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
样本与类标签最大相关子空间rcs序列特征提取方法 Download PDFInfo
- Publication number
- CN112183617B CN112183617B CN202011026912.8A CN202011026912A CN112183617B CN 112183617 B CN112183617 B CN 112183617B CN 202011026912 A CN202011026912 A CN 202011026912A CN 112183617 B CN112183617 B CN 112183617B
- Authority
- CN
- China
- Prior art keywords
- sample
- subspace
- class label
- training
- correlation
- 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.)
- Active
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (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
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:
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=XTa1
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ar,r≥3,将m根投影轴组成矩阵,m<n:
A=[a1 a2 … am]
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:
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=XTa1
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ar,r≥3,将m根投影轴组成矩阵,m<n:
A=[a1 a2…am]
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026912.8A CN112183617B (zh) | 2020-09-25 | 2020-09-25 | 样本与类标签最大相关子空间rcs序列特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026912.8A CN112183617B (zh) | 2020-09-25 | 2020-09-25 | 样本与类标签最大相关子空间rcs序列特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183617A CN112183617A (zh) | 2021-01-05 |
CN112183617B true CN112183617B (zh) | 2022-03-29 |
Family
ID=73944056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011026912.8A Active CN112183617B (zh) | 2020-09-25 | 2020-09-25 | 样本与类标签最大相关子空间rcs序列特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183617B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269203B (zh) * | 2021-05-17 | 2022-03-25 | 电子科技大学 | 一种用于多旋翼无人机识别的子空间特征提取方法 |
CN114280566B (zh) * | 2021-11-30 | 2023-05-23 | 电子科技大学 | 一种类标签关联一维距离像识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200077A (zh) * | 2014-08-22 | 2014-12-10 | 广西师范大学 | 基于子空间学习的嵌入式属性选择方法及其应用 |
CN104794489A (zh) * | 2015-04-23 | 2015-07-22 | 苏州大学 | 一种基于深度标签预测的诱导式图像分类方法及系统 |
CN106503754A (zh) * | 2016-11-16 | 2017-03-15 | 哈尔滨工业大学 | 基于空谱特征保持全局几何结构的多时相高光谱图像分类方法 |
CN108761411A (zh) * | 2018-04-10 | 2018-11-06 | 电子科技大学 | 一种真假目标一维距离像特征提取方法 |
CN108828533A (zh) * | 2018-04-26 | 2018-11-16 | 电子科技大学 | 一种类内样本相似结构保持非线性投影特征提取方法 |
CN109117860A (zh) * | 2018-06-27 | 2019-01-01 | 南京邮电大学 | 一种基于子空间投影和字典学习的图像分类方法 |
CN110619367A (zh) * | 2019-09-20 | 2019-12-27 | 哈尔滨理工大学 | 联合低秩约束跨视角判别子空间学习方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130156300A1 (en) * | 2011-12-20 | 2013-06-20 | Fatih Porikli | Multi-Class Classification Method |
-
2020
- 2020-09-25 CN CN202011026912.8A patent/CN112183617B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200077A (zh) * | 2014-08-22 | 2014-12-10 | 广西师范大学 | 基于子空间学习的嵌入式属性选择方法及其应用 |
CN104794489A (zh) * | 2015-04-23 | 2015-07-22 | 苏州大学 | 一种基于深度标签预测的诱导式图像分类方法及系统 |
CN106503754A (zh) * | 2016-11-16 | 2017-03-15 | 哈尔滨工业大学 | 基于空谱特征保持全局几何结构的多时相高光谱图像分类方法 |
CN108761411A (zh) * | 2018-04-10 | 2018-11-06 | 电子科技大学 | 一种真假目标一维距离像特征提取方法 |
CN108828533A (zh) * | 2018-04-26 | 2018-11-16 | 电子科技大学 | 一种类内样本相似结构保持非线性投影特征提取方法 |
CN109117860A (zh) * | 2018-06-27 | 2019-01-01 | 南京邮电大学 | 一种基于子空间投影和字典学习的图像分类方法 |
CN110619367A (zh) * | 2019-09-20 | 2019-12-27 | 哈尔滨理工大学 | 联合低秩约束跨视角判别子空间学习方法及装置 |
Non-Patent Citations (5)
Title |
---|
Configuration Recognition via Class-Dependent Structure Preserving Projections With Application to Targets in SAR Images;Ming Liu等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;IEEE;20180515;第11卷;第2134-2146页 * |
基于最优投影平面的雷达目标一维距离像识别;周代英;《系统工程与电子技术》;20040820;第26卷(第08期);第1030-1032页 * |
基于深度学习的雷达一维距离像目标识别方法研究与实现;司进修;《中国优秀博硕士学位论文全文数据库(硕士)社会科学Ⅰ辑》;中国学术期刊(光盘版)电子杂志社;20191215(第12期);G112-19 * |
基于相关子空间的双峰发射线光谱特征提取与分析;屈彩霞等;《光谱学与光谱分析》;20190615;第39卷(第06期);第1677-1682页 * |
雷达目标一维距离像识别中的最优子空间法;周代英;《电波科学学报》;20041225;第19卷(第06期);第748-756页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112183617A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183617B (zh) | 样本与类标签最大相关子空间rcs序列特征提取方法 | |
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 | |
CN108761411B (zh) | 一种真假目标一维距离像特征提取方法 | |
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 | |
CN107871156B (zh) | 基于信息素预测的蚁群多细胞跟踪系统 | |
CN111382690A (zh) | 基于多损失融合模型的车辆再识别方法 | |
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 | |
Han et al. | Object tracking by adaptive feature extraction | |
CN110068799B (zh) | 一种稀疏邻域中心保持rcs序列特征提取方法 | |
Nishimura et al. | Spatial-temporal mitosis detection in phase-contrast microscopy via likelihood map estimation by 3DCNN | |
CN108549065B (zh) | 一种近邻结构保持真假目标rcs序列特征提取方法 | |
CN112149061A (zh) | 一种多类平均最大化真假目标特征提取方法 | |
CN110826599B (zh) | 一种稀疏表示样本分布边界保持特征提取方法 | |
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 | |
Zhou et al. | Objectness-aware tracking via double-layer model | |
CN112163616B (zh) | 一种局部稀疏约束变换rcs序列特征提取方法 | |
CN107145894B (zh) | 一种基于方向梯度特征学习的目标检测方法 | |
CN115661754A (zh) | 一种基于维度融合注意力的行人重识别方法 | |
CN114936597B (zh) | 一种局部信息增强子空间真假目标特征提取方法 | |
Yang et al. | One-shot network pruning at initialization with discriminative image patches | |
De Ath et al. | Part-based tracking by sampling | |
Chen et al. | Adaptive hyper-feature fusion for visual tracking | |
CN110543816B (zh) | 一种基于谱聚类和增强学习的自适应人脸图像聚类方法 | |
CN114913520A (zh) | 一种矩阵多项式真假目标rcs序列特征提取方法 |
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 |