本發(fā)明屬于雷達(dá)數(shù)據(jù)處理技術(shù)領(lǐng)域，具體涉及一種基于鄰域特征空間鑒別分析的雷達(dá)目標(biāo)識別方法。

背景技術(shù)：

子空間學(xué)習(xí)方法在雷達(dá)目標(biāo)識別中已經(jīng)被廣泛應(yīng)用，其經(jīng)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(diǎn)是采用點(diǎn)到點(diǎn)的距離測度。當(dāng)訓(xùn)練樣本數(shù)量足夠時，上述這兩種算法能得到較好的識別效果。然而，當(dāng)訓(xùn)練樣本數(shù)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(nèi)在幾何結(jié)構(gòu)，從而會導(dǎo)致雷達(dá)目標(biāo)識別性能的下降。

為了增強(qiáng)有限訓(xùn)練樣本的表征能力，有學(xué)者提出了基于點(diǎn)到線距離測度的子空間學(xué)習(xí)方法，如：不相關(guān)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(jié)果表明，UDNFLA的識別性能通常優(yōu)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(xué)者進(jìn)一步提出了基于點(diǎn)到空間距離測度的子空間學(xué)習(xí)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(biāo)類別的所有訓(xùn)練樣本來構(gòu)建特征空間，如果一些同類的樣本點(diǎn)相距較遠(yuǎn)而一些異類的樣本點(diǎn)相距較近時，它們所構(gòu)建的子空間將不能真實地反映樣本間固有的幾何結(jié)構(gòu)信息，從而可能會影響雷達(dá)目標(biāo)識別性能。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明針對現(xiàn)有方法在有限訓(xùn)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(jié)構(gòu)關(guān)系而導(dǎo)致雷達(dá)目標(biāo)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(dá)目標(biāo)識別方法。

為了解決上述技術(shù)問題，本發(fā)明公開了一種基于鄰域特征空間鑒別分析的雷達(dá)目標(biāo)識別方法，該方法包括以下步驟：

步驟S1：將每類雷達(dá)目標(biāo)的數(shù)據(jù)劃分為訓(xùn)練樣本和測試樣本；

步驟S2：構(gòu)建每個訓(xùn)練樣本的類內(nèi)鄰域特征空間和類間鄰域特征空間，并計算每個樣本點(diǎn)到其類內(nèi)和類間鄰域特征空間的垂直矢量；

步驟S3：根據(jù)每個樣本點(diǎn)到其類內(nèi)和類間鄰域特征空間的垂直矢量，計算該樣本點(diǎn)的加權(quán)值；

步驟S4：構(gòu)建所有訓(xùn)練樣本的類內(nèi)散射矩陣和類間散射矩陣；

步驟S5：根據(jù)構(gòu)建的類內(nèi)和類間散射矩陣，求解高維雷達(dá)目標(biāo)數(shù)據(jù)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(nèi)的點(diǎn)到空間距離之和達(dá)到最小，同時類間的點(diǎn)到空間距離之和達(dá)到最大；

步驟S6：根據(jù)得到的變換矩陣，將所有的訓(xùn)練樣本和測試樣本從高維雷達(dá)目標(biāo)數(shù)據(jù)空間變換到低維特征子空間中的特征點(diǎn)，完成特征提??；

步驟S7：采用最近鄰法對每一個測試樣本的特征點(diǎn)進(jìn)行分類，完成雷達(dá)目標(biāo)識別。

與現(xiàn)有技術(shù)相比，本發(fā)明可以獲得包括以下技術(shù)效果：

1、相對于現(xiàn)有的子空間學(xué)習(xí)方法而言，本發(fā)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(xué)習(xí)能力，提高有限訓(xùn)練樣本條件下的雷達(dá)目標(biāo)識別性能。

2、相對于現(xiàn)有的子空間學(xué)習(xí)方法而言，本發(fā)明基于鄰域特征空間鑒別分析的雷達(dá)目標(biāo)識別方法的運(yùn)算量較低。

當(dāng)然，實施本發(fā)明的任一產(chǎn)品并不一定需要同時達(dá)到以上所述的所有技術(shù)效果。

附圖說明

此處所說明的附圖用來提供對本發(fā)明的進(jìn)一步理解，構(gòu)成本本發(fā)明的一部分，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中：

圖1為本發(fā)明基于鄰域特征空間鑒別分析的雷達(dá)目標(biāo)識別方法一個實施例的流程圖；

圖2為實驗A中本發(fā)明方法在參數(shù)K₁和K₂不同取值下的識別率曲面；

圖3為實驗B中本發(fā)明方法在參數(shù)K₁和K₂不同取值下的識別率曲面；

圖4為實驗C中本發(fā)明方法在參數(shù)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(xì)說明本發(fā)明的實施方式，藉此對本發(fā)明如何應(yīng)用技術(shù)手段來解決技術(shù)問題并達(dá)成技術(shù)功效的實現(xiàn)過程能充分理解并據(jù)以實施。

本發(fā)明基于鄰域特征空間鑒別分析的雷達(dá)目標(biāo)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(dá)目標(biāo)的數(shù)據(jù)劃分為訓(xùn)練樣本和測試樣本。

所述的訓(xùn)練樣本是用來進(jìn)行子空間學(xué)習(xí)，以獲得從高維數(shù)據(jù)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(jìn)行目標(biāo)分類，以測試所提供方法的識別性能。

在實施時，一般要求訓(xùn)練樣本和測試樣本之間沒有交疊。在本發(fā)明的一個實施例中，優(yōu)選每類目標(biāo)的前Ntr個數(shù)據(jù)用于組成訓(xùn)練樣本，后(N-Ntr)個數(shù)據(jù)用于組成測試樣本，其中，N為每類目標(biāo)的總樣本個數(shù)，Ntr為每類目標(biāo)訓(xùn)練樣本的個數(shù)，(N-Ntr)為每類目標(biāo)測試樣本的個數(shù)。

步驟S2：構(gòu)建每個訓(xùn)練樣本的類內(nèi)鄰域特征空間和類間鄰域特征空間，并計算每個樣本點(diǎn)到其類內(nèi)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(xùn)練樣本點(diǎn)x_i，找到K₁個與它距離最近且來自同一個目標(biāo)類別的樣本點(diǎn)，記為這些樣本點(diǎn)張成x_i的類內(nèi)鄰域特征空間F_w，計算x_i在空間F_w上的投影點(diǎn)：

對于每個訓(xùn)練樣本點(diǎn)x_i，找到K₂個與它距離最近且來自不同目標(biāo)類別的樣本點(diǎn)，記為這些樣本點(diǎn)張成x_i的類間鄰域特征空間F_b，計算x_i在空間F_b上的投影點(diǎn)：

樣本點(diǎn)x_i到其類內(nèi)鄰域特征空間的垂直矢量為：x_i

樣本點(diǎn)x_i到其類間鄰域特征空間的垂直矢量為：x_i

所述的K₁和K₂一般應(yīng)小于每類目標(biāo)訓(xùn)練樣本的個數(shù)。

步驟S3：根據(jù)每個樣本點(diǎn)到其類內(nèi)和類間鄰域特征空間的垂直矢量，計算該樣本點(diǎn)的加權(quán)值：

其中，||·||表示矢量的二范數(shù)。

步驟S4：構(gòu)建所有訓(xùn)練樣本的類內(nèi)散射矩陣和類間散射矩陣：

其中，S_w為類內(nèi)散射矩陣，S_b為類間散射矩陣，N是所有訓(xùn)練樣本的總數(shù)。

步驟S5：根據(jù)構(gòu)建的類內(nèi)散射矩陣和類間散射矩陣，求解高維雷達(dá)目標(biāo)數(shù)據(jù)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(nèi)的點(diǎn)到空間距離之和達(dá)到最小、同時類間的點(diǎn)到空間距離之和達(dá)到最大。

在實施時，所述的變換矩陣可以通過求解如下最優(yōu)化問題而得到：

約束條件：V^TV＝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V^TV＝I是為了保證求解結(jié)果的唯一性。

在本發(fā)明的一個實施例中，將上述優(yōu)化問題轉(zhuǎn)化為對矩陣(S_b S_w)進(jìn)行特征分解，并取其前d個最大的特征值對應(yīng)的特征向量v₁,…,v_d構(gòu)成所要求解的變換矩陣：V＝[v₁,…,v_d]。其中，d為低維特征子空間的維數(shù)，d應(yīng)小于高維雷達(dá)目標(biāo)數(shù)據(jù)空間的維數(shù)。

步驟S6：根據(jù)得到的變換矩陣，將所有的訓(xùn)練樣本和測試樣本從高維雷達(dá)目標(biāo)數(shù)據(jù)空間變換到低維特征子空間中的特征點(diǎn)，完成特征提取。

具體實施為：

y＝V^Tx

其中，x表示高維雷達(dá)目標(biāo)數(shù)據(jù)空間中的任一樣本點(diǎn)，y表示低維特征子空間與x對應(yīng)的特征點(diǎn)。

在步驟S7中，采用最近鄰法對每一個測試樣本的特征點(diǎn)進(jìn)行分類，完成雷達(dá)目標(biāo)識別。

所述的最近鄰法是指將待識別的測試樣本的特征點(diǎn)劃歸到與它距離最近的訓(xùn)練樣本的特征點(diǎn)所屬的目標(biāo)類別中。

本發(fā)明的效果可以通過以下實測實驗進(jìn)行驗證。

實測實驗

實驗所用數(shù)據(jù)為國內(nèi)某C波段ISAR雷達(dá)對三種飛機(jī)(An、Cessna、Yak)在外場實驗中所采集的高分辨距離像數(shù)據(jù)，每種飛機(jī)包含260個數(shù)據(jù)樣本。實驗中，每種飛機(jī)的前Ntr個樣本用于訓(xùn)練，后(260-Ntr)個樣本用于測試，Ntr分別取30、20、和10，對應(yīng)于A、B、C三次實驗。分別采用PCA、LDA、UDNFLA、NFSA、DNFSA以及本發(fā)明方法進(jìn)行特征提取，并采用最近鄰法進(jìn)行分類。本發(fā)明方法中兩個參數(shù)K₁和K₂在3～10之間取值，步長為1。

本發(fā)明方法與現(xiàn)有的五種子空間學(xué)習(xí)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(fā)明方法與現(xiàn)有的五種子空間學(xué)習(xí)方法進(jìn)行雷達(dá)目標(biāo)識別實驗的識別率

由表1可以看到：

兩種基于點(diǎn)到空間距離測度的方法DNFSA和NFSA的識別性能優(yōu)于基于點(diǎn)到線距離測度的方法UDNFLA；UDNFLA的性能優(yōu)于兩種經(jīng)典的點(diǎn)到點(diǎn)距離測度的方法PCA和LDA；而本發(fā)明提供的基于鄰域特征空間鑒別分析的雷達(dá)目標(biāo)識別方法的性能最優(yōu)，相對于DNFSA和NFSA，本發(fā)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(fā)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(fā)明方法在不同的K₁和K₂取值下的識別率的標(biāo)準(zhǔn)偏差以及三次實驗的平均標(biāo)準(zhǔn)偏差。

表2為本發(fā)明方法在不同的K₁和K₂取值下的識別率的標(biāo)準(zhǔn)偏差

可以看到：三次實驗的標(biāo)準(zhǔn)偏差均較小。也就是說，本發(fā)明方法對參數(shù)K₁和K₂的取值不太敏感，具有較好的參數(shù)魯棒性。

該實測實驗的結(jié)果說明了本發(fā)明提供的基于鄰域特征空間鑒別分析的雷達(dá)目標(biāo)識別方法的有效性，同時驗證了該方法相對于現(xiàn)有的子空間學(xué)習(xí)方法來講具有更優(yōu)的識別性能。

此外，如背景技術(shù)中所述，UDNFLA方法的一個主要的不足之處就是運(yùn)算量較大，相比之下，NFSA和DNFSA的運(yùn)算量得到了減少，這里所述的運(yùn)算量是指進(jìn)行子空間學(xué)習(xí)所需要的矢量乘積運(yùn)算的次數(shù)。分析可知：UDNFLA、NFSA和DNFSA的運(yùn)算量分別為O(D²N³)、O(D²N)和O(D²NC)，本發(fā)明方法的運(yùn)算量為O(D²N)。其中，D是高維雷達(dá)目標(biāo)數(shù)據(jù)空間的維數(shù)，N是訓(xùn)練樣本的總數(shù)，C是目標(biāo)類別總數(shù)。綜上所述，本發(fā)明方法的計算量與NFSA相當(dāng)，且小于UDNFLA和DNFSA。

上述說明示出并描述了發(fā)明的若干優(yōu)選實施例，但如前所述，應(yīng)當(dāng)理解發(fā)明并非局限于本文所披露的形式，不應(yīng)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(huán)境，并能夠在本文所述發(fā)明構(gòu)想范圍內(nèi)，通過上述教導(dǎo)或相關(guān)領(lǐng)域的技術(shù)或知識進(jìn)行改動。而本領(lǐng)域人員所進(jìn)行的改動和變化不脫離發(fā)明的精神和范圍，則都應(yīng)在發(fā)明所附權(quán)利要求的保護(hù)范圍內(nèi)。