CN114241233B - 一种非线性类组稀疏表示真假目标一维距离像识别方法 - Google Patents

Abstract

本发明公开了一种非线性类组稀疏表示真假目标一维距离像识别方法，属于雷达识别技术领域。本发明首先利用非线性映射函数将训练样本映射到高维空间，在高维空间对输入样本进行稀疏分析，并以类别为组计算非线性重构误差，采用非线性类组重构误差计分函数对目标进行分类，由于引入非线性映射，解决了一维距离像数据分布出现的非线性问题，从而改善了对目标的识别性能。

Description

一种非线性类组稀疏表示真假目标一维距离像识别方法

技术领域

本发明属于雷达识别技术领域，具体涉及一种非线性类组稀疏表示真假目标一维距离像识别方法。

背景技术

在雷达目标识别中，由于目标是由多个散射中心构成的，表现出明显的稀疏性，因经，稀疏表示分类方法获得了好的识别效果。但是，随着目标姿态角范围的增加，加之背景干扰噪声的随机性，一维距离像数据分布中出现了较大的非线性，传统的线性稀疏表示分类方法不能有效地描述一维距离像数据分布中的非线性，造成其识别性能受到限制。因此，现有传统的线性稀疏表示分类方法的识别性能有进一步改善的余地。

发明内容

本发明提供了一种非线性类组稀疏表示真假目标一维距离像识别方法，可用于提高雷达目标识别性能。

本发明采用的技术方案为：

一种非线性类组稀疏表示真假目标一维距离像识别方法，所述方法包括：

步骤1：基于预设的非线性函数φ(·)将训练样本映射到高维特征空间，在高维空间将非线性映射样本组成矩阵：[φ(X₁) φ(X₁) … φ(X_g)]；

其中，

x_ij表示第i类真假目标的第j个训练样本的一维距离像，X_i表示训练样本矩阵，1≤i≤g，1≤j≤N_i，g为类别数，N_i为第i类真假目标的训练样本数；

步骤2：在高维空间对待识别的一维距离像x_t进行稀疏分析，获取各类组的非线性系数系数：

所述一维距离像x_t的非线性映射φ(x_t)的类组稀疏表示为：

其中，α_i表示第i类组的非线性稀疏系数，·₂表示2阶范数，λ表示调节参数，

根据x_t的非线性映射φ(x_t)的类组稀疏表示的求解结果，确定各类组的非线性系数系数α_i；

步骤3：以类别为组计算非线性重构误差E_i：

定义核函数k(x_ij,x_rl)＝φ(x_ij)^Tφ(x_rl)，其中，上标T表示转置，x_rl表示第r类真假目标的第l个训练样本的一维距离像；

第i类组的的误差

其中，矩阵K_1,i和K_2,i分别为：

步骤4：基于各组的非线性重构误差判定x_t的类别：若满足E_m＜E_i,for alli≠m，则将x_t判为第m类。即，依次遍历所有非线性重构误差，若当前的非线性重构误差E_m均比其余的非线性重构误差E_i(i≠m)小，则x_t的类别为当前的非线性重构误差E_m所对应的类别(第m类)。

本发明提供的技术方案至少带来如下有益效果：

本发明首先利用非线性映射函数将训练样本映射到高维空间，在高维空间对输入样本进行稀疏分析，并以类别为组计算非线性重构误差作为决策量对目标进行分类，由于引入非线性映射，能够更好地表示一维距离像数据分布出现的非线性，从而提高了目标识别性能，克服了传统线性稀疏表示分类方法不能描述非线性分布的缺点，有效改善了对雷达真假目标的分类性能。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明实施方式作进一步地详细描述。

本发明实施例提出了一种非线性类组稀疏表示目标一维距离像识别方法，该方法首先利用非线性映射函数将训练样本映射到高维空间，在高维空间对输入样本进行稀疏分析，并以类别为组计算非线性重构误差作为决策量对目标进行分类，由于引入非线性映射，能够更好地表示一维距离像数据分布出现的非线性，从而提高了目标识别性能，克服了传统线性稀疏表示分类方法不能描述非线性分布的缺点，有效改善了对雷达真假目标的分类性能。

本发明实施例提供的一种非线性类组稀疏表示目标一维距离像识别方法具体包括：

(1)非线性类组稀疏表示分类。

设x_ij(n维列矢量)为第i类真假目标的第j个训练一维距离像，1≤i≤g，1≤j≤N_i，

其中N_i为第i类真假目标的训练样本数，g为类别数，N为训练样本总数。利用非线性映射函数φ(·)将训练样本映射到高维特征空间，在高维空间将非线性映射样本组成如下矩阵

其中

给定输入样本x_t(即待识别的一维距离像)，其非线性映射φ(x_t)的类组稀疏表示为：

其中，α_i为第i类组的非线性稀疏系数，||·||₂为2-阶范数，λ为调节参数(经验值)。

使用第i类组的非线性稀疏系数α_i重构φ(x_t)，重构误差E_i可以表示为：

引入核函数，可得到：

k(x_ij,x_rl)＝φ(x_ij)^Tφ(x_rl) (5)

其中，k(x_ij,x_rl)表示核函数，上标“T”表示矩阵转置，由于x_rl也是一维距离像样本。

将式(5)代入式(4)可得

其中

如果类组重构误差满足：

E_m＜E_i,for alli≠m (9)

则将输入一维距离像判为第m类。

为了验证本发明实施例提供的非线性类组稀疏表示真假目标一维距离像识别方法的识别性能，进行如下仿真实验：

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°、...、80°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40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°～80°范围内，利用本发明实施例提供的非线性类组稀疏表示分类方法和传统的稀疏表示分类方法进行了识别实验，结果如表一所示。

表一 两种方法的识别结果

从表一的结果可以看到，对真目标，传统的稀疏表示分类方法的识别率为87％，而本发明实施例的非线性类组稀疏表示分类方法的识别率为94％；对碎片，传统的稀疏表示分类方法的识别率为86％，而本发明实施例的非线性类组稀疏表示分类方法的识别率为88％；对轻诱饵，传统的稀疏表示分类方法的识别率为84％，而本发明实施例的非线性类组稀疏表示分类方法的识别率为87％；对重诱饵，传统的稀疏表示分类方法的识别率为85％，而本发明实施例的非线性类组稀疏表示分类方法的识别率为87％。平均而言，对四类目标，本发明实施例的非线性类组稀疏表示分类方法的正确识别率高于传统的稀疏表示分类方法，表明本发明实施例的非线性类组稀疏表示分类方法确实改善了多类目标的识别性能。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (1)

1.一种非线性类组稀疏表示真假目标一维距离像识别方法，其特征在于，包括下列步骤：

步骤1：基于预设的非线性函数φ(·)将训练样本映射到高维特征空间，在高维空间将非线性映射样本组成矩阵：[φ(X₁) φ(X₁)…φ(X_g)]；

其中，

x_ij表示第i类真假目标的第j个训练样本的一维距离像，1≤i≤g，1≤j≤N_i，g为类别数，N_i为第i类真假目标的训练样本数；

步骤2：在高维空间对待识别的一维距离像x_t进行稀疏分析，获取各类组的非线性系数：

所述一维距离像x_t的非线性映射φ(x_t)的类组稀疏表示为：

其中，α_i表示第i类组的非线性稀疏系数，||·||₂表示2阶范数，λ表示调节参数，α＝[α₁α₂…α_g]；

根据x_t的非线性映射φ(x_t)的类组稀疏表示的求解结果，确定各类组的非线性系数系数α_i；

步骤3：以类别为组计算非线性重构误差E_i：

定义核函数k(x_ij,x_rl)＝φ(x_ij)^Tφ(x_rl)，其中，x_rl表示第r类真假目标的第l个训练样本的一维距离像；

第i类组的的误差

其中，矩阵K_1,i和K_2,i分别为：

步骤4：遍历所有非线性重构误差，若当前的非线性重构误差E_m均比其余的非线性重构误差E_i小，其中，i≠m，则判定x_t的目标类别为：当前非线性重构误差E_m所对应的类别。