[發明專利]基于主成分分析的多重分形特征飛機目標分類方法

有效

• 申請號: 201811205568.1
• 申請日: 2018-10-17
• 公開（公告）號: CN109164429B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 李秋生;張華霞;謝曉春
• 申請（專利權）人: 贛南師范大學
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 北京科家知識產權代理事務所(普通合伙) 11427
• 代理人: 陳娟

1.基于主成分分析的多重分形特征飛機目標分類方法包括以下步驟：

(1)從雷達回波數據中選擇m組回波數據作為時域訓練樣本集，X＝{x₁,x₂,…,x_i,…,x_m},x_i表示第i個時域訓練樣本信號；從雷達回波數據中選擇n組回波數據作為時域測試樣本集：X′＝{x₁′,x₂′,…,x_j′,…,x_n′},x_j′表示第j個時域訓練樣本信號；

(2)由時域訓練樣本集X經過分數階傅里葉變換得到分數階Fourier域飛機回波的訓練樣本集Y＝{y₁,y₂,…,y_i,…,y_m}，y_i表示第i個分數階Fourier域時域訓練樣本，分數階Fourier域樣本總數為m；由時域測試樣本集X′經過分數階傅里葉變換得到分數階Fourier域飛機回波的測試樣本集Y′＝{y₁′,y₂′,…,y_j′,…,y_n′}，y_j′表示第j個分數階Fourier域時域測試樣本，分數階Fourier域測試樣本集數量為n；

(3)設定合理的分數階傅里葉變換階數P的計算步長和范圍，P＝[p₁,p₂,…,p_i,…,p_k]，p_i為分數階傅里葉變換階數，p_i-p_i-1＝0.02，且p₁＝0，p_k＝2，在階數p的范圍內確定分數階Fourier域飛機目標回波的最優變換階數p_opr，進而確定最優飛機目標回波的最優分數階Fourier域，并在最優分數階Fourier域計算飛機目標回波信號，在最優分數階Fourier域，訓練數據為Z＝{z₁,z₂,…,z_i,…,z_m}，z_i表示第i個訓練樣本，最優分數階Fourier域訓練樣本總數為m，測試數據為Z′＝{z₁′,z₂′,…,z_j′,…,z_n′}，z_j′表示第j測試樣本，最優分數階Fourier域測試樣本總數為n；

(4)在最優分數階Fourier域分析飛機目標回波的多重分形特性，其中包括質量指數τ(q)與分形尺度的關系、多重分形譜f(σ)和奇異指數σ之間的關系，σ表示不同多重分形小區域內的生長概率；

(5)在最優分數階Fourier域對飛機目標回波進行多重分形分析的基礎上，提取訓練樣本多重分形特征，組成訓練特征向量，Tr＝[tr₁,tr₂,…,tr_k,…,tr_m]，Tr維數為m×10，其中tr_k為第k個最優分數階Fourier域訓練樣本的特征向量，在最優分數階Fourier域對飛機目標回波進行多重分形分析，并提取測試樣本多重分形特征，組成測試特征向量，Te＝[te₁,te₂,…,te_k,…,te_n]，Te維數為n×10，其中te_k為第k個最優分數階Fourier域測試樣本的特征向量，tr_k＝[tr_k1,tr_k2,…,tr_k10]′，tr_k1為多重分形譜質量指數對稱度，tr_k2為多重分形譜寬度，tr_k3最大、最小概率子集分形維數差，tr_k4多重分形譜非對稱指數，tr_k5質量指數曲線截距，tr_k6～tr_k8擬合多重分形譜曲線的一次、二次及常數項系數，tr_k9～tr_k10質量指數曲線的擬合截距與斜率，te_k＝[te_k1,te_k2,…,te_k10]′，所對用的測試特征向量集合與訓練特征集合相同；

(6)對最優分數階Fourier域多重分形特征向量Tr＝[tr₁,tr₂,…,tr_m]和Te＝[te₁,te₂,…,te_n]進行歸一化，得到歸一化后的特征向量Tr′＝[tr₁′,tr₂′,…,tr_m′]和Te′＝[te₁′,te₂′,…,te_n′]；

(7)對歸一化的多重分形特征向量進行主成分分析，根據設定閾值提取特征用于飛機目標的分類研究，閾值的設定影響特征向量的的選取；

(8)利用多重分形特征對飛機目標進行分類研究，利用訓練特征向量Tr′＝[tr₁′,tr₂′,…,tr_m′]對分類器進行訓練，將測試向量Te′＝[te₁′,te₂′,…,te_n′]輸入到訓練后的分類器，識別出輸入的測試樣本的飛機類別。