[发明专利]一种线性判别学习真假目标一维距离像特征提取方法

说明书

本发明属于雷达目标识别技术领域，具体涉及一种线性判别学习真假目标一维距离像特征提取方法。本发明的方法通过迭代学习获得各类样本分布中心矢量，然后利用学习中心矢量代替样本均值矢量计算类内散布矩阵和类间散布矩阵，求解得到线性判别学习变换矩阵，在目标样本数据分布是非高斯分布的情况下，仍然能够很好地表示类内聚集和类间分离的程度，克服了常规判别子空间只适合于样本数据高斯分布的缺点，从而提高了目标识别性能。

技术领域

本发明属于雷达目标识别技术领域，具体涉及一种线性判别学习真假目标一维距离像特征提取方法。

背景技术

在雷达目标识别中，判别矢量子空间法在减小同类目标特征之间差异的同时，能够增大异类目标特征之间的差异，从而提取到有效的识别特征，因此，判别矢量子空间法获得了良好的识别性能。

但是，判别矢量子空间法只适合于样本数据是高斯分布的情况，而实际中样本数据分布可能是非高斯分布，导致判别矢量子空间方法的识别性能出现下降。现有常规判别矢量子空间方法的识别性能有进一步改善的余地。

发明内容

本发明针对上述问题，提出一种线性判别学习真假目标一维距离像特征提取方法。

本发明所采用的技术方案为，采用线性判别学习进行特征提取：

设x_ij(n维列矢量)为第i^th类真假目标的第j^th个训练一维距离像,1≤i≤g，1≤j≤N_i，其中N_i为第i^th类真假目标的训练一维距离像样本数，N为训练一维距离像样本总数。设x_ij对应的带宽对角矩阵为

其中b_ij为系数，可以事先确定。则第i^th类样本分布的密度估计值为

其中||·||为2-范数；β(·)为核分布函数

式(2)右边对x求偏导，并令其等于零，可得

其中

由式(4)可得第i^th类样本分布的中心矢量迭代学习方程

其中为第i^th类样本分布的中心矢量，每次迭代的修正量。根据以上分析，第i^th类样本分布的中心矢量的学习计算步骤如下：

步骤1：计算第i^th类样本分布中心的初始矢量

步骤2：按式(6)计算第i^th类样本分布中心的修正量

步骤3：如果迭代修正量的模小于给定值或迭代次数超过最大迭代次数，则迭代终止。

通过以上3个步骤学习获得各类目标样本中心代替每类样本的均值矢量，计算类内散布矩阵S_w和类间散布矩阵S_b

取矩阵的(g-1)个最大特征量对应的特征向量构成线性判别学习变换矩阵A，将任意一维距离像x_t进行如下变换

y_t＝A^Tx_t (10)