[发明专利]基于自适应近邻保持鉴别投影的雷达目标特征提取方法

说明书

技术领域

本发明属于雷达目标识别技术领域，特别是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。

背景技术

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，而且原始的一维距离像特征含有大量冗余信息，不能直接反映识别对象的本质特性，对分类器的设计要求苛刻。近年来，流行学习方法在数据可视化、图像处理、数据压缩、模式识别等领域受到极大关注，流行学习方法认为高维观测空间中的点由少数独立变量的共同作用在观测空间张成一个流形，如果能有效地展开观测空间卷曲的流形或发现内在的主要变量，就可以对该数据集进行有效降维，鉴于此，有学者将流形学习方法应用于雷达目标识别领域，对雷达目标的高分辨一维距离像进行特征提取。

目前在雷达目标识别领域常用的流形学习方法主要有近邻保持投影、核近邻保持投影、近邻保持嵌入等，这些方法均具有较好的邻域保持特性，同时有明确的从高维空间到低维空间的线性投影矩阵，能够对新的样本进行处理，但是，传统的流形学习方法大多未利用不同目标样本的类别信息，即不同目标样本在降维后空间中的分布与原始样本空间中的分布大体一致，如果在原始样本空间中不同类目标的样本相距很近，则在降维后空间中不同类目标的样本仍然相距很近，这样就不利用分类器对它们进行区分，造成利用传统流形学习方法进行特征提取后目标识别率偏低。

发明内容

本发明的目的在于提供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，该方法能够对雷达目标数据库进行有效降维，同时，自适应地最大化类间离散度和最小化类内离散度，利用本发明提取的特征向量结合简单分类器即可获得较高的雷达目标识别率，可为雷达目标识别方法提供重要的参考资料。

实现本发明目的的技术方案为：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，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，从而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，从而得到测试样本库，记为X′＝{x₁′,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。