[發(fā)明專利]一種線性判別學(xué)習(xí)真假目標一維距離像特征提取方法

有效

• 申請?zhí)枺?/td>: 201910322672.7
• 申請日: 2019-04-22
• 公開（公告）號: CN110007286B
• 公開（公告）日: 2022-05-24
• 發(fā)明（設(shè)計）人: 周代英;張瑛;廖闊;馮健
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 成都點睛專利代理事務(wù)所(普通合伙) 51232
• 代理人: 孫一峰

本發(fā)明屬于雷達目標識別技術(shù)領(lǐng)域，具體涉及一種線性判別學(xué)習(xí)真假目標一維距離像特征提取方法。本發(fā)明的方法通過迭代學(xué)習(xí)獲得各類樣本分布中心矢量，然后利用學(xué)習(xí)中心矢量代替樣本均值矢量計算類內(nèi)散布矩陣和類間散布矩陣，求解得到線性判別學(xué)習(xí)變換矩陣，在目標樣本數(shù)據(jù)分布是非高斯分布的情況下，仍然能夠很好地表示類內(nèi)聚集和類間分離的程度，克服了常規(guī)判別子空間只適合于樣本數(shù)據(jù)高斯分布的缺點，從而提高了目標識別性能。

技術(shù)領(lǐng)域

本發(fā)明屬于雷達目標識別技術(shù)領(lǐng)域，具體涉及一種線性判別學(xué)習(xí)真假目標一維距離像特征提取方法。

背景技術(shù)

在雷達目標識別中，判別矢量子空間法在減小同類目標特征之間差異的同時，能夠增大異類目標特征之間的差異，從而提取到有效的識別特征，因此，判別矢量子空間法獲得了良好的識別性能。

但是，判別矢量子空間法只適合于樣本數(shù)據(jù)是高斯分布的情況，而實際中樣本數(shù)據(jù)分布可能是非高斯分布，導(dǎo)致判別矢量子空間方法的識別性能出現(xiàn)下降。現(xiàn)有常規(guī)判別矢量子空間方法的識別性能有進一步改善的余地。

發(fā)明內(nèi)容

本發(fā)明針對上述問題，提出一種線性判別學(xué)習(xí)真假目標一維距離像特征提取方法。

本發(fā)明所采用的技術(shù)方案為，采用線性判別學(xué)習(xí)進行特征提取：

設(shè)x_ij(n維列矢量)為第i^th類真假目標的第j^th個訓(xùn)練一維距離像,1≤i≤g，1≤j≤N_i，其中N_i為第i^th類真假目標的訓(xùn)練一維距離像樣本數(shù)，N為訓(xùn)練一維距離像樣本總數(shù)。設(shè)x_ij對應(yīng)的帶寬對角矩陣為

其中b_ij為系數(shù)，可以事先確定。則第i^th類樣本分布的密度估計值為

其中||·||為2-范數(shù)；β(·)為核分布函數(shù)

式(2)右邊對x求偏導(dǎo)，并令其等于零，可得

其中

由式(4)可得第i^th類樣本分布的中心矢量迭代學(xué)習(xí)方程

其中為第i^th類樣本分布的中心矢量，每次迭代的修正量。根據(jù)以上分析，第i^th類樣本分布的中心矢量的學(xué)習(xí)計算步驟如下：

步驟1：計算第i^th類樣本分布中心的初始矢量

步驟2：按式(6)計算第i^th類樣本分布中心的修正量

步驟3：如果迭代修正量的模小于給定值或迭代次數(shù)超過最大迭代次數(shù)，則迭代終止。

通過以上3個步驟學(xué)習(xí)獲得各類目標樣本中心代替每類樣本的均值矢量，計算類內(nèi)散布矩陣S_w和類間散布矩陣S_b

取矩陣的(g-1)個最大特征量對應(yīng)的特征向量構(gòu)成線性判別學(xué)習(xí)變換矩陣A，將任意一維距離像x_t進行如下變換

y_t＝A^Tx_t (10)