CN114936597B - 一种局部信息增强子空间真假目标特征提取方法 - Google Patents

一种局部信息增强子空间真假目标特征提取方法 Download PDF

Info

Publication number
CN114936597B
CN114936597B CN202210548847.8A CN202210548847A CN114936597B CN 114936597 B CN114936597 B CN 114936597B CN 202210548847 A CN202210548847 A CN 202210548847A CN 114936597 B CN114936597 B CN 114936597B
Authority
CN
China
Prior art keywords
local information
sample
target
enhancer
training
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
Application number
CN202210548847.8A
Other languages
English (en)
Other versions
CN114936597A (zh
Inventor
周代英
廖阔
沈晓峰
张瑛
冯健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210548847.8A priority Critical patent/CN114936597B/zh
Publication of CN114936597A publication Critical patent/CN114936597A/zh
Application granted granted Critical
Publication of CN114936597B publication Critical patent/CN114936597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]

Abstract

本发明属于目标识别技术领域，具体涉及一种局部信息增强子空间真假目标特征提取方法。本发明的方法在利用训练样本集计算的类内散布矩阵中引入邻域局部非线性距离加权，增大具有密集分布邻域的样本贡献，由此建立的判别子空间能够提取到样本数据分布的局部差异特征，同时，采用了非线性距离，一定程度上表征了数据的非线性分布情况，从而提高了目标识别性能，对四类仿真目标的RCS数据进行了仿真实验，实验结果验证了该方法的有效性。

Description

一种局部信息增强子空间真假目标特征提取方法
技术领域
本发明属于目标识别技术领域，具体涉及一种局部信息增强子空间真假目标特征提取方法。
背景技术
判别子空间法是雷达目标识别中一种有效的特征提取方法，通过减少同类之间的差异，同时增大异类之间的差异，能够提取到区分性高的特征，获得了好的识别效果。但是，判别子空间只能提取目标的全局特征，而丢失了对识别有益的局部特征，从而降低了对目标的识别率。因此，现有判别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
本发明提出一种局部信息增强子空间特征提取方法，该方法在利用训练样本集计算的类内散布矩阵中引入邻域局部非线性距离加权，增大具有密集分布邻域的样本贡献，由此建立的判别子空间能够提取到样本数据分布的局部差异特征，同时，采用了非线性距离，一定程度上描述了数据的非线性分布情况，克服了传统判别子空间方法只能提取全局特征及不适用于非线性分布数据的缺点，有效改善了对雷达真假目标RCS序列的分类性能。
本发明的技术方案为：
一种局部信息增强子空间真假目标特征提取方法，包括以下步骤：
S1、定义n维列矢量xij为第i类真假目标的第j个训练RCS数据序列帧,1≤i≤g，1≤j≤Ni，
Figure BDA0003653603870000011
其中Ni为第i类真假目标的训练RCS序列帧数，N为训练RCS序列总帧数；
S2、在类内散射矩阵中引入局部信息
Figure BDA0003653603870000012
其中，T为转置，
Figure BDA0003653603870000013
是第i类目标的训练样本均值矢量
Figure BDA0003653603870000021
ηM(·)为相应训练样本的加权系数
Figure BDA0003653603870000022
其中，M是邻域样本的个数，NM(xij)表示与矢量xij邻近的M个近邻样本构成的邻域；
Figure BDA0003653603870000023
为样本xij与其近邻样本xrt之间的非线性距离
Figure BDA0003653603870000024
其中φ(·)为非线性映射函数，||·||2为矢量的2阶范数，利用核函数k(xij,xrt)＝φ(xij)Tφ(xrt)化简得
Figure BDA0003653603870000025
S3、式(3)可知，某样本的邻域中的样本分布越密集，其对应的权值越大，表明其在类内散射矩阵的贡献就更多，起的作用就越大；利用训练样本集计算类间散布矩阵
Figure BDA0003653603870000026
其中，βi为第i目标对应分量的加权系数
Figure BDA0003653603870000027
其中
Figure BDA0003653603870000028
为样本与类中心之间的非线性距离
Figure BDA0003653603870000029
同样，利用核函数化简得
Figure BDA0003653603870000031
同理，式(7)表明，类中的样本分布越集中，相应的权值会更大；
S4、设子空间坐标轴为a，是式(10)中方程的解，即
Figure BDA0003653603870000032
其中，tr(·)为矩阵的迹，则该子空间称为局部信息增强子空间，采用拉格郞日条件极值方法求解可得，局部信息增强子空间的坐标轴是矩阵
Figure BDA0003653603870000033
的非零特征值对应的特征向量ai，i＝1,2,…,g-1，即
A＝[a1 … ag-1]  (11)
其中，A为局部信息增强子空间，样本xij向子空间A投影
yij＝ATxij  (12)
得到yij为局部信息增强子空间特征。
获取特征后，利用最小距离分类器即可完成对目标的分类识别。
本发明的有益效果为，能够提取到样本数据分布的局部差异特征，同时，采用了非线性距离，一定程度上表征了数据的非线性分布情况，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)，利用本发明方法提取目标的局部信息增强子空间特征，然后采用最小距离分类器进行了识别实验，平均正确识别率达到91％。实验中参数为：M＝10，核函数
Figure BDA0003653603870000041

Claims (1)

1.一种局部信息增强子空间真假目标特征提取方法，其特征在于，包括以下步骤：
S1、定义n维列矢量xij为第i类真假目标的第j个训练RCS数据序列帧,1≤i≤g，1≤j≤Ni，
Figure FDA0003653603860000011
其中Ni为第i类真假目标的训练RCS序列帧数，N为训练RCS序列总帧数；
S2、在类内散射矩阵中引入局部信息
Figure FDA0003653603860000012
其中，T为转置，
Figure FDA0003653603860000013
是第i类目标的训练样本均值矢量
Figure FDA0003653603860000014
ηM(·)为相应训练样本的加权系数
Figure FDA0003653603860000015
其中，M是邻域样本的个数，NM(xij)表示与矢量xij邻近的M个近邻样本构成的邻域；
Figure FDA0003653603860000016
为样本xij与其近邻样本xrt之间的非线性距离
Figure FDA0003653603860000017
其中φ(·)为非线性映射函数，||·||2为矢量的2阶范数，利用核函数k(xij,xrt)＝φ(xij)Tφ(xrt)化简得
Figure FDA0003653603860000018
S3、利用训练样本集计算类间散布矩阵
Figure FDA0003653603860000019
其中，βi为第i目标对应分量的加权系数
Figure FDA0003653603860000021
其中
Figure FDA0003653603860000022
为样本与类中心之间的非线性距离
Figure FDA0003653603860000023
同样，利用核函数化简得
Figure FDA0003653603860000024
S4、设子空间坐标轴为a：
Figure FDA0003653603860000025
其中，tr(·)为矩阵的迹，则该子空间称为局部信息增强子空间，采用拉格郞日条件极值方法求解可得，局部信息增强子空间的坐标轴是矩阵
Figure FDA0003653603860000026
的非零特征值对应的特征向量ai，i＝1,2,…,g-1，即
A＝[a1…ag-1]   (11)
其中，A为局部信息增强子空间，样本xij向子空间A投影
yij＝ATxij   (12)
得到yij为局部信息增强子空间特征。
CN202210548847.8A 2022-05-20 2022-05-20 一种局部信息增强子空间真假目标特征提取方法 Active CN114936597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210548847.8A CN114936597B (zh) 2022-05-20 2022-05-20 一种局部信息增强子空间真假目标特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210548847.8A CN114936597B (zh) 2022-05-20 2022-05-20 一种局部信息增强子空间真假目标特征提取方法

Publications (2)

Publication Number Publication Date
CN114936597A CN114936597A (zh) 2022-08-23
CN114936597B true CN114936597B (zh) 2023-04-07

Family

ID=82863712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210548847.8A Active CN114936597B (zh) 2022-05-20 2022-05-20 一种局部信息增强子空间真假目标特征提取方法

Country Status (1)

Country Link
CN (1) CN114936597B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573714A (zh) * 2014-12-31 2015-04-29 南京理工大学 自适应无参数的特征提取方法
CN105550657A (zh) * 2015-12-23 2016-05-04 北京化工大学 基于关键点的改进sift人脸特征提取方法
CN106257488A (zh) * 2016-07-07 2016-12-28 电子科技大学 一种基于邻域特征空间鉴别分析的雷达目标识别方法
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
CN107451538A (zh) * 2017-07-13 2017-12-08 西安邮电大学 基于加权最大间距准则的人脸数据可分性特征提取方法
CN108549065A (zh) * 2018-07-25 2018-09-18 电子科技大学 一种近邻结构保持真假目标rcs序列特征提取方法
CN108828533A (zh) * 2018-04-26 2018-11-16 电子科技大学 一种类内样本相似结构保持非线性投影特征提取方法
CN108828574A (zh) * 2018-04-26 2018-11-16 电子科技大学 一种类间分离增强子空间真假目标特征提取方法
CN109409179A (zh) * 2018-03-30 2019-03-01 中国科学院半导体研究所 一种基于邻域类编码学习的静脉识别方法
CN110187322A (zh) * 2019-06-17 2019-08-30 电子科技大学 一种目标库属性判别非线性逐维优化子空间特征提取方法
WO2020010602A1 (zh) * 2018-07-13 2020-01-16 深圳大学 一种非线性非负矩阵分解人脸识别构建方法、系统及存储介质
CN110780270A (zh) * 2019-10-16 2020-02-11 电子科技大学 一种目标库属性判别局部正则学习子空间特征提取方法
WO2020199345A1 (zh) * 2019-04-02 2020-10-08 广东石油化工学院 一种基于GitHub的半监督异构软件缺陷预测算法
CN111860612A (zh) * 2020-06-29 2020-10-30 西南电子技术研究所（中国电子科技集团公司第十研究所） 无监督高光谱图像隐低秩投影学习特征提取方法
CN112115881A (zh) * 2020-09-21 2020-12-22 国网重庆市电力公司长寿供电分公司 基于鲁棒鉴别特征学习的图像特征提取方法
CN112434218A (zh) * 2020-05-15 2021-03-02 广州知弘科技有限公司 一种用于内容推荐的基于大数据的深度学习样本标注方法
CN113627084A (zh) * 2021-08-06 2021-11-09 西南大学 基于极限学习机的电子鼻信号漂移补偿子空间对齐方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8218880B2 (en) * 2008-05-29 2012-07-10 Microsoft Corporation Linear laplacian discrimination for feature extraction
US8024152B2 (en) * 2008-09-23 2011-09-20 Microsoft Corporation Tensor linear laplacian discrimination for feature extraction
KR102221118B1 (ko) * 2016-02-16 2021-02-26 삼성전자주식회사 영상의 특징을 추출하여 객체를 인식하는 방법
US20180366127A1 (en) * 2017-06-14 2018-12-20 Intel Corporation Speaker recognition based on discriminant analysis
CN111814871B (zh) * 2020-06-13 2024-02-09 浙江大学 一种基于可靠权重最优传输的图像分类方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573714A (zh) * 2014-12-31 2015-04-29 南京理工大学 自适应无参数的特征提取方法
CN105550657A (zh) * 2015-12-23 2016-05-04 北京化工大学 基于关键点的改进sift人脸特征提取方法
CN106257488A (zh) * 2016-07-07 2016-12-28 电子科技大学 一种基于邻域特征空间鉴别分析的雷达目标识别方法
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
CN107451538A (zh) * 2017-07-13 2017-12-08 西安邮电大学 基于加权最大间距准则的人脸数据可分性特征提取方法
CN109409179A (zh) * 2018-03-30 2019-03-01 中国科学院半导体研究所 一种基于邻域类编码学习的静脉识别方法
CN108828533A (zh) * 2018-04-26 2018-11-16 电子科技大学 一种类内样本相似结构保持非线性投影特征提取方法
CN108828574A (zh) * 2018-04-26 2018-11-16 电子科技大学 一种类间分离增强子空间真假目标特征提取方法
WO2020010602A1 (zh) * 2018-07-13 2020-01-16 深圳大学 一种非线性非负矩阵分解人脸识别构建方法、系统及存储介质
CN108549065A (zh) * 2018-07-25 2018-09-18 电子科技大学 一种近邻结构保持真假目标rcs序列特征提取方法
WO2020199345A1 (zh) * 2019-04-02 2020-10-08 广东石油化工学院 一种基于GitHub的半监督异构软件缺陷预测算法
CN110187322A (zh) * 2019-06-17 2019-08-30 电子科技大学 一种目标库属性判别非线性逐维优化子空间特征提取方法
CN110780270A (zh) * 2019-10-16 2020-02-11 电子科技大学 一种目标库属性判别局部正则学习子空间特征提取方法
CN112434218A (zh) * 2020-05-15 2021-03-02 广州知弘科技有限公司 一种用于内容推荐的基于大数据的深度学习样本标注方法
CN111860612A (zh) * 2020-06-29 2020-10-30 西南电子技术研究所（中国电子科技集团公司第十研究所） 无监督高光谱图像隐低秩投影学习特征提取方法
WO2022001159A1 (zh) * 2020-06-29 2022-01-06 西南电子技术研究所（中国电子科技集团公司第十研究所） 无监督高光谱图像隐低秩投影学习特征提取方法
CN112115881A (zh) * 2020-09-21 2020-12-22 国网重庆市电力公司长寿供电分公司 基于鲁棒鉴别特征学习的图像特征提取方法
CN113627084A (zh) * 2021-08-06 2021-11-09 西南大学 基于极限学习机的电子鼻信号漂移补偿子空间对齐方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Bhawna Goyal等."An Efficient Medical Assistive Diagnostic Algoruthm for Visualisation of Structural and Tissue Details in CT and MRI Fusion".《Cognitive Computation》.2021,(第13期),第1471-1483页. *
E.Haque等."Highly sensitive dual-core PCF based plasmonic refractive index sensor for low refractive index detection".《IEEE Photoniccs》.2019,第11卷(第5期),第1-9页. *
于传波等."变空间协同表示判别分析的特征提取算法".《云南大学学报(自然科学版)》.2019,第41卷(第1期),第28-35页. *
周代英等."利用一维像序列时域差分估计目标进动频率".《航空学报》.2018,第39卷(第S1期),第1-6页. *
张辉等."小波核局部Fisher判别分析的高光谱遥感影像特征提取".《模式识别与人工智能。.2019,第32卷(第7期),第624-632页. *

Also Published As

Publication number Publication date
CN114936597A (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
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
US20230186606A1 (en) Tensor Collaborative Graph Discriminant Analysis Method for Feature Extraction of Remote Sensing Images
CN108761411B (zh) 一种真假目标一维距离像特征提取方法
CN107271965B (zh) 类聚集子空间的真假目标一维距离像特征提取方法
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
CN105184314B (zh) 基于像素聚类的wrapper式高光谱波段选择方法
CN112183617B (zh) 样本与类标签最大相关子空间rcs序列特征提取方法
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
CN111337873A (zh) 一种基于稀疏阵的doa估计方法
CN113269203B (zh) 一种用于多旋翼无人机识别的子空间特征提取方法
CN110068799B (zh) 一种稀疏邻域中心保持rcs序列特征提取方法
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
CN114936597B (zh) 一种局部信息增强子空间真假目标特征提取方法
CN108828574B (zh) 一种类间分离增强子空间真假目标特征提取方法
CN108594202B (zh) 一种邻域分布结构非线性投影目标特征提取方法
CN108549065B (zh) 一种近邻结构保持真假目标rcs序列特征提取方法
CN111860356B (zh) 基于非线性投影字典对学习的极化sar图像分类方法
CN113376604A (zh) 基于盲源分离的机载三维异构阵杂波与干扰抑制方法
CN111325158B (zh) 一种基于cnn和rfc的集成学习的极化sar图像分类方法
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
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
CN114913520B (zh) 一种矩阵多项式真假目标rcs序列特征提取方法
CN112163616B (zh) 一种局部稀疏约束变换rcs序列特征提取方法
CN110826599A (zh) 一种稀疏表示样本分布边界保持特征提取方法
CN113203977A (zh) 弹载主瓣干扰下基于极化自适应的波达方向估计方法

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