一种基于紧致性测度加权的舰船类型识别方法

摘要

本发明公开了一种基于紧致性测度加权的舰船类型识别方法。传统上基于一维距离像进行目标识别时，大多是只对一维距离像特征进行提取，没有根据特征的紧致性测度对特征进行直接加权处理。首先对原始HRRP数据进行降噪、归一化，解决了HRRP对幅度的敏感性问题；通过估计船的起始点与终止点提取目标区域，对HRRP数据进行预处理，解决了HRRP的平移问题；通过提取姿态不变特征，从一定程度上也解决了HRRP姿态敏感性问题。由于所提取的各个特征紧致性测度不同，因此本发明根据样本特征的紧致性测度，将所提取的特征乘以样本各特征的紧凑度，体现不同特征在分类识别过程中所占的权重不同，再用最近邻法对测试样本进行分类识别。

主权项

一种基于紧致性测度加权的舰船类型识别方法，其特征在于该方法包括以下步骤：一、数据准备获取一组不同目标不同姿态角下的雷达一维距离像实测数据，5个民船目标在不同姿态角下的HRRP实测数据，5个军船目标在不同姿态角下的HRRP实测数据；在军船和民船的不同目标的HRRP实测数据中，随机的从每个目标的HRRP实测数据中选取50％作为训练样本，剩下的作为测试样本；二、HRRP数据预处理a.对HRRP实测数据进行低通滤波；b.对经步骤a处理的实测数据进行归一化处理；c.提取经步骤b处理后的舰船目标区域HRRP数据；三、特征的提取提取经步骤二处理后的HRRP数据的10个有效特征，设N为HRRP序列的维数，{x(n)|n＝0,2,3,...,N‑1}为HRRP序列，以下为10个特征的计算方法：(1)平均值特征$T_1=\frac{l}{N}\underset{n=0}{\overset{n=N-1}{\Sigma }}x\left(n\right)$式中，T₁为平均值特征，N为HRRP序列的维数；(2)方差特征$T_2=\frac{1}{N+1}\underset{n=0}{\overset{n=N-1}{\Sigma }}\left(x\right(n)-E(x\left)\right)2$式中，T₂为方差特征，N为HRRP序列的维数，为{x(n)|n＝0,2,3,...,N‑1}的平均值；(3)波峰数目特征T₃＝length{n|x(n)≥λ₁X_m,x(n)＞x(n‑1),x(n)＞x(n+1)},n＝0,1,...,N‑1式中，T₃为波峰数目特征，X_m表示最大的峰值，λ₁为阈值系数取0.5，length表示求满足上式条件的n的个数；(4)波峰宽度特征T₄＝length{n|x(n)≥λ₁X_m}式中，T₄为波峰宽度特征，X_m表示最大的峰值，λ₁为阈值系数取0.5，length表示求满足上式条件的n的个数；(5)平均起伏性特征$T_5=\underset{n=0}{\overset{n=N-1}{\Sigma }}|x\left(n\right)-E\left(x\right){|}^2/\underset{n=0}{\overset{n=N-1}{\Sigma }}|x\left(n\right){|}^2$式中，T₅为平均起伏性特征，N为HRRP序列的维数，为{x(n)|n＝0,2,3,...,N‑1}的平均值；(6)差分起伏性特征$T_6=\underset{n=0}{\overset{n=N-1}{\Sigma }}|x\left(n\right)-x(n-1){|}^2/\underset{n=0}{\overset{n=N-1}{\Sigma }}|x\left(n\right){|}^2$式中，T₆为差分起伏性特征，N为HRRP序列的维数；(7)对称性特征$T_7=\underset{n=0}{\overset{k_m-1}{\Sigma }}x\left(n\right)/\underset{n=k_m}{\overset{n=N-1}{\Sigma }}x\left(n\right)$式中，T₇为对称性特征，N为HRRP序列的维数，k_s为含有目标的一维距离像序列的起始点，k_e为终止点，k_m＝(k_s+k_e)/2为中点；(8)径向能量特征$T_8=\underset{n=0}{\overset{n=N-1}{\Sigma }}|x\left(n\right){|}^2$式中，T₈为径向能量特征，N为HRRP序列的维数；(9)二阶中心矩特征$T_9=\underset{n=0}{\overset{n=N-1}{\Sigma }}{(n-m_1)}^2\times x\left(n\right)$式中，T₉为二阶中心矩特征，N为HRRP序列的维数，m₁为一阶中心矩，其中$m_1=\underset{n=0}{\overset{n=N-1}{\Sigma }}n\times x\left(n\right);$(10)散射中心分布熵特征$T_{10}=-\underset{n=0}{\overset{n=N-1}{\Sigma }}x\left(n\right)\times log\left(x\right(n\left)\right)$式中，T₁₀为散射中心分布熵特征，N为HRRP序列的维数；四、紧致性测度加权识别方法A、对每个训练样本和测试样本，采用步骤三的方法提取出10个特征组成一个10维的特征向量，可组成训练样本集：T_l＝{X₁,X₂,...,X_i,...,X₁₀},X_i∈Rⁿ,l＝1,2其中，T_l为所属类别为l的训练样本集，X_i为n维的输入向量X_i＝{x₁,x₂,...,x_n}，即n维训练样本，n为训练样本的个数，l为军船和民船所代表的类别标签，1表示军船，2表示民船，i表示第i个特征值；同样，测试样本为：S_l＝{X₁,X₂,..,X_i,..,X₁₀},X_i∈Rⁿ,l＝1,2其中，S_l为实际所属类别标签为l的测试样本集，X_i为n维的输入向量X_i＝{x₁,x₂,...,x_n}，即n维测试样本，n为测试样本的个数，l为测试样本实际所属的类别标签；B、计算训练样本10个特征的紧凑度：$\omega \left(i\right)=1/\sqrt{{{\sigma }_1}^2+{{\sigma }_2}^2},i=1,2,...,10$其中，ω(i)为训练样本第i个特征的紧凑度，${{\sigma }_l}^2=\frac{\underset{j=1}{\overset{j=n}{\Sigma }}{(x_j-E(X\left)\right)}^2}{n-1},l=1,2,E\left(X\right)=\underset{j=1}{\overset{j=n}{\Sigma }}{x}_j/n,$σ_l²表示第l类样本矩阵中第i个特征的方差，n表示训练样本的个数；C、以各特征的紧凑度组成1×10的紧凑度权矩阵：W＝[ω(1),ω(2),ω(3),...,ω(i),..,ω(10)],i＝1,2,...10其中，W表示紧凑度权矩阵，ω(i)为训练样本第i个特征的紧凑度；用训练样本矩阵T_l的第i列的每个特征元素，乘以紧凑度权矩阵W中的第i列元素ω(i)，进行特征加权；D、再对步骤C加权后的训练样本矩阵T_l的第i列元素求均值，可得：U_l＝[u₁,u₂,...u_i,...,u₁₀],i＝1,2,...,10；式中，l表示训练样本的类别标签，U_l表示特征加权后的l类训练样本的均值向量，u_i为特征加权后的第l类训练样本矩阵T_l的第i列元素求均值；E、同样，对测试样本矩阵S_l的第i列的每个特征元素乘以紧致度权矩阵W中的第i列元素ω(i)，得到经紧凑度加权后测试矩阵的第k行测试数据为：R_k＝[r₁,r₂,...,r_i,...,r₁₀],i＝1,2,...,10；k＝1,2,..,n；式中，R_k为测试矩阵加权后的第k行测试数据，r_i为测试矩阵加权后的第k行第i列的特征值；F、计算第k个测试样本R_k与U_l两个向量之间的欧式距离，并以最小欧式距离来判别样本所属的类型，判别准则如下：$M_{l,k}=\underset{l}{min}\left|\right|U_l-R_{l,k}|{|}^2,l=1,2;k=1,2,...,n;$式中，U_l表示特征加权后的第l类训练样本的均值向量，R_l,k表示实际所属类型为l的第k个测试样本，M_l,k表示根据最小距离准则将第k个测试样本决策为第l类，即若||U₁‑R_l,k||²＜||U₂‑R_l,k||²则R_l,k判为第1类即军船，||U₁‑R_l,k||²＞||U₂‑R_l,k||²判为第2类即民船；G、以Fisher特征加权融合作为对比，重复步骤B～F，只需替换步骤C中的加权矩阵W，Fisher判别准则系数为：$\omega \left(i\right)=(u_1-u_2)/\sqrt{{{\sigma }_1}^2+{{\sigma }_2}^2},i=1,2,3,...,10;$其中，${{\sigma }_l}^2=\frac{\underset{j=1}{\overset{j=n}{\Sigma }}{(x_j-E(X\left)\right)}^2}{n-1},l=1,2;u_i=E\left(X\right)=\underset{j=1}{\overset{j=n}{\Sigma }}{x}_j/n,$ω(i)为第l类训练样本矩阵的第i个特征的权系数，σ_l²为第l类训练样本矩阵的第i个特征的方差，u_i为第l类训练样本矩阵的第i个特征的平均值；H、以不加权的原始特征作对比，将步骤C中的W矩阵元素值全部替换1，即W＝[1,1,1,1,1,1,1,1,1,1]，重复步骤C～F；I、若步骤F中判别结果M_l,k与测试样本实际所属类型一样，则识别正确，否则识别错误。