[发明专利]基于主成分分析的多重分形特征飞机目标分类方法

摘要

本发明公开了一种基于主成分分析的多重分形特征飞机目标分类方法，属于雷达技术领域，涉及一种基于多重分形特征的飞机目标分类方法，主要解决低分辨雷达由于脉冲重复频率低、照射时间短等因素导致飞机目标分类识别率低的问题。其实现过程是：对原始雷达回波数据进行数据预处理；对处理后的雷达回波数据进行分数阶傅里叶变换；在最优分数阶Fourier域分析雷达回波数据的多重分形特性并提取多重分形特征，构成特征向量；对特征向量进行归一化处理后进行主成分分析，利用提取的有效特征进行飞机目标的分类识别；用训练样本特征向量对分类器进行训练；将测试样本特征向量输入分类器进行分类。本发明在脉冲重复频率低、照射时间短的条件下仍具有较好的分类效果，可用于飞机目标的分类辨识。

主权项

1.基于主成分分析的多重分形特征飞机目标分类方法包括以下步骤：(1)从雷达回波数据中选择m组回波数据作为时域训练样本集，X＝{x1,x2,…,xi,…,xm},xi表示第i个时域训练样本信号；从雷达回波数据中选择n组回波数据作为时域测试样本集：X′＝{x1′,x2′,…,xj′,…,xn′},xj′表示第j个时域训练样本信号；(2)由时域训练样本集X经过分数阶傅里叶变换得到分数阶Fourier域飞机回波的训练样本集Y＝{y1,y2,…,yi,…,ym}，yi表示第i个分数阶Fourier域时域训练样本，分数阶Fourier域样本总数为m；由时域测试样本集X′经过分数阶傅里叶变换得到分数阶Fourier域飞机回波的测试样本集Y′＝{y1′,y2′,…,yj′,…,yn′}，yj′表示第j个分数阶Fourier域时域测试样本，分数阶Fourier域测试样本集数量为n；(3)设定合理的分数阶傅里叶变换阶数P的计算步长和范围，P＝[p1,p2,…,pi,…,pk]，pi为分数阶傅里叶变换阶数，pi‑pi‑1＝0.02，且p1＝0，pk＝2，在阶数p的范围内确定分数阶Fourier域飞机目标回波的最优变换阶数popr，进而确定最优飞机目标回波的最优分数阶Fourier域，并在最优分数阶Fourier域计算飞机目标回波信号，在最优分数阶Fourier域，训练数据为Z＝{z1,z2,…,zi,…,zm}，zi表示第i个训练样本，最优分数阶Fourier域训练样本总数为m，测试数据为Z′＝{z1′,z2′,…,zj′,…,zn′}，zj′表示第j测试样本，最优分数阶Fourier域测试样本总数为n；(4)在最优分数阶Fourier域分析飞机目标回波的多重分形特性，其中包括质量指数τ(q)与分形尺度的关系、多重分形谱f(σ)和奇异指数σ之间的关系，σ表示不同多重分形小区域内的生长概率；(5)在最优分数阶Fourier域对飞机目标回波进行多重分形分析的基础上，提取训练样本多重分形特征，组成训练特征向量，Tr＝[tr1,tr2,…,trk,…,trm]，Tr维数为m×10，其中trk为第k个最优分数阶Fourier域训练样本的特征向量，在最优分数阶Fourier域对飞机目标回波进行多重分形分析，并提取测试样本多重分形特征，组成测试特征向量，Te＝[te1,te2,…,tek,…,ten]，Te维数为n×10，其中tek为第k个最优分数阶Fourier域测试样本的特征向量，trk＝[trk1,trk2,…,trk10]′，trk1为多重分形谱质量指数对称度，trk2为多重分形谱宽度，trk3最大、最小概率子集分形维数差，trk4多重分形谱非对称指数，trk5质量指数曲线截距，trk6～trk8拟合多重分形谱曲线的一次、二次及常数项系数，trk9～trk10质量指数曲线的拟合截距与斜率，tek＝[tek1,tek2,…,tek10]′，所对用的测试特征向量集合与训练特征集合相同；(6)对最优分数阶Fourier域多重分形特征向量Tr＝[tr1,tr2,…,trm]和Te＝[te1,te2,…,ten]进行归一化，得到归一化后的特征向量Tr′＝[tr1′,tr2′,…,trm′]和Te′＝[te1′,te2′,…,ten′]；(7)对归一化的多重分形特征向量进行主成分分析，根据设定阈值提取特征用于飞机目标的分类研究，阈值的设定影响特征向量的的选取；(8)利用多重分形特征对飞机目标进行分类研究，利用训练特征向量Tr′＝[tr1′,tr2′,…,trm′]对分类器进行训练，将测试向量Te′＝[te1′,te2′,…,ten′]输入到训练后的分类器，识别出输入的测试样本的飞机类别。