤vth,判xt属于已知目标,vth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:
S2、利用训练数据集按列组成如下矩阵X:
X=[X1 X2 … Xg]
将矩阵X中的列矢量正交化,构成字典D:
D=[D1 D2 … Dg]
其中Di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:
计算重构误差et:
利用重构误差et进行未知目标判别:et>vth,判xt属于未知目标,et≤vth,判xt属于已知目标,vth为设定的判别门限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011024481.1A CN112163615B (zh) | 2020-09-25 | 2020-09-25 | 一种基于门限优化字典学习的未知目标判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011024481.1A CN112163615B (zh) | 2020-09-25 | 2020-09-25 | 一种基于门限优化字典学习的未知目标判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163615A true CN112163615A (zh) | 2021-01-01 |
CN112163615B CN112163615B (zh) | 2022-04-22 |
Family
ID=73864020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011024481.1A Active CN112163615B (zh) | 2020-09-25 | 2020-09-25 | 一种基于门限优化字典学习的未知目标判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163615B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191447A (zh) * | 2021-05-17 | 2021-07-30 | 电子科技大学 | 一种未知目标判别中的样本分布结构图特征提取方法 |
CN113267757A (zh) * | 2021-05-17 | 2021-08-17 | 电子科技大学 | 一种基于k次奇异值分解字典学习的未知目标判别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009134482A2 (en) * | 2008-01-31 | 2009-11-05 | The Board Of Trustees Of The University Of Illinois | Recognition via high-dimensional data classification |
EP3023808A1 (en) * | 2013-07-18 | 2016-05-25 | Mitsubishi Electric Corporation | Target type identification device |
CN106815876A (zh) * | 2016-12-30 | 2017-06-09 | 清华大学 | 图像稀疏表征多字典学习的联合优化训练方法 |
CN106952317A (zh) * | 2017-03-23 | 2017-07-14 | 西安电子科技大学 | 基于结构稀疏的高光谱图像重建方法 |
CN108305219A (zh) * | 2017-12-31 | 2018-07-20 | 北京工业大学 | 一种基于不相关稀疏字典的图像去噪方法 |
-
2020
- 2020-09-25 CN CN202011024481.1A patent/CN112163615B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009134482A2 (en) * | 2008-01-31 | 2009-11-05 | The Board Of Trustees Of The University Of Illinois | Recognition via high-dimensional data classification |
EP3023808A1 (en) * | 2013-07-18 | 2016-05-25 | Mitsubishi Electric Corporation | Target type identification device |
CN106815876A (zh) * | 2016-12-30 | 2017-06-09 | 清华大学 | 图像稀疏表征多字典学习的联合优化训练方法 |
CN106952317A (zh) * | 2017-03-23 | 2017-07-14 | 西安电子科技大学 | 基于结构稀疏的高光谱图像重建方法 |
CN108305219A (zh) * | 2017-12-31 | 2018-07-20 | 北京工业大学 | 一种基于不相关稀疏字典的图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
袁伟: "基于一维距离像稀疏表达的无源假目标识别", 《电讯技术》 * |
金燕等: "基于稀疏优化字典的图像去噪算法", 《浙江工业大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191447A (zh) * | 2021-05-17 | 2021-07-30 | 电子科技大学 | 一种未知目标判别中的样本分布结构图特征提取方法 |
CN113267757A (zh) * | 2021-05-17 | 2021-08-17 | 电子科技大学 | 一种基于k次奇异值分解字典学习的未知目标判别方法 |
CN113267757B (zh) * | 2021-05-17 | 2022-03-08 | 电子科技大学 | 一种基于k次奇异值分解字典学习的未知目标判别方法 |
CN113191447B (zh) * | 2021-05-17 | 2022-05-24 | 电子科技大学 | 一种未知目标判别中的样本分布结构图特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112163615B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Noise-tolerant paradigm for training face recognition CNNs | |
CN109376574B (zh) | 基于cnn的可拒判雷达hrrp目标识别方法 | |
CN112163615B (zh) | 一种基于门限优化字典学习的未知目标判别方法 | |
CN107238822B (zh) | 真假目标一维距离像正交非线性子空间特征提取方法 | |
Dolfing et al. | On-line signature verification with Hidden Markov Models | |
CN110232371B (zh) | 基于小样本的高精度hrrp雷达多目标识别方法 | |
CN110221267B (zh) | 一种目标库属性判别邻域保持学习子空间特征提取方法 | |
CN109801305A (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
CN116910752B (zh) | 一种基于大数据的恶意代码检测方法 | |
CN116756594A (zh) | 一种电网数据异常点检测方法、系统、设备及介质 | |
CN112101058B (zh) | 一种试卷条码自动识别方法及装置 | |
CN111931757A (zh) | 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置 | |
CN110135444B (zh) | 一种目标库属性一维像判别最优本征子空间特征提取方法 | |
CN114821335B (zh) | 基于深度特征与线性判别特征融合的未知目标判别方法 | |
CN109389173B (zh) | 一种基于m-cnn的试卷分数自动统计分析方法和装置 | |
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 | |
CN108428226B (zh) | 一种基于ica稀疏表示与som的失真图像质量评价方法 | |
CN107403136A (zh) | 基于结构保持字典学习的sar目标型号识别方法 | |
CN112014821B (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 | |
CN113962298B (zh) | 一种低秩判别子空间真假目标一维距离像特征提取方法 | |
Douma et al. | Applying the Histogram of Oriented Gradients to Recognize Arabic Letters | |
CN113191447B (zh) | 一种未知目标判别中的样本分布结构图特征提取方法 | |
CN108509989B (zh) | 基于高斯选控玻尔兹曼机的hrrp识别方法 | |
JP3810469B2 (ja) | パターン認識方法 | |
CN113960553B (zh) | 一种一维像识别中的高斯权值分布特征提取方法 |
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 |