[发明专利]一种稀疏邻域中心保持RCS序列特征提取方法

说明书

本发明属于雷达目标识别技术领域，具体涉及一种稀疏邻域中心保持RCS序列特征提取方法。本发明的方法首先对训练样本集进行稀疏分析，利用稀疏系数计算样本的类内邻域中心和类间邻域中心，建立稀疏邻域中心保持变换矩阵，通过该变换能够更好地保持特征邻域中心的类内聚集度，而增大特征邻域的类间分离度，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，具体涉及一种稀疏邻域中心保持RCS序列特征提取方法。

背景技术

雷达目标识别中，传统的流行学习方法能够从局部角度分析数据，提取到目标数据分布的局部结构特征，获得了较好的识别效果。局部判别嵌入方法通过建立样本邻域的连接图，能够保持样本特征的邻域局部结构，而局部结构保持方法在样本距离和的目标函数中只对类内样本距离加权，从而在特征域保持样本的原有邻域结构。但是，传统的流行学习方法没有考虑投影过程中特征的聚集方向，在形成的局部结构中造成一定的边界模糊，不利于识别性能进一步提高。因此，现有传统流行学习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，提出一种稀疏邻域中心保持RCS序列特征提取方法。

本发明所采用的技术方案为：

设x_ij(n维列矢量)为第i^th类真假目标的第j^th个训练RCS数据序列帧,1≤i≤C，1≤j≤N_i，其中N_i为第i^th类真假目标的训练RCS序列帧数，N为训练RCS序列总帧数。针对x_ij的稀疏表示，构建稀疏学习字典

其中D^ij为稀疏字典，由除x_ij外的所有训练样本矢量组成。利用字典进行稀疏分析

其中||·||₁表示1-范数，α_ij使等式成立的N维列矢量，是稀疏系数组成的矢量。

其中表示相应的稀疏系数。

基于稀疏系数计算x_ij的类内中心

其中是x_ij的类内中心，|·|表示求系数的绝对值，是由稀疏系数对第i^th类的样本加权和矢量。同理，计算x_ij的类间中心，由由稀疏系数对除i^th类样本外的其它样本加权和矢量

其中是x_ij的类间中心。

寻找变换矩阵A使x_ij的投影矢量更接近对应类内中心的投影矢量，而远离x_ij的类间中心的投影矢量，并利用稀疏系数和作为权系数，建立如下目标函数

其中

其中T表示矩阵转置，A为变换矩阵，为x_ij对应的稀疏系数矢量，为x_rk对应的稀疏系数矢量(其中1≤r≤C,r≠i,1≤k≤N_r)，和是加权系数。

利用矩阵迹的运算公式，式(5)和(6)转换为