CN112183617B - 样本与类标签最大相关子空间rcs序列特征提取方法 - Google Patents

Abstract

本发明属于雷达目标识别技术领域，具体是涉及一种样本与类标签最大相关子空间RCS序列特征提取方法。本发明的方法首先将训练样本与样本对应的类标签相关矢量作为子空间的第一根坐标轴，然后，计算样本与样本在第一根坐标轴上的投影间的差值矢量，再计算差值矢量与类标签相关矢量作为子空间的第二根坐标轴，以此类推，直到获得指定的坐标轴根数为止。向该子空间投影得到的特征能够增大样本与类标签的相关性，从而提高了识别性能。对四类仿真目标的RCS数据进行了仿真实验，实验结果验证了该方法是有效的。

Description

样本与类标签最大相关子空间RCS序列特征提取方法

技术领域

本发明属于雷达目标识别技术领域，具体是涉及一种样本与类标签最大相关子空间RCS序列特征提取方法。

背景技术

雷达目标识别中，子空间法是非常有效的，一方面能够降低特征矢量的维数，减少计算量，同时，能够保持目标分类信息。例如，特征子空间方法以最大能量方向作为子空间的坐标轴，由此提取的特征能够最大程度地保持样本的能量，当不同类别样本能量差异大时，特征子空间法能够获得好的识别效果。

但是，特征子空间方法只考虑了训练样本中的主能量方向，而没有直接利用类别标签信息，不利于识别性能进一步提高。因此，现有特征子空间方法的识别性能有进一步改善的余地。

发明内容

针对上述问题，本发明提出一种样本与类标签最大相关子空间特征提取方法，该方法首先将训练样本与样本对应的类标签相关矢量作为子空间的第一根坐标轴，然后，计算样本与样本在第一根坐标轴上的投影间的差值矢量，再计算差值矢量与类标签相关矢量作为子空间的第二根坐标轴，以此类推，直到获得指定的坐标轴根数为止，由于直接引入了类别标签信息，从而提高了目标识别性能，克服了传统特征子空间方法只保持主能量方向的缺点，有效改善了对雷达真假目标的分类性能。

本发明的技术方案为：

样本与类标签最大相关子空间RCS序列特征提取方法，包括以下步骤：

S1、设n维列矢量x_ij为第i类真假目标的第j个训练RCS数据序列帧,1≤i≤g，1≤j≤N_i，

其中N_i为第i类真假目标的训练RCS序列帧数，N为训练RCS序列总帧数，将训练一维距离像样本组成矩阵：

每个训练样本对应的类标签组成如下列矢量：

z＝[1 1 … g]^T

S2、设子空间第一根投影轴为a₁，矩阵X向a₁投影为：

y₁＝X^Ta₁

计算y₁与z的相关度：

获取使相关度达到最大的a₁，即求解以下的最大值问题：

采用条件极值的求解方法，得：

S3、计算差矢量：

采用如步骤S2的方法，获得使X₁与z相关度最大的第二根投影轴：

同理得到子空间的其它投影轴a_r，r≥3，将m根投影轴组成矩阵，m<n：

A＝[a₁ a₂ … a_m]

矩阵A称为样本与类标签最大相关子空间，通过一维距离像样本向A投影即可获得相应的目标识别特征。

本发明的有益效果是：由于直接引入了类别标签信息，从而提高了目标识别性能，克服了传统特征子空间方法只保持主能量方向的缺点，有效改善了对雷达真假目标的分类性能。

具体实施方式

下面结合仿真实验对本发明的实用性进行分析。

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)，利用本发明的样本与类标签最大相关子空间特征提取方法和传统特征子空间特征提取方法进行了识别实验，结果如表一所示。实验中参数为：m＝30。采用最近邻分类器进行分类。

从表1的结果可以看到，对真目标，传统特征子空间特征提取法的识别率为85％，而本发明的样本与类标签最大相关子空间特征提取方法的识别率为94％；对碎片，传统特征子空间特征提取法的识别率为80％，而本发明的样本与类标签最大相关子空间特征提取方法的识别率为83％；对轻诱饵，传统特征子空间特征提取法的识别率为83％，而本发明的样本与类标签最大相关子空间特征提取方法的识别率为86％；对重诱饵，传统特征子空间特征提取法的识别率为84％，而本发明的样本与类标签最大相关子空间特征提取方法的识别率为88％。平均而言，对四类目标，本发明的样本与类标签最大相关子空间特征提取方法的正确识别率高于局部判别嵌入特征提取法，表明本发明的样本与类标签最大相关子空间特征提取方法确实改善了多类目标的识别性能。

表1两种方法的识别结果

Claims (1)

1.样本与类标签最大相关子空间RCS序列特征提取方法，其特征在于，包括以下步骤：

S1、设n维列矢量x_ij为第i类真假目标的第j个训练RCS数据序列帧,1≤i≤g，1≤j≤N_i，

其中N_i为第i类真假目标的训练RCS序列帧数，N为训练RCS序列总帧数，将训练一维距离像样本组成矩阵：

每个训练样本对应的类标签组成如下列矢量：

z＝[1 1…g]^T

S2、设子空间第一根投影轴为a₁，矩阵X向a₁投影为：

y₁＝X^Ta₁

计算y₁与z的相关度：

获取使相关度达到最大的a₁，即求解以下的最大值问题：

采用条件极值的求解方法，得：

S3、计算差矢量：

采用如步骤S2的方法，获得使X₁与z相关度最大的第二根投影轴：

同理得到子空间的其它投影轴a_r，r≥3，将m根投影轴组成矩阵，m<n：

A＝[a₁ a₂…a_m]

矩阵A称为样本与类标签最大相关子空间，通过一维距离像样本向A投影即可获得相应的目标识别特征。