[發明專利]基于自適應多尺度融合稀疏保持投影的一維距離像識別方法

有效

• 申請號: 201710311294.3
• 申請日: 2017-05-05
• 公開（公告）號: CN107133648B
• 公開（公告）日: 2020-08-04
• 發明（設計）人: 戴為龍;張弓;劉文波
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

本發明公開一種基于自適應多尺度融合稀疏保持投影的一維距離像識別方法。首先，對實測一維距離像信號樣本進行預處理；然后，通過一維高斯尺度算子進行多尺度空間映射；接著，利用稀疏保持投影法對各空間特征進行稀疏表示，得到各空間上的稀疏系數矩陣；最后，通過本發明所提的空間權重算法計算各尺度空間權重系數，得到多尺度融合稀疏系數矩陣，再由稀疏保持投影約束獲得低維空間投影矩陣將訓練樣本和測試樣本投影到低維空間，用支持向量機對其進行訓練和分類。本發明基于多尺度空間理論和稀疏保持投影，結合自創的空間權重算法對各尺度空間包含的識別信息進行高效融合，大幅提高了一維距離像信號的識別精度和抗噪聲能力，降低了特征維度。

技術領域

本發明涉及一維信號目標識別的方法，尤其涉及一種基于自適應多尺度融合稀疏保持投影的一維距離像識別方法。

背景技術

雷達高分辨率距離像(HRRP)是在雷達每個距離單元內目標散射點反射的復信號矢量和，與合成孔徑雷達(SAR)和逆合成孔徑雷達(ISAR)圖像相比，一維距離像作為一種一維信號，具有更易采集、存儲容量更小、處理速度更快等優點。此外，雷達一維距離像提供了包括目標尺寸、散射點分布等目標的詳細結構信息，因此，近年來，雷達一維距離像目標識別相關領域獲得了許多學者的注意。

鑒于雷達HRRP具有方位敏感性、幅度敏感性、平移敏感性等固有問題，直接將測試樣本和模版庫進行匹配是一個3D搜索問題，將導致巨大的計算負擔，且由于實際環境中噪聲的影響，直接用原信號匹配識別精度較低，受噪聲干擾較大，難以滿足實際需求。在信號特征提取方面，國內外學者已提出多種特征提取方案，如主成分分析法(PCA)、線性判別分析(LDA)等線性降維方法，這些方法雖然能對數據進行降維且一定程度上提高識別率，但是其不能處理非線性數據，而現實數據大多為非線性結構；鄰域保持投影法(NPP)、局部保持投影法(LPP)等流形學習方法能夠發現數據內部的非線性結構并將其保持融入到特征提取過程當中，在多數情況下能夠取得比線性方法更好的識別效率。

近些年來，由于稀疏表示理論的快速發展，結合該理論提出的稀疏保持投影法(SPP)利用了目標信號自身的稀疏重構特性將其融入到特征提取中，在人臉數據實驗中取得了很好的識別效果，其表現出優于傳統流形識別方法的特性，但該方法也有其固有局限，如對于數據結構的探究始終局限在單一空間中，導致識別信息有限，無法深入挖掘數據內部構造。

發明內容

發明目的：本發明的目的是提供一種雷達一維距離像信號高效穩健識別的方案，能夠以低維特征獲得較高的識別精度，該算法識別階段耗時短且魯棒性強，具有一定的實際應用價值。

技術方案：一種基于自適應多尺度融合稀疏保持投影的一維距離像識別方法，包括以下步驟：

(1)訓練階段：

(11)對訓練樣本集提取其歸一化幅度特征集并進行平移對齊，得到平移對齊后的幅度特征集

(12)利用高斯尺度算子G對平移對齊后的幅度特征集H進行多尺度空間映射，得到訓練樣本多尺度空間幅度特征向量集

(13)由稀疏保持投影法對多尺度空間幅度特征樣本分別進行稀疏重構，得到各尺度空間上的稀疏系數矩陣；

(14)利用空間權重算法計算各尺度空間權重系數，結合各尺度空間稀疏系數矩陣，得到多尺度融合稀疏系數矩陣；

(15)由稀疏保持投影約束得到低維空間投影矩陣W對平移對齊后的幅度特征集H進行低維空間投影，得到訓練樣本低維幅度特征向量集

(16)由訓練樣本低維幅度特征向量集對支持向量機進行訓練。

(2)測試階段：

(21)對測試樣本y提取其歸一化幅度特征并與訓練樣本幅度特征集H進行平移對齊，得到平移對齊后的幅度特征h_y；