[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

摘要

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。

主权项

1.一种线性判别学习真假目标一维距离像特征提取方法，其特征在于，包括以下步骤：S1、设n维列矢量x_ij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，为预设值；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：S2、建立第i^th类样本分布的中心矢量迭代方程：式(2)右边对x求偏导，并令其等于零，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S3、通过学习计算第i^th类样本分布的中心矢量：S31、计算第i^th类样本分布中心的初始矢量S32、按式(6)计算第i^th类样本分布中心的修正量；S33、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；S4、根据步骤S3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)其中y_t即为x_t对应的特征矢量，T表示矩阵转置。