CN113962298B - 一种低秩判别子空间真假目标一维距离像特征提取方法 - Google Patents
一种低秩判别子空间真假目标一维距离像特征提取方法 Download PDFInfo
- Publication number
- CN113962298B CN113962298B CN202111197170.XA CN202111197170A CN113962298B CN 113962298 B CN113962298 B CN 113962298B CN 202111197170 A CN202111197170 A CN 202111197170A CN 113962298 B CN113962298 B CN 113962298B
- Authority
- CN
- China
- Prior art keywords
- matrix
- low
- rank
- true
- class
- 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
- G06F18/21—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
- 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
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (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低秩判别子空间真假目标一维距离像特征提取方法。本发明首先将训练样本按列组成一个矩阵,利用稀疏重构方法分解成低秩矩阵和稀疏误差部分,并在重构学习中引入低秩矩阵的类判别信息,然后,对低秩矩阵进行分析建立低秩判别子空间,提取目标一维距离像特征。由于重构算法中引入了类判别信息,增大了类间分离,减小了类内差异,从而提高了目标识别性能,对四类仿真目标的一维距离像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
本发明属于目标识别技术领域,具体的说是涉及一种低秩判别子空间真假目标一维距离像特征提取方法。
背景技术
流行学习方法能够在目标函数中着重强调局部结构信息,提取到目标数据分布的低维度结构特征,在雷达目标识别中获得了好的识别效果。例如局部判别嵌入方法通过建立样本邻域的连接图,能够保持样本特征的邻域结构,而局部结构保持方法在目标函数中只对类内样本距离加权,从而在特征域保持样本的原有邻域结构。但是,传统的流行学习方法只考虑了同类样本中的邻域分布结构,而没有引入异类之间的分离信息,导致其识别性能受到限制。因此,现有传统流行学习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,本发明提出了一种低秩判别子空间特征提取方法,该方法首先将训练样本按列组成一个矩阵,利用稀疏重构方法分解成低秩矩阵和稀疏误差部分,并在重构学习中引入低秩矩阵的类判别信息,然后,对低秩矩阵进行分析建立低秩判别子空间,提取目标一维距离像特征。由于重构算法中引入了类判别信息,增大了类间分离,减小了类内差异,从而提高了目标识别性能。
为实现上述目的,本发明的技术方案是:
一种低秩判别子空间真假目标一维距离像特征提取方法,包括以下步骤:
将矩阵进行分解
X=L+E (2)
其中L是一个大小与X相同的低秩矩阵,E为相应的误差矩阵,式(2)中存在无穷个解,其最优解即是求解以下的最小化问题:
S2、在式(3)中引入针对矩阵L的判别量:
其中β2是一个正的系数,D(L)是针对矩阵L的判别量:
S3、通过求解式(4)获得低秩矩阵L,针对矩阵L中对应的类的列矢量,进行判别分析,得到投影矩阵A,将投影矩阵A定义为低秩判别子空间,任意一维距离像向低秩判别子空间投影,得到相应的特征矢量。
进一步的,步骤S3中,求解式(4)获得低秩矩阵L的具体方法为:
a.初始化参量:L(0),Y(0),E(0),γ(0)>0,η>1,ε>0,kmax,k=0;其中,L(0)、Y(0)和E(0)分别是矩阵L、Y和E的初始值,γ(0)是系数γ的初始值,其中,Y是一个迭代中引入的调整因子矩阵,其大小与矩阵L相同;;
b.令i=1;
c.令[U,S,V]=svd(Li(k)-Ei(k)+Yi(k)/γ(k))
其中,svd(·)为奇异值分解,S是奇异值对角矩阵,U和V分别为左右奇异矢量矩阵,Li(k)、Ei(k)和Yi(k)分别是矩阵L(k)、E(k)和Y(k)中与第i类有关的列矢量组成的矩阵,L(k)、E(k)和Y(k)是第k次迭代时矩阵L、E和Y的值;计算
Li(k+1)=Uf(S)VT
Ei(k+1)=f(Xi-Li(k+1)+Yi(k)/γ(k))
Yi(k+1)=Yi(k)+γ(k)(Xi-Li(k+1)-Ei(k+1))
其中函数Xi为第i类的训练样本组成的矩阵,Li(k+1)、Ei(k+1)和Yi(k+1)分别是矩阵L(k+1)、E(k+1)和Y(k+1)中与第i类有关的列矢量组成的矩阵,L(k+1)、E(k+1)和Y(k+1)是第k+1次迭代时矩阵L、E和Y的值;
d.如果i=g,进入步骤e,否则,i=i+1,回到步骤c;
e.令γ(k+1)=ηγ(k);
f.如果k<kmax,则k=k+1,回到步骤b继续迭代,否则终止迭代,获得低秩矩阵L。
本发明的有益效果是:本发明在重构学习中引入低秩矩阵的类判别信息,增强了异类间的分离程度,从而提高了目标识别性能,克服了传统流行学习方法只强调类内邻域结构而忽略类间分离的缺点,有效改善了对雷达真假目标的分类性能。
具体实施方式
下面结合仿真实验说明本发明的实用性。
设计四种点目标:真目标、碎片、轻诱饵和重诱饵。雷达发射脉冲的带宽为1000MHZ(距离分辨率为0.15m,雷达径向取样间隔为0.075m),目标设置为均匀散射点目标,真目标的散射点为7,其余三目标的散射点数均为11。在目标姿态角为0°~70°范围内每隔1°的一维距离像中,取目标姿态角为0°、2°、4°、6°、...、70°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,则每类目标有35个测试样本。
对四种目标(真目标、碎片、轻诱饵和重诱饵),在姿态角0°~70°范围内,利用本发明的低秩判别子空间特征提取方法和局部结构保持特征提取方法进行了识别实验,结果如表1所示。实验中,kmax=200,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,局部结构保持特征提取法的识别率为89%,而本文的低秩判别子空间特征提取方法的识别率为95%;对碎片,局部结构保持特征提取法的识别率为87%,而本文的低秩判别子空间特征提取方法的识别率为90%;对轻诱饵,局部结构保持特征提取法的识别率为84%,而本文的低秩判别子空间特征提取方法的识别率为88%;对重诱饵,局部结构保持特征提取法的识别率为85%,而本文的低秩判别子空间特征提取方法的识别率为89%。平均而言,对四类目标,本文的低秩判别子空间特征提取方法的正确识别率高于局部结构保持特征提取法,表明本文的低秩判别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 (2)
1.一种低秩判别子空间真假目标一维距离像特征提取方法,其特征在于,包括以下步骤:
将矩阵进行分解
X=L+E (2)
其中L是一个大小与X相同的低秩矩阵,E为相应的误差矩阵,式(2)中存在无穷个解,其最优解即是求解以下的最小化问题:
S2、在式(3)中引入针对矩阵L的判别量:
其中β2是一个正的系数,D(L)是针对矩阵L的判别量:
S3、通过求解式(4)获得低秩矩阵L,针对矩阵L中对应的类的列矢量,进行判别分析,得到投影矩阵A,将投影矩阵A定义为低秩判别子空间,任意一维距离像向低秩判别子空间投影,得到相应的特征矢量。
2.根据权利要求1所述的一种低秩判别子空间真假目标一维距离像特征提取方法,其特征在于,步骤S3中,求解式(4)获得低秩矩阵L的具体方法为:
a.初始化参量:L(0),Y(0),E(0),γ(0)>0,η>1,ε>0,kmax,k=0;其中,L(0)、Y(0)和E(0)分别是矩阵L、Y和E的初始值,γ(0)是系数γ的初始值,其中,Y是一个迭代中引入的调整因子矩阵,其大小与矩阵L相同;
b.令i=1;
c.令[U,S,V]=svd(Li(k)-Ei(k)+Yi(k)/γ(k))
其中,svd(·)为奇异值分解,S是奇异值对角矩阵,U和V分别为左右奇异矢量矩阵,Li(k)、Ei(k)和Yi(k)分别是矩阵L(k)、E(k)和Y(k)中与第i类有关的列矢量组成的矩阵,L(k)、E(k)和Y(k)是第k次迭代时矩阵L、E和Y的值;计算
Li(k+1)=Uf(S)VT
Ei(k+1)=f(Xi-Li(k+1)+Yi(k)/γ(k))
Yi(k+1)=Yi(k)+γ(k)(Xi-Li(k+1)-Ei(k+1))
其中函数Xi为第i类的训练样本组成的矩阵,Li(k+1)、Ei(k+1)和Yi(k+1)分别是矩阵L(k+1)、E(k+1)和Y(k+1)中与第i类有关的列矢量组成的矩阵,L(k+1)、E(k+1)和Y(k+1)是第k+1次迭代时矩阵L、E和Y的值;
d.如果i=g,进入步骤e,否则,i=i+1,回到步骤c;
e.令γ(k+1)=ηγ(k);
f.如果k<kmax,则k=k+1,回到步骤b继续迭代,否则终止迭代,获得低秩矩阵L。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111197170.XA CN113962298B (zh) | 2021-10-14 | 2021-10-14 | 一种低秩判别子空间真假目标一维距离像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111197170.XA CN113962298B (zh) | 2021-10-14 | 2021-10-14 | 一种低秩判别子空间真假目标一维距离像特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962298A CN113962298A (zh) | 2022-01-21 |
CN113962298B true CN113962298B (zh) | 2023-04-28 |
Family
ID=79464288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111197170.XA Active CN113962298B (zh) | 2021-10-14 | 2021-10-14 | 一种低秩判别子空间真假目标一维距离像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962298B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037417A (zh) * | 2017-06-13 | 2017-08-11 | 电子科技大学 | 雷达真假目标一维像非线性最近邻子空间特征提取方法 |
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 |
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 |
CN110007286A (zh) * | 2019-04-22 | 2019-07-12 | 电子科技大学 | 一种线性判别学习真假目标一维距离像特征提取方法 |
AU2020104006A4 (en) * | 2020-12-10 | 2021-02-18 | Naval Aviation University | Radar target recognition method based on feature pyramid lightweight convolutional neural network |
-
2021
- 2021-10-14 CN CN202111197170.XA patent/CN113962298B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037417A (zh) * | 2017-06-13 | 2017-08-11 | 电子科技大学 | 雷达真假目标一维像非线性最近邻子空间特征提取方法 |
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 |
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 |
CN110007286A (zh) * | 2019-04-22 | 2019-07-12 | 电子科技大学 | 一种线性判别学习真假目标一维距离像特征提取方法 |
AU2020104006A4 (en) * | 2020-12-10 | 2021-02-18 | Naval Aviation University | Radar target recognition method based on feature pyramid lightweight convolutional neural network |
Non-Patent Citations (3)
Title |
---|
zhou daiying.radar target hrrp recognition based on reconstructive and discriminative dictionary learning.signal processing.2016,第126卷52-64. * |
艾小锋 ; 李永祯 ; 赵锋 ; 肖顺平 ; .基于多视角一维距离像序列的进动目标特征提取.电子与信息学报.2011,第33卷(第12期),2846-2851. * |
韩磊等.HRRP自动目标识别方法综述 .北京理工大学学报.2020,第40卷(第4期),351-361+381. * |
Also Published As
Publication number | Publication date |
---|---|
CN113962298A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133232B (zh) | 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 | |
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 | |
CN107271965B (zh) | 类聚集子空间的真假目标一维距离像特征提取方法 | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
CN111695456B (zh) | 一种基于主动判别性跨域对齐的低分辨人脸识别方法 | |
CN112200211B (zh) | 一种基于残差网络和迁移学习的小样本鱼识别方法及系统 | |
CN112836671B (zh) | 一种基于最大化比率和线性判别分析的数据降维方法 | |
CN107545279B (zh) | 基于卷积神经网络与加权核特征分析的图像识别方法 | |
CN106599833B (zh) | 一种基于领域适应和流形距离度量的人脸识别方法 | |
CN108845303B (zh) | 一种非线性稳健子空间真假目标特征提取方法 | |
CN111580058A (zh) | 基于多尺度卷积神经网络的雷达hrrp目标识别方法 | |
CN110135520A (zh) | 基于图补全和自适应视角权重分配的不完备多视角聚类方法、装置、系统及存储介质 | |
CN108734115B (zh) | 一种基于标签一致字典学习的雷达目标识别方法 | |
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 | |
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 | |
CN108828574B (zh) | 一种类间分离增强子空间真假目标特征提取方法 | |
CN106908774B (zh) | 基于多尺度核稀疏保持投影的一维距离像识别方法 | |
CN114241233B (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 | |
CN112163615B (zh) | 一种基于门限优化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 | |
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 | |
CN107678007B (zh) | 一种指数域紧密子空间的雷达真假目标一维距离像特征提取方法 | |
CN108428226B (zh) | 一种基于ica稀疏表示与som的失真图像质量评价方法 | |
CN107403136B (zh) | 基于结构保持字典学习的sar目标型号识别方法 |
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 |