基于分類的最優(yōu)時頻分布設(shè)計與目標識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于分類的最優(yōu)時頻分布設(shè)計與目標識別方法，屬于目標識別技 術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 在目標識別領(lǐng)域，特征提取算法與分類器設(shè)計是其中最關(guān)鍵的兩個環(huán)節(jié)。特征提 取算法的好壞將直接影響分類器設(shè)計的難易程度，進而影響到目標識別系統(tǒng)的準確度。特 征一般可分為點特征、線特征和區(qū)域紋理特征等，用于描述目標特點的集合。特征值越多， 則對目標的描述越詳細，通常情況下目標識別系統(tǒng)的準確度越高；但是隨著特征值的增加， 同一類目標數(shù)據(jù)（或者圖像）的特征值也會出現(xiàn)分化，此時再增加特征值并不會提高目標 識別系統(tǒng)的準確度，相反，還可能會降低目標識別系統(tǒng)的準確度。
[0003] 特征提取算法大多采用各種變換方法來獲取數(shù)據(jù)中的特征值，該特征值在分類器 設(shè)計中是否有貢獻，以及貢獻大小往往靠設(shè)計者的經(jīng)驗來判斷。目前，特征提取算法與分 類器設(shè)計是兩個孤立的環(huán)節(jié)，特征提取算法獲取的特征值往往并不一定有利于分類器的設(shè) 計，也不能提高目標識別系統(tǒng)的準確度。因此需要設(shè)計一個結(jié)合分類器設(shè)計的特征提取算 法，一方面能夠提取高價值的特征值，另一方面也有利于分類器設(shè)計，最終有利于提高目標 識別系統(tǒng)的準確度。
[0004] 現(xiàn)有技術(shù)中，在目標識別領(lǐng)域的專利中，關(guān)于特征提取的有：申請?zhí)枮?CN201110257384. 1的基于Radon(拉東）變換和極諧波變換的不變矩目標識別方法，申 請?zhí)枮镃N201210148117.5的基于雷達目標距離像時頻特征提取的雷達目標識別方法，以 及申請?zhí)枮镃N200910076361. 3的一種基于關(guān)鍵點的仿射不變矩的目標識別方法等；但 是這幾個專利都是采用固定的變換方法，因此在目標識別上具有一定的局限性，若有幾 類目標在該變換域上的特征基本相同，則無法實現(xiàn)這幾類目標的識別。另外，申請?zhí)枮?CN201410371180. 4的基于匹配字典和壓縮感知的雷達一維距離像目標識別方法，其是從目 標中提取字典，并利用字典信息來識別目標，但是該方法是直接從信號本身來提取特征序 列，而不是通過時頻變換來實現(xiàn)，大部分的非線性信號在時域或者頻域上的特征差異并不 明顯，而是在時頻域上有一定的差異，因此無法直接從時域或者頻域上獲取可用于分類的 特征序列，只能通過時頻域上來提取特征序列。而申請?zhí)枮镃N201410065364. 8的一種基于 DSmT和HMM的序列飛機目標識別方法，其是從分類器設(shè)計角度來實現(xiàn)目標識別，本發(fā)明并 不涉及。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種基于分類的最優(yōu)時頻分布設(shè)計與目標識別方法，將特 征提取算法與分類器設(shè)計兩個孤立的環(huán)節(jié)，通過最佳核函數(shù)的尋優(yōu)過程實現(xiàn)有機的結(jié)合， 使得特征提取算法獲取的特征值有利于分類器的設(shè)計，有效提高目標識別系統(tǒng)的準確度。
[0006] 為了達到上述目的，本發(fā)明所提供的基于分類的最優(yōu)時頻分布設(shè)計與目標識別方 法，包含設(shè)計過程和識別過程；
[0007] 所述的設(shè)計過程包含以下步驟：
[0008] SA1、計算訓(xùn)練集信號的模糊函數(shù)及模糊函數(shù)均值；
[0009] SA2、選擇二維徑向高斯核函數(shù)為基于分類的最優(yōu)時頻分布的最佳核函數(shù)；
[0010] SA3、通過迭代搜索計算最佳核函數(shù)；
[0011] SA4、對訓(xùn)練集信號進行最佳核函數(shù)下的時頻變換，并提取用于分類的特征值；
[0012] SA5、設(shè)計訓(xùn)練集信號的分類器，對訓(xùn)練集信號的特征值進行分類。
[0013] 所述的SA1中，具體包含以下步驟：
[0014] SA11、計算訓(xùn)練集信號在直角坐標系中的模糊函數(shù)及模糊函數(shù)均值；
[0015] 其中，模糊函數(shù).
可以表示為對第c類第i個訓(xùn)練集信號的瞬時自相關(guān) 函數(shù)
關(guān)于時間t的Fourier變換：
[0017] 第c類訓(xùn)練集信號的模糊函數(shù)均值為：
[0019] 其中，I表示第c類中訓(xùn)練集信號的數(shù)量；
[0020] SA12、將直角坐標系中的模糊函數(shù)轉(zhuǎn)換為極坐標系中的模糊函數(shù)；
[0021] 極坐標系與直角坐標系的轉(zhuǎn)換關(guān)系為：
[0024] 將上述坐標轉(zhuǎn)換公式帶入直角坐標系中第c類第i個訓(xùn)練集信號的模糊函數(shù)，經(jīng) 化簡可得到極坐標系中的模糊函數(shù)為：
[0026] 將上述坐標轉(zhuǎn)換公式帶入直角坐標系中第c類訓(xùn)練集信號的模糊函數(shù)均值，經(jīng)化 簡可得到極坐標系中的模糊函數(shù)均值為：
[0028] 所述的SA2中，具體包含以下步驟：
[0029] 所述的二維徑向高斯核函數(shù)在直角坐標系中表示為：
[0031] 其中，σ (φ)控制徑向高斯核函數(shù)在徑向角φ方向的擴展，稱為擴展函數(shù)；φ為 徑向與水平方向的夾角；
[0032] 所述的二維徑向高斯核函數(shù)在極坐標系中表示為：
[0034] 所述的SA3中，具體包含以下步驟：
[0035] SA31、計算最佳核函數(shù)的Fisher信息可分離度：
Vu.
[0037] 上述運算表示遍歷Φ的取值范圍，當(dāng)函數(shù)^取最大值時，此時的Φ值即為（i>CD， Sb 否則需要通過改變擴展函數(shù)對最佳核函數(shù)進行更新，并重新計算最佳核函數(shù)的Fisher信 息可分離度；其中，Sw表示為類間離散度，Sb表示為總類內(nèi)離散度，分別定義為：
[0040] 其中，Μ · | |F表示矩陣取Frobenius范數(shù)，即取矩陣的每個元素的平方和；
[0041] SA32、最佳核函數(shù)的Fisher信息可分離度Φε：)需要滿足如下約束條件：
[0043] 其中，1彡α彡5,參數(shù)α的值控制著交叉項抑制與自項抑制之間的平衡；
[0044] SA33、將極坐標中的最佳核函數(shù)轉(zhuǎn)換為直角坐標系中的最佳核函數(shù)；具體為：將SA12中的坐標轉(zhuǎn)換公式帶入極坐標系中的最佳核函數(shù)，經(jīng)化簡可得到直角坐標系中的最佳 核函數(shù)為：
[0046] 所述的SA4中，具體包含以下步驟：
[0047] 對模糊函數(shù)和最佳核函數(shù)的乘積做二維FFT運算，計算出每個訓(xùn)練集信號的時頻 分布，即將模糊函數(shù)A在τ-ν平面變化成時頻域t-f平面：
[0049] 計算每類訓(xùn)練集信號時頻分布的均值：
[0051] 所述的SA5中，將每類訓(xùn)練集信號時頻分布的均值作為特征值進行分類，或者采 用降維方法來提取特征值進行分類。
[0052] 所述的識別過程包含以下步驟：
[0053] SB1、對模糊函數(shù)和最佳核函數(shù)的乘積做二維FFT運算，計算出每個測試集信號的 時頻分布，從而對測試集信號進行最佳核函數(shù)的時頻變換，提取用于分類的特征值；
[0054] SB2、根據(jù)設(shè)計過程中得到的訓(xùn)練集信號的分類器，對測試集信號進行目標分類與 識別。
[0055] 與現(xiàn)有技術(shù)相比，本發(fā)明提供的基于分類的最優(yōu)時頻分布設(shè)計與目標識別方法， 具有以下優(yōu)點和有益效果：
[0056] 1、本發(fā)明通過訓(xùn)練集信號完成最佳核函數(shù)的設(shè)計和計算，該最佳核函數(shù)是基于數(shù) 據(jù)的最優(yōu)值，有利于目標分類和識別；
[0057] 2、本發(fā)明提供了最佳核函數(shù)的搜索方法以及尋優(yōu)過程；
[0058] 3、本發(fā)明中的最佳核函數(shù)的搜索時間雖然較長，但是只是在訓(xùn)練過程中時間較 長，一旦完成訓(xùn)練，在測試和應(yīng)用過程中不需要對最佳核函數(shù)進行搜索計算，因此不影響目 標分類與識別的實時性要求。
[0059] 4、本發(fā)明將特征提取算法與分類器設(shè)計兩個孤立的環(huán)節(jié)，通過最佳核函數(shù)的尋優(yōu) 過程實現(xiàn)有機的結(jié)合，使得特征提取算法獲取的特征值有利于分類器的設(shè)計，有效提高目 標識別系統(tǒng)的準確度。
【附圖說明】
[0060] 圖1為本發(fā)明中的基于分類的最優(yōu)時頻分布設(shè)計與目標識別方法的流程圖。
【具體實施方式】
[0061 ] 以下結(jié)合附圖，詳細說明本發(fā)明的一個優(yōu)選實施例。
[0062] 信號的時頻變換方法是分析非線性信號的重要工具，同時也可以利用時頻變換體 現(xiàn)出來的特征差異來實現(xiàn)目標識別。但是時頻變換后得到的特征序列并非是作為目標識別 所需的最佳特征序列，因此本發(fā)明提出了一種基于分類的最優(yōu)時頻分布設(shè)計與目標識別方 法來提取作為目標識別的最佳特征序列，可提高目標識別概率。
[0063] 如圖1所示，為本發(fā)明提供的基于分類的最優(yōu)時頻分布設(shè)計與目標識別方法，包 含設(shè)計過程和識別過程；其中識別過程與常用的目標識別方法相同，而本發(fā)明的核心則在 于設(shè)計過程中的時頻變換核函數(shù)設(shè)計，以及同時利用該核函數(shù)進行時頻變換來實現(xiàn)目標識 別。
[0064] 所述的設(shè)計過程包含以下步驟：
[0065] SA1、計算訓(xùn)練集信號的模糊函數(shù)及模糊函數(shù)均值；
[0066] SA2、選擇二維徑向高斯核函數(shù)為基于分類的最優(yōu)時頻分布的最佳核函數(shù)；
[0067] SA3、通過迭代搜索計算最佳核函數(shù)；
[0068] SA4、對訓(xùn)練集信號進行最佳核函數(shù)下的時頻變換，并提取用于分類的特征值；
[0069] SA5、設(shè)計訓(xùn)練集信號的分類器，對訓(xùn)練集信號的特征值進行分類。
[0070] 所述的SA1中，具體包含以下步驟：
[0071] SA11、計算訓(xùn)練集信號在直角坐標系中的模糊函數(shù)及模糊函數(shù)均值；
[0072] 其中，模糊函數(shù).
可以表示為對第c類第i個訓(xùn)練集信號的瞬時自相關(guān) 函數(shù)..<