CN114913520A - 一种矩阵多项式真假目标rcs序列特征提取方法 - Google Patents
一种矩阵多项式真假目标rcs序列特征提取方法 Download PDFInfo
- Publication number
- CN114913520A CN114913520A CN202210548936.2A CN202210548936A CN114913520A CN 114913520 A CN114913520 A CN 114913520A CN 202210548936 A CN202210548936 A CN 202210548936A CN 114913520 A CN114913520 A CN 114913520A
- Authority
- CN
- China
- Prior art keywords
- matrix
- polynomial
- true
- rcs
- row
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于目标识别技术领域,具体涉及一种矩阵多项式真假目标RCS序列特征提取方法。本发明的方法首先将一维距离像构成二维矩阵,然后利用每类目标的训练样本矩阵计算类平均矩阵,对类平均矩阵进行多项式特征提取,由于没有进行本征分解,相对于常规的特征子空间而言,能够获得更准确的目标特征,从而提高了目标识别性能,对四类仿真目标的RCS序列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,具体涉及一种矩阵多项式真假目标RCS序列特征提取方法。
背景技术
雷达目标识别中,特征子空间法是一种有效的识别方法,通过对训练样本集的协方差矩阵进行特征分解,选取多个特征值最大的本征矢量构成投影子空间,将样本数据向该子空间投影以提取目标的分类特征,一方面提取的特征维数小于原有样本的维数,减少了计算量和存储量,同时,去掉最小特征值对应的特征矢量,降低噪声的影响,改善了对目标的识别率。但是,特征子空间的建立过程中,必须进行特本征分解,由于分解算法的误差,可能无法建立完全准确的子空间而影响分类特征的准确提取,从而降低对目标的识别率。因此,现有特征子空间特征提取方法的识别性能有进一步改善的余地。
发明内容
本发明提出一种矩阵多项式特征提取方法,该方法首先将一维距离像构成二维矩阵,然后利用每类目标的训练样本矩阵计算类平均矩阵,对类平均矩阵进行多项式特征提取,由于不需要进行本征分解,相对于传统特征子空间而言,能够获得更准确的目标特征从而提高目标识别性能,克服了传统特征子空间方法不精确的缺点,有效改善对雷达真假目标RCS序列的分类性能。
本发明的技术方案为:
一种矩阵多项式真假目标RCS序列特征提取方法,包括以下步骤:
S2、将RCS序列帧按等长分成m,每段长为m,按行的顺序组合成一个m×m维的二维矩阵,设xij对应的二维矩阵为Zij,计算Zij的特征多项式为
F(Zij)=|λI-Zij| (1)
其中,F(Zij)为特征多项式,λ为特征值,I为m×m的单位矩阵,|·|表示矩阵的行列式;化简得
F(Zij)=λm-pij,mλm-1-pij,m-1λm-2…-pij,1 (2)
其中
pij,1=|Zij| (5)
其中,Zij,rr为矩阵Zij中第r行第r列的元素,Zij,ll为矩阵Zij中第l行第l列的元素,Zij,rl为矩阵Zij中第r行第l列的元素,Zij,lr为矩阵Zij中第l行第r列的元素;
由式(2)中的特征多项式系数组成矢量
yij=[pij,1 … pij,m-1 pi,m]T (6)
则yij为矩阵多项式特征矢量;
S3、对于输入的RCS序列帧xt,采用与步骤S2同样的方法获取对应的矩阵多项式特征矢量yt,计算yt与yij之间的相似度
其中,<·,·>表示两个矢量的内积,||·||2表示2阶范数,则输入RCS序列帧判为第k类
本发明的有益效果为,由于没有进行本征分解,相对于常规的特征子空间而言,能够获得更准确的目标特征,从而提高了目标识别性能。
具体实施方式
下面结合仿真以证明本发明的有效性和取得的进步:
采用四种仿真目标: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),利用本发明的矩阵多项式特征提取方法进行了识别实验,平均正确识别率达到了90%。实验中参数m=15。
Claims (1)
1.一种矩阵多项式真假目标RCS序列特征提取方法,其特征在于,包括以下步骤:
S2、将RCS序列帧按等长分成m,每段长为m,按行的顺序组合成一个m×m维的二维矩阵,设xij对应的二维矩阵为Zij,计算Zij的特征多项式为
F(Zij)=|λI-Zij| (1)
其中,F(Zij)为特征多项式,λ为特征值,I为m×m的单位矩阵,|·|表示矩阵的行列式;化简得
F(Zij)=λm-pij,mλm-1-pij,m-1λm-2…-pij,1 (2)
其中
pij,1=|Zij| (5)
其中,Zij,rr为矩阵Zij中第r行第r列的元素,Zij,ll为矩阵Zij中第l行第l列的元素,Zij,rl为矩阵Zij中第r行第l列的元素,Zij,lr为矩阵Zij中第l行第r列的元素;
由式(2)中的特征多项式系数组成矢量
yij=[pij,1 … pij,m-1 pi,m]T (6)
则yij为矩阵多项式特征矢量;
S3、对于输入的RCS序列帧xt,采用与步骤S2同样的方法获取对应的矩阵多项式特征矢量yt,计算yt与yij之间的相似度
其中,<·,·>表示两个矢量的内积,||·||2表示2阶范数,则输入RCS序列帧判为第k类
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210548936.2A CN114913520B (zh) | 2022-05-20 | 2022-05-20 | 一种矩阵多项式真假目标rcs序列特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210548936.2A CN114913520B (zh) | 2022-05-20 | 2022-05-20 | 一种矩阵多项式真假目标rcs序列特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114913520A true CN114913520A (zh) | 2022-08-16 |
CN114913520B CN114913520B (zh) | 2023-04-28 |
Family
ID=82768065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210548936.2A Active CN114913520B (zh) | 2022-05-20 | 2022-05-20 | 一种矩阵多项式真假目标rcs序列特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913520B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030085832A1 (en) * | 2001-09-05 | 2003-05-08 | Lockheed Martin Corporation | Digital beamforming radar system and method with super-resolution multiple jammer location |
CN101241184A (zh) * | 2008-03-12 | 2008-08-13 | 电子科技大学 | 一维距离像的非线性子空间识别方法 |
CN105676200A (zh) * | 2016-01-07 | 2016-06-15 | 北京环境特性研究所 | 进动目标结构参数提取方法 |
CN107255805A (zh) * | 2017-08-01 | 2017-10-17 | 西安电子科技大学 | 基于加权最小二乘的雷达目标rcs的预测方法 |
EP3696566A1 (en) * | 2019-02-14 | 2020-08-19 | Elta Systems Ltd. | System and method for identification of an airborne object |
-
2022
- 2022-05-20 CN CN202210548936.2A patent/CN114913520B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030085832A1 (en) * | 2001-09-05 | 2003-05-08 | Lockheed Martin Corporation | Digital beamforming radar system and method with super-resolution multiple jammer location |
CN101241184A (zh) * | 2008-03-12 | 2008-08-13 | 电子科技大学 | 一维距离像的非线性子空间识别方法 |
CN105676200A (zh) * | 2016-01-07 | 2016-06-15 | 北京环境特性研究所 | 进动目标结构参数提取方法 |
CN107255805A (zh) * | 2017-08-01 | 2017-10-17 | 西安电子科技大学 | 基于加权最小二乘的雷达目标rcs的预测方法 |
EP3696566A1 (en) * | 2019-02-14 | 2020-08-19 | Elta Systems Ltd. | System and method for identification of an airborne object |
Non-Patent Citations (2)
Title |
---|
MINGDA 等: "Precession Parameters Extraction of Midcourse Target Based on HRRP Sequence" * |
明达: "基于一维距离像的弹道目标中段微动特征提取" * |
Also Published As
Publication number | Publication date |
---|---|
CN114913520B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728224B (zh) | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 | |
US10713563B2 (en) | Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
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 | |
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 | |
CN109766934B (zh) | 一种基于深度Gabor网络的图像目标识别方法 | |
CN110688968A (zh) | 基于多示例深度卷积记忆网络的高光谱目标检测方法 | |
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 | |
CN112200123B (zh) | 联合稠密连接网络和样本分布的高光谱开放集分类方法 | |
CN111273288A (zh) | 一种基于长短期记忆网络的雷达未知目标识别方法 | |
CN112183617B (zh) | 样本与类标签最大相关子空间rcs序列特征提取方法 | |
CN113376569A (zh) | 基于最大似然的嵌套阵稀疏表示波达方向估计方法 | |
CN110068799B (zh) | 一种稀疏邻域中心保持rcs序列特征提取方法 | |
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 | |
CN113052130B (zh) | 基于深度残差网络和边缘保护滤波的高光谱影像分类方法 | |
CN110687514A (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 | |
CN112967755B (zh) | 一种面向单细胞rna测序数据的细胞类型识别方法 | |
CN111860356B (zh) | 基于非线性投影字典对学习的极化sar图像分类方法 | |
CN114913520A (zh) | 一种矩阵多项式真假目标rcs序列特征提取方法 | |
CN112001256B (zh) | 混合信号去工频干扰方法及系统 | |
CN116861964A (zh) | 一种基于双判别器生成式对抗网络的异常数据检测方法 | |
CN108549065B (zh) | 一种近邻结构保持真假目标rcs序列特征提取方法 | |
CN116452494A (zh) | 基于自组织映射网络的无监督工业异常检测与定位方法 | |
CN114936597B (zh) | 一种局部信息增强子空间真假目标特征提取方法 | |
CN110826599A (zh) | 一种稀疏表示样本分布边界保持特征提取方法 |
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 |