• / 11
  • 下載費用:30 金幣  

一種基于鄰域特征空間鑒別分析的雷達目標識別方法.pdf

摘要
申請專利號:

CN201610529486.7

申請日:

2016.07.07

公開號:

CN106257488A

公開日:

2016.12.28

當前法律狀態:

實審

有效性:

審中

法律詳情: 實質審查的生效IPC(主分類):G06K 9/00申請日:20160707|||公開
IPC分類號: G06K9/00 主分類號: G06K9/00
申請人: 電子科技大學
發明人: 于雪蓮; 賈靜; 戴麒麟; 李海翔; 周云
地址: 611731 四川省成都市高新西區西源大道2006號
優先權:
專利代理機構: 四川君士達律師事務所 51216 代理人: 芶忠義
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201610529486.7

授權公告號:

|||

法律狀態公告日:

2017.01.25|||2016.12.28

法律狀態類型:

實質審查的生效|||公開

摘要

本發明公開了一種基于鄰域特征空間鑒別分析的雷達目標識別方法,將每類雷達目標的數據劃分為訓練樣本和測試樣本;構建每個訓練樣本的類內鄰域特征空間和類間鄰域特征空間,并計算每個樣本點到其類內和類間鄰域特征空間的垂直矢量并計算其加權值;構建所有訓練樣本的類內散射矩陣和類間散射矩陣并求解高維雷達目標數據空間到低維特征子空間的變換矩陣,根據得到的變換矩陣,將所有的訓練樣本和測試樣本從高維雷達目標數據空間變換到低維特征子空間中的特征點,完成特征提取;采用最近鄰法對每一個測試樣本的特征點進行分類,完成雷達目標識別。本發明方法能夠有效提高子空間的學習能力,提高有限訓練樣本條件下的雷達目標識別性能,且運算量低。

權利要求書

1.一種基于鄰域特征空間鑒別分析的雷達目標識別方法,其特征在于,該方法包括以
下步驟:
步驟S1:將每類雷達目標的數據劃分為訓練樣本和測試樣本;
步驟S2:構建每個訓練樣本的類內鄰域特征空間和類間鄰域特征空間,并計算每個樣
本點到其類內和類間鄰域特征空間的垂直矢量;
步驟S3:根據每個樣本點到其類內和類間鄰域特征空間的垂直矢量,計算該樣本點的
加權值;
步驟S4:構建所有訓練樣本的類內散射矩陣和類間散射矩陣;
步驟S5:根據構建的類內和類間散射矩陣,求解高維雷達目標數據空間到低維特征子
空間的變換矩陣,使得低維特征空間上類內的點到空間距離之和達到最小,同時類間的點
到空間距離之和達到最大;
步驟S6:根據得到的變換矩陣,將所有的訓練樣本和測試樣本從高維雷達目標數據空
間變換到低維特征子空間中的特征點,完成特征提取;
步驟S7:采用最近鄰法對每一個測試樣本的特征點進行分類,完成雷達目標識別。
2.根據權利要求1所述的基于鄰域特征空間鑒別分析的雷達目標識別方法,其特征在
于,步驟S1中,所述的訓練樣本是用來進行子空間學習,以獲得從高維數據空間到低維特征
子空間的變換矩陣,所述的測試樣本是用來進行目標分類,以測試所提供方法的識別性能;
每類目標的前Ntr個數據用于組成訓練樣本,后(N-Ntr)個數據用于組成測試樣本,其
中,N為每類目標的總樣本個數,Ntr為每類目標訓練樣本的個數,(N-Ntr)為每類目標測試
樣本的個數。
3.根據權利要求1所述的基于鄰域特征空間鑒別分析的雷達目標識別方法,其特征在
于,步驟S2中,對于每個訓練樣本點xi,找到K1個與它距離最近且來自同一個目標類別的樣
本點,記為這些樣本點張成xi的類內鄰域特征空間Fw,計算xi在空間Fw
上的投影點:

對于每個訓練樣本點xi,找到K2個與它距離最近且來自不同目標類別的樣本點,記為
這些樣本點張成xi的類間鄰域特征空間Fb,計算xi在空間Fb上的投影
點:

樣本點xi到其類內鄰域特征空間的垂直矢量為:
樣本點xi到其類間鄰域特征空間的垂直矢量為:
所述的K1和K2應小于每類目標訓練樣本的個數。
4.根據權利要求3所述的基于鄰域特征空間鑒別分析的雷達目標識別方法,其特征在
于,步驟S3中,樣本點xi的加權值為:

其中,||·||表示矢量的二范數。
5.根據權利要求4所述的基于鄰域特征空間鑒別分析的雷達目標識別方法,其特征在
于,步驟S4中,類內散射矩陣為:

類間散射矩陣為:

其中,N是所有訓練樣本的總數。
6.根據權利要求5所述的基于鄰域特征空間鑒別分析的雷達目標識別方法,其特征在
于,步驟S5中,變換矩陣通過求解如下最優化問題而得到:

約束條件:VTV=I
其中,V表示所要求解的變換矩陣,tr表示矩陣的跡,約束條件VTV=I是為了保證求解結
果的唯一性;
將上述優化問題轉化為對矩陣(Sb Sw)進行特征分解,并取其前d個最大的特征值對應
的特征向量v1,…,vd構成所要求解的變換矩陣:V=[v1,…,vd];其中,d為低維特征子空間
的維數,d應小于高維雷達目標數據空間的維數。
7.根據權利要求6所述的基于鄰域特征空間鑒別分析的雷達目標識別方法,其特征在
于,步驟S6中,低維特征子空間中與x對應的特征點為:
y=VTx
其中,x表示高維雷達目標數據空間中的任一樣本點,y表示低維特征子空間與x對應的
特征點。
8.根據權利要求1所述的基于鄰域特征空間鑒別分析的雷達目標識別方法,其特征在
于,步驟S7中,所述的最近鄰法是指將待識別的測試樣本的特征點劃歸到與它距離最近的
訓練樣本的特征點所屬的目標類別中。

說明書

一種基于鄰域特征空間鑒別分析的雷達目標識別方法

技術領域

本發明屬于雷達數據處理技術領域,具體涉及一種基于鄰域特征空間鑒別分析的
雷達目標識別方法。

背景技術

子空間學習方法在雷達目標識別中已經被廣泛應用,其經典代表有主成份分析
(Principle Component Analysis,PCA)和線性鑒別分析(Linear Discriminant
Analysis,LDA),它們的共同特點是采用點到點的距離測度。當訓練樣本數量足夠時,上述
這兩種算法能得到較好的識別效果。然而,當訓練樣本數量非常有限時,它們的子空間很可
能無法真實地表征原始樣本空間的內在幾何結構,從而會導致雷達目標識別性能的下降。

為了增強有限訓練樣本的表征能力,有學者提出了基于點到線距離測度的子空間
學習方法,如:不相關鑒別最近鄰特征線分析(Uncorrelated Discriminant Nearest
Feature Line Analysis,UDNFLA)。理論分析和實驗結果表明,UDNFLA的識別性能通常優于
PCA和LDA,但它的缺陷在于計算量較大且可能引入插值誤差。針對該問題,一些學者進一步
提出了基于點到空間距離測度的子空間學習方法,如:最近特征空間分析(Nearest
Feature Space Analysis,NFSA)和鑒別最近特征空間分析(Discriminant Nearest
Feature Space Analysis,DNFSA)。

相對于UDNFLA來講,NFSA和DNFSA的計算量可以大大降低,缺陷在于:它們利用每
個目標類別的所有訓練樣本來構建特征空間,如果一些同類的樣本點相距較遠而一些異類
的樣本點相距較近時,它們所構建的子空間將不能真實地反映樣本間固有的幾何結構信
息,從而可能會影響雷達目標識別性能。

發明內容

有鑒于此,本發明針對現有方法在有限訓練樣本條件下因存在插值誤差、子空間
不能真實反映樣本間的幾何結構關系而導致雷達目標識別性能下降的問題,提供了一種基
于鄰域特征空間鑒別分析的雷達目標識別方法。

為了解決上述技術問題,本發明公開了一種基于鄰域特征空間鑒別分析的雷達目
標識別方法,該方法包括以下步驟:

步驟S1:將每類雷達目標的數據劃分為訓練樣本和測試樣本;

步驟S2:構建每個訓練樣本的類內鄰域特征空間和類間鄰域特征空間,并計算每
個樣本點到其類內和類間鄰域特征空間的垂直矢量;

步驟S3:根據每個樣本點到其類內和類間鄰域特征空間的垂直矢量,計算該樣本
點的加權值;

步驟S4:構建所有訓練樣本的類內散射矩陣和類間散射矩陣;

步驟S5:根據構建的類內和類間散射矩陣,求解高維雷達目標數據空間到低維特
征子空間的變換矩陣,使得低維特征空間上類內的點到空間距離之和達到最小,同時類間
的點到空間距離之和達到最大;

步驟S6:根據得到的變換矩陣,將所有的訓練樣本和測試樣本從高維雷達目標數
據空間變換到低維特征子空間中的特征點,完成特征提取;

步驟S7:采用最近鄰法對每一個測試樣本的特征點進行分類,完成雷達目標識別。

與現有技術相比,本發明可以獲得包括以下技術效果:

1、相對于現有的子空間學習方法而言,本發明基于鄰域特征空間鑒別分析的方法
能夠有效提高子空間的學習能力,提高有限訓練樣本條件下的雷達目標識別性能。

2、相對于現有的子空間學習方法而言,本發明基于鄰域特征空間鑒別分析的雷達
目標識別方法的運算量較低。

當然,實施本發明的任一產品并不一定需要同時達到以上所述的所有技術效果。

附圖說明

此處所說明的附圖用來提供對本發明的進一步理解,構成本本發明的一部分,本
發明的示意性實施例及其說明用于解釋本發明,并不構成對本發明的不當限定。在附圖中:

圖1為本發明基于鄰域特征空間鑒別分析的雷達目標識別方法一個實施例的流程
圖;

圖2為實驗A中本發明方法在參數K1和K2不同取值下的識別率曲面;

圖3為實驗B中本發明方法在參數K1和K2不同取值下的識別率曲面;

圖4為實驗C中本發明方法在參數K1和K2不同取值下的識別率曲面。

具體實施方式

以下將配合實施例來詳細說明本發明的實施方式,藉此對本發明如何應用技術手
段來解決技術問題并達成技術功效的實現過程能充分理解并據以實施。

本發明基于鄰域特征空間鑒別分析的雷達目標識別方法,如圖1所示,具體按照以
下步驟實施:

步驟S1:將每類雷達目標的數據劃分為訓練樣本和測試樣本。

所述的訓練樣本是用來進行子空間學習,以獲得從高維數據空間到低維特征子空
間的變換矩陣,所述的測試樣本是用來進行目標分類,以測試所提供方法的識別性能。

在實施時,一般要求訓練樣本和測試樣本之間沒有交疊。在本發明的一個實施例
中,優選每類目標的前Ntr個數據用于組成訓練樣本,后(N-Ntr)個數據用于組成測試樣本,
其中,N為每類目標的總樣本個數,Ntr為每類目標訓練樣本的個數,(N-Ntr)為每類目標測
試樣本的個數。

步驟S2:構建每個訓練樣本的類內鄰域特征空間和類間鄰域特征空間,并計算每
個樣本點到其類內和類間鄰域特征空間的垂直矢量。

具體實施如下:對于每個訓練樣本點xi,找到K1個與它距離最近且來自同一個目標
類別的樣本點,記為這些樣本點張成xi的類內鄰域特征空間Fw,計算xi
在空間Fw上的投影點:

對于每個訓練樣本點xi,找到K2個與它距離最近且來自不同目標類別的樣本點,記
為這些樣本點張成xi的類間鄰域特征空間Fb,計算xi在空間Fb上的投影
點:

樣本點xi到其類內鄰域特征空間的垂直矢量為:xi

樣本點xi到其類間鄰域特征空間的垂直矢量為:xi

所述的K1和K2一般應小于每類目標訓練樣本的個數。

步驟S3:根據每個樣本點到其類內和類間鄰域特征空間的垂直矢量,計算該樣本
點的加權值:


其中,||·||表示矢量的二范數。

步驟S4:構建所有訓練樣本的類內散射矩陣和類間散射矩陣:



其中,Sw為類內散射矩陣,Sb為類間散射矩陣,N是所有訓練樣本的總數。

步驟S5:根據構建的類內散射矩陣和類間散射矩陣,求解高維雷達目標數據空間
到低維特征子空間的變換矩陣,使得低維特征空間上類內的點到空間距離之和達到最小、
同時類間的點到空間距離之和達到最大。

在實施時,所述的變換矩陣可以通過求解如下最優化問題而得到:


約束條件:VTV=I

其中,V表示所要求解的變換矩陣,tr表示矩陣的跡,約束條件VTV=I是為了保證
求解結果的唯一性。

在本發明的一個實施例中,將上述優化問題轉化為對矩陣(Sb Sw)進行特征分解,
并取其前d個最大的特征值對應的特征向量v1,…,vd構成所要求解的變換矩陣:V=[v1,…,
vd]。其中,d為低維特征子空間的維數,d應小于高維雷達目標數據空間的維數。

步驟S6:根據得到的變換矩陣,將所有的訓練樣本和測試樣本從高維雷達目標數
據空間變換到低維特征子空間中的特征點,完成特征提取。

具體實施為:

y=VTx

其中,x表示高維雷達目標數據空間中的任一樣本點,y表示低維特征子空間與x對
應的特征點。

在步驟S7中,采用最近鄰法對每一個測試樣本的特征點進行分類,完成雷達目標
識別。

所述的最近鄰法是指將待識別的測試樣本的特征點劃歸到與它距離最近的訓練
樣本的特征點所屬的目標類別中。

本發明的效果可以通過以下實測實驗進行驗證。

實測實驗

實驗所用數據為國內某C波段ISAR雷達對三種飛機(An、Cessna、Yak)在外場實驗
中所采集的高分辨距離像數據,每種飛機包含260個數據樣本。實驗中,每種飛機的前Ntr個
樣本用于訓練,后(260-Ntr)個樣本用于測試,Ntr分別取30、20、和10,對應于A、B、C三次實
驗。分別采用PCA、LDA、UDNFLA、NFSA、DNFSA以及本發明方法進行特征提取,并采用最近鄰法
進行分類。本發明方法中兩個參數K1和K2在3~10之間取值,步長為1。

本發明方法與現有的五種子空間學習方法在三次實驗中分別取得的識別率以及
三次實驗的平均識別率如表1所示。

表1本發明方法與現有的五種子空間學習方法進行雷達目標識別實驗的識別率


由表1可以看到:

兩種基于點到空間距離測度的方法DNFSA和NFSA的識別性能優于基于點到線距離
測度的方法UDNFLA;UDNFLA的性能優于兩種經典的點到點距離測度的方法PCA和LDA;而本
發明提供的基于鄰域特征空間鑒別分析的雷達目標識別方法的性能最優,相對于DNFSA和
NFSA,本發明方法的平均識別率分別有2.7%和3.6%的提升。

圖2、3和4分別為實驗A、B、C中,本發明方法在不同的K1和K2取值下的識別率曲面,
其中,K1和K2的取值范圍均為3~10。表2給出了每次實驗中本發明方法在不同的K1和K2取值
下的識別率的標準偏差以及三次實驗的平均標準偏差。

表2為本發明方法在不同的K1和K2取值下的識別率的標準偏差


可以看到:三次實驗的標準偏差均較小。也就是說,本發明方法對參數K1和K2的取
值不太敏感,具有較好的參數魯棒性。

該實測實驗的結果說明了本發明提供的基于鄰域特征空間鑒別分析的雷達目標
識別方法的有效性,同時驗證了該方法相對于現有的子空間學習方法來講具有更優的識別
性能。

此外,如背景技術中所述,UDNFLA方法的一個主要的不足之處就是運算量較大,相
比之下,NFSA和DNFSA的運算量得到了減少,這里所述的運算量是指進行子空間學習所需要
的矢量乘積運算的次數。分析可知:UDNFLA、NFSA和DNFSA的運算量分別為O(D2N3)、O(D2N)和
O(D2NC),本發明方法的運算量為O(D2N)。其中,D是高維雷達目標數據空間的維數,N是訓練
樣本的總數,C是目標類別總數。綜上所述,本發明方法的計算量與NFSA相當,且小于UDNFLA
和DNFSA。

上述說明示出并描述了發明的若干優選實施例,但如前所述,應當理解發明并非
局限于本文所披露的形式,不應看作是對其他實施例的排除,而可用于各種其他組合、修改
和環境,并能夠在本文所述發明構想范圍內,通過上述教導或相關領域的技術或知識進行
改動。而本領域人員所進行的改動和變化不脫離發明的精神和范圍,則都應在發明所附權
利要求的保護范圍內。

關 鍵 詞:
一種 基于 鄰域 特征 空間 鑒別 分析 雷達 目標 識別 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:一種基于鄰域特征空間鑒別分析的雷達目標識別方法.pdf
鏈接地址:http://www.rgyfuv.icu/p-6100795.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
山东11选5中奖结果走势图