基于自适应近邻保持鉴别投影的雷达目标特征提取方法

摘要

本发明公开了一种基于自适应近邻保持鉴别投影的雷达目标特征提取方法。雷达目标的高分辨一维距离像能够提供目标沿雷达视线方向的几何结构信息，同时具有易于获取和处理的特点，因此被广泛应用于雷达目标识别，但直接利用一维距离像作为特征量进行识别需要建立庞大的数据库，且对分类器的设计要求苛刻。本发明提出的方法，能够对数据集进行有效降维，同时，自适应地最大化类间离散度和最小化类内离散度，从而便于分类器进行分类，提高雷达目标识别的正确识别率和抗噪声能力。

主权项

一种基于自适应近邻保持鉴别投影的雷达目标特征提取方法，其特征在于步骤如下：第一步，设雷达目标库中有C个目标，利用实测或仿真获取每个目标多个方位角的宽频带回波数据，对每个目标各个角度的宽频带回波数据进行逆傅里叶变换，得到每个目标各个角度的一维距离像，并对每个一维距离像进行归一化处理，得到雷达目标一维距离像数据库，作为训练样本库，记为X＝{x₁,x₂,...,x_N}，N为训练样本库中的样本总数，x_i是维数为D的实值向量，代表某个目标某角度的一维距离像，i＝1,2,…,N，假设第t个目标有n_t个样本，t＝1,2,…,C，则第二步，利用实测或仿真获取第一步雷达目标库中每个目标任意个方位角的宽频带回波数据，同样对每个目标各个角度的宽频带回波数据进行逆傅里叶变换，得到每个目标各个角度的一维距离像，并对每个一维距离像进行归一化处理，得到测试样本库，记为X′＝{x′₁,x′₂,...,x′_p}，p为测试样本库中的样本总数，x′_q是维数为D的实值向量，代表某个目标某角度的一维距离像，q＝1,2,…,p；第三步，为训练样本库X中的每个数据点x_i构造邻域，计算重构权值矩阵W；第四步，构造矩阵XMX^T，其中M＝(I‑W)(I‑W)^Τ，I是与权值矩阵W大小相同的单位阵；第五步，构造类间散布矩阵S_b和类内散布矩阵S_w；第六步，求解特征值问题[XMX^T‑(S_b‑S_w)]v＝λXX^Tv，λ，v分别为矩阵(XX^T)^‑1(XMX^T‑(S_b‑S_w))的特征值和特征向量，得到d个最小特征值对应的特征向量{v₁,v₂,...,v_d}，得到V＝{v₁,v₂,...,v_d}即为转换矩阵，d为降维后特征向量的维数；第七步，分别对训练样本库和测试样本库中的数据进特征提取，并利用最小距离分类器对测试样本库中的样本进行识别；第七步采用公式(4)和(5)对训练样本库和测试样本库中的数据进行特征提取：y_i＝V^Tx_i,i＝1,2,…,N  (4)y′_q＝V^Tx′_q,q＝1,2,…,p  (5)最终得到特征提取后的训练样本库Y＝{y₁,y₂,...,y_N}和测试样本库Y′＝{y′₁,y′₂,...,y′_p}；利用最小距离分类器对测试样本库中的样本进行识别的过程如下：在训练过程中，将每种目标的训练样本进行平均作为模板向量，即第t个目标的模板向量为y_ti′代表第t个目标特征提取后的第i′个训练样本，t＝1,2,…,C，最终得到C个目标的模板库{T₁,T₂,...,T_C}；假定测试样本库中任一样本为y′，计算距离d_t＝||T_t‑y′||,t＝1,2,…,C，最小d_t值对应的目标t即为样本y′所属的目标。