[發明專利]一種多類平均最大化真假目標特征提取方法

在審

• 申請號: 202011026888.8
• 申請日: 2020-09-25
• 公開（公告）號: CN112149061A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 周代英;張瑛;沈曉峰;梁菁;馮健
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F17/18
• 分類號: G06F17/18;G06F17/16;G06K9/62;G01S13/10;G01S13/02;G01S7/41;G01S7/36;G01S7/292
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 孫一峰

本發明屬于雷達目標識別技術領域，具體是涉及一種多類平均最大化真假目標特征提取方法。本發明的方法采用多分量高斯分布表示目標數據的似然函數，在目標樣本數據是非高斯分布的情況下，仍然能夠準確地描述目標數據的分布情況，從目標一維距離像特征元素中篩選出最有效的分類識別特征。克服了常規方法只適合于樣本數據高斯分布的缺點，從而改善了目標識別性能，對四類仿真目標的一維距離像數據進行了仿真實驗，實驗結果表明方法是有效的。

技術領域

本發明屬于雷達目標識別技術領域，具體是涉及一種多類平均最大化真假目標特征提取方法。

背景技術

在雷達目標識別中，特征提取是非常關鍵的一步，一方面可以降低輸入矢量的維數，減少計算量，又能夠很好地保持原有的分類信息。子空間就是一種常用的特征提取方法，即是在滿足某一準則的條件下，得到相應的子空間。例如，判別矢量子空間法是利用fisher準則得到判別矢量子空間，而特征子空間法即是在重構誤差最小的條件下獲取特征子空間，在樣本數據是高斯分布的條件下，能夠獲得好的識別效果。

但是，子空間等特征提取方法只適合于樣本數據是高斯分布的情況，而實際中樣本數據的分布可能是非高斯的，針對非高斯分布情況，常規的特征提取方法的識別性能顯著降低。現有常規特征提取方法的識別性能有進一步改善的余地。

發明內容

針對上述問題，本發明提出一種多類平均最大化特征提取方法，以多分量高斯分布來表示各類目標數據的似然函數，在非高斯分布的條件下，仍然能夠準確地描述目標數據的分布情況，從而篩選出對分類識別最有效的特征，克服常規特征提取方法的缺陷，有效改善了對雷達真假目標的分類性能。

本發明的技術方案為：

一種多類平均最大化真假目標特征提取方法，其特征在于，包括以下步驟：

S1、設n維列矢量x_cj為第c類真假目標的第j個訓練一維距離像,1≤c≤g，1≤j≤N_c，其中g為類別數，N_c為第c類真假目標的訓練一維距離像樣本數，N為訓練一維距離像樣本總數，利用多項高斯分量來表示第c類的似然函數：

其中為各高斯分量的權系數，且M_c為第c類的高斯分量個數，代表高斯分量項的參數，p(·)為概率密度函數；

S2、假定一維像數據中各特征元素是互相獨立的，同時如果元素與類別獨立，則該元素不是有效的特征，設元素服從分布q(x_cjk/γ_ck)，x_cjk表示x_cj的第k個元素，γ_ck為第c類第k個特征元素的分布系數，定義兩值變量ψ_ck，如果特征元素有效，則ψ_ck＝1，否則ψ_ck＝0；令特征元素有效的概率為β_k＝P(ψ_ck＝1)，根據似然函數建立模型：

其中r_ck為第c類第k個特征元素的分布系數；

S3、通過均值最大化方法估計步驟S2中所建模型的參數：

S31、初始化高斯分量的均值矢量、協方差矩陣及權值；

S32、計算模型參數的更新值：