[發明專利]一種核自適應均值判別分析的高分辨距離像目標識別方法

有效

• 申請號: 201711349636.7
• 申請日: 2017-12-15
• 公開（公告）號: CN107977642B
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 袁家雯;劉文波;朱海霞;陳旺才
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 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

1.一種核自適應均值判別分析的高分辨距離像目標識別方法，其特征在于，包括以下步驟：

(1)獲取原始HRRP信號訓練集，并對其進行l₂范數歸一化后提取功率譜特征的預處理，得到預處理后的特征樣本集Y；包括以下步驟：

(11)獲取原始HRRP信號訓練集；

獲取T類目標的原始雷達高分辨距離像訓練集樣本其中為第i類目標第p個原始HRRP信號，訓練集樣本總數其中，N_i為第i類目標所含訓練樣本總數，T為目標總數，D為特征樣本維度；

(12)對原始HRRP信號進行l₂范數歸一化后提取功率譜特征的預處理；

按列依次對原始HRRP信號按照公式(1)進行l₂范數歸一化后求取功率譜特征f_i^p的預處理，選取功率譜前一半特征作為預處理后的特征樣本集其中為第i類目標第p個原始HRRP信號經預處理后的特征樣本；功率譜特征f_i^p以及原始HRRP信號經預處理后的特征樣本的計算公式如下：

(2)把預處理后的特征樣本集Y采用核函數映射到高維特征空間；包括以下步驟：

(21)確定核函數φ(y)；

針對HRRP屬于多模分布情況，選取徑向基核函數作為合適的核函數φ(y)，計算公式為：

式中，為和的內積，σ為核參數，為第i類目標第p個特征樣本，為第j類目標第q個特征樣本，基于此，先引入仿射矩陣描述樣本間相似性，選取高斯核函數定義：

(22)求取四大樣本相關離散度矩陣和

由步驟(21)得出高維特征樣本關于第i類特征樣本的同類局部均值

高維特征樣本關于第j類特征樣本的異類局部均值

高維特征樣本關于第i類特征樣本的全局均值

高維特征樣本關于總體特征樣本的全局均值μ^φ：

四大樣本相關離散度矩陣高維特征空間的全局類內離散度矩陣全局類間離散度矩陣局部類內離散度矩陣和局部類間離散度矩陣分別表示為：

(3)配置自適應離散度矩陣；包括：

(31)設置最佳均值調節參數δ；

根據訓練樣本個數是否滿足采樣要求采用5折交叉驗證設置最佳的均值調節參數δ；

(32)計算高維空間的自適應類內離差度矩陣和自適應類間離差度矩陣

計算公式為：

(4)求取最佳投影方向V；包括：

根據步驟(3)中配置的自適應離散度矩陣，最佳投影方向V通過求解最大化高維空間的與問題得到：

借助核技巧推導出：

式中，V為φ(Y)的線性組合，K_AB和K_AW分別為核自適應類間和類內離差度矩陣，計算公式如下：

其中，其中為第i類目標第q個特征樣本；均為全1向量；接著將自適應離散度矩陣問題轉換成最大化K_AB與K_AW問題：

公式(17)利用瑞利熵得：Λ為(K_AW)^-1K_AB的前d個最大廣義特征值對應的特征向量組合，從而最優投影方向V＝φ(Y)Λ；

(5)獲得新的非線性降維訓練特征集；

根據步驟(4)，對特征樣本集Y實現向最佳投影方向V的變換，獲得新的非線性降維訓練特征集Z；其中，新的非線性降維訓練特征集

(6)SVM分類器訓練；

輸入步驟(5)中得到的非線性降維訓練特征集進行SVM分類器訓練，得到分類器最優匹配模型參數；

(7)對待測試原始HRRP信號進行SVM分類識別；包括以下步驟：

(71)獲取待測試原始HRRP信號，并對其進行l₂范數歸一化后提取功率譜特征的預處理，得到預處理后的測試特征樣本；

對雷達高分辨距離像測試樣本x_test＝[x_test(1),x_test(2),…,x_test(2D)]^T∈R^2D按照公式(21)進行l₂范數歸一化后求取功率譜特征f_test的預處理，得到預處理后的測試特征樣本y_test∈R^D：

y_test＝[f_test(1),f_test(2),…,f_test(D)]^T (22)；

(72)針對步驟(71)中得到的測試特征樣本y_test，將其投影到訓練階段求得的最佳方向V上，計算出測試特征樣本的非線性降維測試特征

(73)將步驟(72)中獲取的測試特征樣本的非線性降維測試特征z_test送入訓練階段得到的SVM最佳匹配模型中，根據相應判別函數輸出值給出判別結果w_test。