CN113269203B - 一种用于多旋翼无人机识别的子空间特征提取方法 - Google Patents

Abstract

本发明属于目标识别技术领域，具体的说是涉及一种用于多旋翼无人机识别的子空间特征提取方法。本发明首先通过对每类无人机的雷达回波数据集进行聚类处理，然后，将样本数据与各类无人机目标聚类中心间的马氏距离组成一个聚类距离矢量，由聚类距离矢量构建奇异值加权子空间，提取目标特征，完成对多旋翼无人机的识别。由于引入聚类距离，增强了样本的空间分布结构信息，同时，在构建子空间时，采用奇异值进行加权，更加突出主投影分量的作用，从而改善了对目标的识别率。

Description

一种用于多旋翼无人机识别的子空间特征提取方法

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用于多旋翼无人机识别的子空间特征提取方法。

背景技术

随着无人机在军事、民用等领域的广泛应用的同时，也带来了很大的安全问题，如非法入侵私人区域、碰撞飞机、恐怖袭击等。因此，准确识别出无人机的类型在反无人机作战中具有非常重要的实际意义。

目前，本征子空间方法是一种识别无人机的有效方法，主要通过无人机目标的雷达回波数据集进行本征分解，由主投影分量构建子空间，提取目标特征。但是，常规由主投影分量构成的子空间，每一投影分量的权重相同，另外，样本的空间分布信息并没有有效利用，因此，基于常规本征子空间的多旋翼无人机识别方法有进一步提高目标识别率的余地。

发明内容

针对上述问题，本发明提出了一种用于多旋翼无人机识别的奇异值加权聚类距离子空间特征提取方法，通过引入聚类距离，充分利用样本空间分布信息，同时，采用奇异值对主投影分量加权，更加突出主投影分量的作用，从而进一步改善了对无人机目标的识别率。

本发明的技术方案是：

一种用于多旋翼无人机识别的子空间特征提取方法，包括以下步骤：

S1、设多旋旋翼无人机的雷达回波训练数据序列为n维列矢量x_ij，i＝1,2,…g，j＝1,2…N_i，其中，i表示无人机的类别，g表示类别数，N_i表示第i类无人机目标的训练样本数，则总的训练样本数为

S2、聚类：将第i类无人机目标的训练样本数据集进行C均值聚类，得到M个聚类中心：c_i1,c_i2…c_iM，其中，c_ik表示第i类目标的第k个聚类中心，k＝1,2,…M；

S3、计算聚类距离：计算第i类目标第j个训练样本与第r类目标第k个聚类中心c_rk的马氏距离d_ij,rk，r＝1,2,…g：

其中，T表示矩阵转置，x_rkj表示属于第r类目标第个k聚类的第j个训练样本数据，∑_rk表示第r类目标第k个聚类的训练样本集的协方差矩阵，L_rk表示第r类目标第k个聚类的训练样本个数，则L_r1+L_r2+…L_rM＝N_r，N_r为第r类的所有训练样本数；

将第i类目标第j个训练样本与第r类目标的M个聚类中心距离组成一个M维的列矢量d_ij,r：

d_ij,r＝[d_ij,r1 d_ij,r2 … d_ij,rM]^T

再将d_ij,1、d_ij,2、…d_ij,g列矢量按如下方式组成矢量d_ij：

其中，d_ij称为聚类距离矢量，长度为g×M；

S4、计算聚类距离矢量的协方差矩阵：

将所有目标的聚类距离矢量按列组成如下矩阵D：

计算矩阵D的协方差矩阵C：

C＝E{(D-E{D})(D-E{D})^T}

其中E{·}表示取均值；

S5、求解奇异值加权聚类距离子空间：

对协方差矩阵C进行奇异值分解，并将奇异值按大到小的顺序排列：

λ₁≥λ₂…≥λ_M

取前l个最大奇异值和对应的左奇异矢量u₁、u₂…u_l组成投影矩阵A，l<M：

A＝[λ₁u₁ λ₂u₂ … λ_lu_l]

将A定义为奇异值加权聚类距离子空间；将训练样本x_ij到每类目标聚类中心间的距离矢量向A投影，得到l维的特征矢量z_ij：

z_ij＝A^T(d_ij-E{D})。

本发明的有益效果是：本发明引入聚类距离，增强了样本的空间分布结构信息，同时，在构建子空间时，采用奇异值进行加权，更加突出主投影分量的作用，从而改善了对目标的识别率。

具体实施方式

下面结合仿真实验说明本发明的实用性。

仿真实验设计了4种类型的无人机，包括三旋翼无人机、四旋翼无人机、六旋翼无人机、八旋翼无人机，叶片长度为0.3m，轴心到原心距离为0.8m，旋翼转速1200r/m。仿真雷达参数包括：雷达载频为24GHz；脉冲重复频率为100KHz；目标与雷达间的距离200m；无人机相对于雷达的俯仰角为10°、方位角为30°

每类目标记录10s的雷达回波信号，并将其分为固定长度0.05s的段(至少包含一个旋转周期)，段之间的重叠为50％，每段包含0.05×100000＝5000个雷达回波采样数据点，每类共400段。在400段中随机选取200段作为训练数据集，其余200段作为测试数据集，则4类目标的训练数据集总共包括800个段，测试数据集包括800个段，并采用PCA对训练样本和测试样本降维至200维，减少后续处理的运算量。对选取的训练数据集，计算奇异值加权聚类距离子空间，然后，利用该子空间进行特征提取，采用最近邻分类器进行分类，对4类多旋翼无人机的平均正确识别率达到95％，其中，信噪比为15dB，结果表明本发明方法是有效性的。

Claims (1)

1.一种用于多旋翼无人机识别的子空间特征提取方法，其特征在于，包括以下步骤：

S1、设多旋旋翼无人机的雷达回波训练数据序列为n维列矢量x_ij，i＝1,2,…g，j＝1,2…N_i，其中，i表示无人机的类别，g表示类别数，N_i表示第i类无人机目标的训练样本数，则总的训练样本数为

S2、将第i类无人机目标的训练样本数据集进行C均值聚类，得到M个聚类中心：c_i1,c_i2…c_iM，其中，c_ik表示第i类目标的第k个聚类中心，k＝1,2,…M；

S3、计算第i类目标第j个训练样本与第r类目标第k个聚类中心c_rk的马氏距离d_ij,rk，r＝1,2,…g：

其中，T表示矩阵转置，x_rkj表示属于第r类目标第个k聚类的第j个训练样本数据，∑_rk表示第r类目标第k个聚类的训练样本集的协方差矩阵，L_rk表示第r类目标第k个聚类的训练样本个数，则L_r1+L_r2+…L_rM＝N_r，N_r为第r类的所有训练样本数；

将第i类目标第j个训练样本与第r类目标的M个聚类中心距离组成一个M维的列矢量d_ij,r：

d_ij,r＝[d_ij,r1 d_ij,r2 … d_ij,rM]^T

再将d_ij,1、d_ij,2、…d_ij,g列矢量按如下方式组成矢量d_ij：

其中，d_ij称为聚类距离矢量，长度为g×M；

S4、将所有目标的聚类距离矢量按列组成如下矩阵D：

计算矩阵D的协方差矩阵C：

C＝E{(D-E{D})(D-E{D})^T}

其中E{·}表示取均值；

S5、对协方差矩阵C进行奇异值分解，并将奇异值按大到小的顺序排列：

λ₁≥λ₂…≥λ_M

取前l个最大奇异值和对应的左奇异矢量u₁、u₂…u_l组成投影矩阵A，l<M：

A＝[λ₁u₁ λ₂u₂ … λ_lu_l]

将A定义为奇异值加权聚类距离子空间；将训练样本x_ij到每类目标聚类中心间的距离矢量向A投影，得到l维的特征矢量z_ij：

z_ij＝A^T(d_ij-E{D})。