CN113156416B - 一种基于多重核字典学习的未知目标判别方法 - Google Patents
一种基于多重核字典学习的未知目标判别方法 Download PDFInfo
- Publication number
- CN113156416B CN113156416B CN202110532916.1A CN202110532916A CN113156416B CN 113156416 B CN113156416 B CN 113156416B CN 202110532916 A CN202110532916 A CN 202110532916A CN 113156416 B CN113156416 B CN 113156416B
- Authority
- CN
- China
- Prior art keywords
- kernel
- sparse
- matrix
- dictionary
- target
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本发明属于目标识别技术领域,具体的说是涉及一种基于多重核字典学习的未知目标判别方法。本发明首先利用核方法将雷达高分辨一维距离像映射到高维特征空间,基于多重核字典学习算法获取字典,通过多重核字典对输入一维距离像进行核稀疏表示得到重构误差,实现对未知目标的判别。本方法通过核稀疏表示有效描述了一维距离像数据中呈现的非线性分布特性,从而改善了对未知目标的判别性能。
Description
技术领域
本发明属于目标识别技术领域,具体的说是涉及一种基于多重核字典学习的未知目标判别方法。
背景技术
高分辨一维距离像表示目标对高距离分辨率雷达脉冲的时域响应,提供了有关目标的结构信息,有利于提高对目标的识别性能。常规的雷达目标识别利用已知类别的目标数据进行训练,建立特征库,以达到对目标识别的目的。在实际应用中,有些目标的数据无法事先获得,因未参与训练建库,将被错误识别为已知目标类别,因此,对未知目标的判别具有重要的实际意义。
现有基于门限的子空间未知目标判别方法通过提取目标的子空间特征,构造判别门限,对目标进行判别。例如本征子空间判别方法通过提取主投影分量特征进行判别,而正则子空间判别方法则利用最优分离特征进行判别。通常情况下,这些方法都能获得好的判别结果。但是,当一维距离像数据分布中出现较明显的非线性特性时,这些线性方法的判别性能明显下降。因此,在一维距离像数据出现非线性分布的条件下,现有方法的性能有进一步改善的余地。
发明内容
针对上述问题,本发明提出了一种基于多重核字典学习的未知目标判别方法。该方法通过多重核字典算法进行学习,获取核字典,有效描述数据中的非线性分布特性,从而改善对未知目标的判别率。
本发明的技术方案是:
一种基于多重核字典学习的未知目标判别方法,包括以下步骤:
S1、设已知目标一维距离像训练样本集Y为:
Y=[y1,y2,...,yN]
其中,yi是第i个m维的训练一维距离像样本,i=1,2,...,N,N为训练样本的个数;
通过非线性变换Φ(·)将训练目标Y映射到高维特征空间:
Φ(Y)=[Φ(y1),Φ(y2),...,Φ(yN)]
其中,Φ(Y)为高维映射特征矩阵,由稀疏分析原理可得,核字典Φ(D)为训练样本的高维映射特征的线性组合:
Φ(D)=Φ(Y)A
其中,A=[a1,a2,...,aK]是字典组合系数矩阵,ak是第k个字典组合系数矩阵列向量(N维),1≤k≤K;利用核字典Φ(D)对Φ(Y)进行核稀疏表示:
Φ(Y)=Φ(D)X
其中,X=[x1,x2,...,xN]是核稀疏矩阵,xi是核稀疏矩阵X的第i个列向量,1≤i≤N(K维);利用核正交匹配追踪算法得到核稀疏矩阵X,引入核函数,得到对训练样本集的核稀疏表示重构误差e为:
其中,κ(yi,yj)为核函数;
S2、基于多重核字典学习获取多重核稀疏字典,由于单个核函数的表示能力有限,不能有效描述数据的全部特征,因此,利用多个核函数的组合构成多重核函数对数据进行描述。
令核函数为
则κ(yi,yj)称为多重核函数,κc(yi,yj)是第c个单核函数,hc是第c个单核函数对应的权重;
多重核字典学习算法通过交替更新的方式求解字典组合系数矩阵A和核稀疏矩阵X;
多重核字典学习步骤如下:
S21、输入:已知目标训练集Y,多重核函数κ(yi,yj),核字典原子个数K,稀疏向量的稀疏度S,并预设迭代次数为t,令iter=1;
S23、字典更新:逐个更新字典组合系数矩阵列向量ak,具体包括:
S232、第k个稀疏行向量xk的非零元素索引构成索引向量wk={q|1≤q≤N,xk(q)≠0},其中,xk(q)表示xk的第q个元素;
S24、令iter=iter+1,若iter>t,停止迭代,输出字典组合系数矩阵A和核稀疏矩阵X,否则回到步骤S22;
S3、设已知目标一维距离像的验证集为yv,l是第l个m维已知目标的验证一维距离像,1≤l≤L,利用获取的多重核稀疏字典对yv,l进行核稀疏表示,求解得相应的稀疏向量xv,l,则yv,l的核稀疏重构误差为:
其中,πv,l是第l个已知目标的验证一维距离像的核稀疏重构误差;
由所有验证集中的一维距离像的核稀疏重构误差组成重构误差序列πv,1、πv,2、…、πv,L,利用箱型图剔除重构误差序列中的异常点,得到剔除异常值后的重构误差序列 其中,为剔除异常值后的重构误差序列的长度,取剔除异常值后的重构误差序列中的最大值作为判别门限τ:
其中,max(·)为取序列中的最大值;
S4、利用多重核稀疏字典对待识别目标的一维距离像进行核稀疏表示得到核稀疏重构误差,与判别门限进行比较确定判别结果;设待识别目标一维距离像样本集为其中yt,q(q=1,2…Q)为第q个测试一维距离像样本,利用多重核稀疏字典对yt,q进行核稀疏表示,得到稀疏向量xt,q,则核稀疏重构误差πt,p为:
将重构误差πt,q与判别门限τ比较,若测试一维距离像的重构误差πt,q小于判别门限τ,则被判别为已知目标,反之,则被判别为未知目标。
本发明的有益效果是:通过核稀疏表示有效描述了一维距离像数据中呈现的非线性分布特性,从而改善了对未知目标的判别性能。
具体实施方式
下面结合仿真实验说明本发明的实用性。
仿真实验采用电磁仿真软件获取包括Ah64、An26、F15、B1B、B52共五类飞机的一维距离像数据。其中雷达的载频为6GHz,带宽为400MHz。仿真场景中,飞机的俯仰角为3°,在飞机方位角0°-180°范围内每隔0.1°采集一幅一维距离像,每幅一维距离像包含320个距离单元。
以0.2°为间隔选取每类已知目标在方位角0°-30°范围内的150个一维距离像数据组成训练集,其它的一维距离像数据作为验证目标集,每类未知目标以0.2°为间隔在方位角0°-30°范围内选取150个一维距离像数据作为测试目标集。对以上三个数据集进行幅度归一化。
选取多项式核函数和高斯核函数作为单核函数,多项式核函数阶数ρ=0.1,高斯核函数核半径σ=0.1,权重分别设置为h1=0.2和h2=0.8,字典原子数K=400,稀疏度S=5,迭代次数t=10。
任意选取两类飞机作为已知目标,其余三类飞机作为未知目标,利用本文中的多重核字典学习判别方法对未知目标进行判别,获得了95%的平均正确判别率,从而验证了本方法是有效性的。
Claims (1)
1.一种基于多重核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、设已知目标一维距离像训练样本集Y为:
Y=[y1,y2,...,yN]
其中,yi是第i个m维的训练一维距离像样本,i=1,2,...,N,N为训练样本的个数;
通过非线性变换Φ(·)将训练样本集Y映射到高维特征空间:
Φ(Y)=[Φ(y1),Φ(y2),...,Φ(yN)]
其中,Φ(Y)为高维映射特征矩阵,核字典Φ(D)为训练样本的高维映射特征的线性组合:
Φ(D)=Φ(Y)A
其中,A=[a1,a2,...,aK]是字典组合系数矩阵,ak是第k个字典组合系数矩阵列向量,ak为N维,1≤k≤K;利用核字典Φ(D)对Φ(Y)进行核稀疏表示:
Φ(Y)=Φ(D)X
其中,X=[x1,x2,...,xN]是核稀疏矩阵,xi是核稀疏矩阵X的第i个列向量,1≤i≤N;xi为K维,利用核正交匹配追踪算法得到核稀疏矩阵X,引入核函数,得到对训练样本集的核稀疏表示重构误差e为:
其中,κ(yi,yj)为核函数;
S2、基于多重核字典学习获取多重核稀疏字典,令核函数为:
则κ(yi,yj)称为多重核函数,κc(yi,yj)是第c个单核函数,hc是第c个单核函数对应的权重;多重核字典学习算法通过交替更新的方式求解字典组合系数矩阵A和核稀疏矩阵X,具体方法包括:
S21、已知目标训练集Y,多重核函数κ(yi,yj),核字典原子个数K,稀疏向量的稀疏度S,并预设迭代次数为t,令iter=1;
S23、逐个更新字典组合系数矩阵列向量ak,具体包括:
S232、第k个稀疏行向量xk的非零元素索引构成索引向量wk={q|1≤q≤N,xk(q)≠0},其中,xk(q)表示xk的第q个元素;
S24、令iter=iter+1,若iter>t,停止迭代,输出字典组合系数矩阵A和核稀疏矩阵X,否则回到步骤S22;
S3、设已知目标一维距离像的验证集为yv,l是第l个m维已知目标的验证一维距离像,1≤l≤L,利用获取的多重核稀疏字典对yv,l进行核稀疏表示,求解得相应的稀疏向量xv,l,则yv,l的核稀疏重构误差为:
其中,πv,l是第l个已知目标的验证一维距离像的核稀疏重构误差;
由所有验证集中的一维距离像的核稀疏重构误差组成重构误差序列πv,1、πv,2、…、πv,L,利用箱型图剔除重构误差序列中的异常点,得到剔除异常值后的重构误差序列 其中,为剔除异常值后的重构误差序列的长度,取剔除异常值后的重构误差序列中的最大值作为判别门限τ:
其中,max(·)为取序列中的最大值;
S4、利用多重核稀疏字典对待识别目标的一维距离像进行核稀疏表示得到核稀疏重构误差,与判别门限进行比较确定判别结果;设待识别目标一维距离像样本集为其中yt,q为第q个测试一维距离像样本,q=1,2…Q,利用多重核稀疏字典对yt,q进行核稀疏表示,得到稀疏向量xt,q,则核稀疏重构误差πt,p为:
将重构误差πt,q与判别门限τ比较,若测试一维距离像的重构误差πt,q小于判别门限τ,则被判别为已知目标,反之,则被判别为未知目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532916.1A CN113156416B (zh) | 2021-05-17 | 2021-05-17 | 一种基于多重核字典学习的未知目标判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532916.1A CN113156416B (zh) | 2021-05-17 | 2021-05-17 | 一种基于多重核字典学习的未知目标判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113156416A CN113156416A (zh) | 2021-07-23 |
CN113156416B true CN113156416B (zh) | 2022-05-17 |
Family
ID=76876834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110532916.1A Active CN113156416B (zh) | 2021-05-17 | 2021-05-17 | 一种基于多重核字典学习的未知目标判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113156416B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930301A (zh) * | 2012-10-16 | 2013-02-13 | 西安电子科技大学 | 基于特征权重学习与核稀疏表示的图像分类方法 |
CN103675787A (zh) * | 2013-12-03 | 2014-03-26 | 电子科技大学 | 一种雷达目标一维距离像最优正交非线性子空间识别方法 |
CN104122540A (zh) * | 2014-07-31 | 2014-10-29 | 电子科技大学 | 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 |
CN106908774A (zh) * | 2017-01-06 | 2017-06-30 | 南京航空航天大学 | 基于多尺度核稀疏保持投影的一维距离像识别方法 |
CN107238822A (zh) * | 2017-06-13 | 2017-10-10 | 电子科技大学 | 真假目标一维距离像正交非线性子空间特征提取方法 |
CN107576949A (zh) * | 2017-08-23 | 2018-01-12 | 电子科技大学 | 基于密度权重和混合核函数的svdd雷达目标一维距离像识别方法 |
EP3339884A1 (en) * | 2016-12-21 | 2018-06-27 | Airbus Defence and Space GmbH | A method and apparatus for identifying a target |
CN111352086A (zh) * | 2020-03-06 | 2020-06-30 | 电子科技大学 | 一种基于深度卷积神经网络的未知目标识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9299010B2 (en) * | 2014-06-03 | 2016-03-29 | Raytheon Company | Data fusion analysis for maritime automatic target recognition |
CN108133232B (zh) * | 2017-12-15 | 2021-09-17 | 南京航空航天大学 | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 |
-
2021
- 2021-05-17 CN CN202110532916.1A patent/CN113156416B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930301A (zh) * | 2012-10-16 | 2013-02-13 | 西安电子科技大学 | 基于特征权重学习与核稀疏表示的图像分类方法 |
CN103675787A (zh) * | 2013-12-03 | 2014-03-26 | 电子科技大学 | 一种雷达目标一维距离像最优正交非线性子空间识别方法 |
CN104122540A (zh) * | 2014-07-31 | 2014-10-29 | 电子科技大学 | 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 |
EP3339884A1 (en) * | 2016-12-21 | 2018-06-27 | Airbus Defence and Space GmbH | A method and apparatus for identifying a target |
CN106908774A (zh) * | 2017-01-06 | 2017-06-30 | 南京航空航天大学 | 基于多尺度核稀疏保持投影的一维距离像识别方法 |
CN107238822A (zh) * | 2017-06-13 | 2017-10-10 | 电子科技大学 | 真假目标一维距离像正交非线性子空间特征提取方法 |
CN107576949A (zh) * | 2017-08-23 | 2018-01-12 | 电子科技大学 | 基于密度权重和混合核函数的svdd雷达目标一维距离像识别方法 |
CN111352086A (zh) * | 2020-03-06 | 2020-06-30 | 电子科技大学 | 一种基于深度卷积神经网络的未知目标识别方法 |
Non-Patent Citations (5)
Title |
---|
Polarization Radar HRRP Recognition Based on Kernel Methods;Li, LY等;《ADVANCES IN NEURAL NETWORKS - ISNN 2009, PT 2, PROCEEDINGS》;20091231;全文 * |
Radar target recognition based on kernel projection vector space using high-resolution range profile;Daiying Zhou;《2013 Third International Conference on Intelligent System Design and Engineering Applications (ISDEA 2013)》;20121231;全文 * |
基于一维距离像数据生成的位置目标判别研究;王蓉;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20140115;全文 * |
基于加权核函数的雷达目标一维距离像识别;周代英等;《仪器仪表学报》;20081130;第29卷(第11期);全文 * |
雷达目标一维距离像识别研究;周代英;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20020615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113156416A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197209B (zh) | 一种基于多特征融合的辐射源识别方法 | |
Vasil’ev et al. | Doubly stochastic models of images | |
CN111337893B (zh) | 一种基于实值稀疏贝叶斯学习的离格doa估计方法 | |
CN107491793B (zh) | 一种基于稀疏散射全卷积的极化sar图像分类方法 | |
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 | |
CN103839073A (zh) | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 | |
CN106886793B (zh) | 基于判别信息和流形信息的高光谱图像波段选择方法 | |
CN111337873A (zh) | 一种基于稀疏阵的doa估计方法 | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
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 | |
CN112147589A (zh) | 基于卷积神经网络的频率分集阵列的雷达目标定位方法 | |
CN110174658B (zh) | 基于秩一降维模型和矩阵补全的波达方向估计方法 | |
CN109871907B (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 | |
CN113472415B (zh) | 信号到达角估计方法、装置、电子设备及存储介质 | |
CN113376569B (zh) | 基于最大似然的嵌套阵稀疏表示波达方向估计方法 | |
Ollila et al. | Regularized tapered sample covariance matrix | |
CN112163615B (zh) | 一种基于门限优化字典学习的未知目标判别方法 | |
CN114241233A (zh) | 一种非线性类组稀疏表示真假目标一维距离像识别方法 | |
CN113156416B (zh) | 一种基于多重核字典学习的未知目标判别方法 | |
CN111325158B (zh) | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 | |
CN110068799B (zh) | 一种稀疏邻域中心保持rcs序列特征提取方法 | |
CN111860356A (zh) | 基于非线性投影字典对学习的极化sar图像分类方法 | |
CN115455670B (zh) | 一种基于高斯混合模型的非高斯噪声模型建立方法 | |
Chung et al. | Recursive K-distribution parameter estimation | |
CN108428226B (zh) | 一种基于ica稀疏表示与som的失真图像质量评价方法 |
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 |