[发明专利]基于多尺度核稀疏保持投影的一维距离像识别方法

说明书

本发明公开了基于多尺度核稀疏保持投影的一维距离像识别方法。首先，对实测一维距离像信号样本提取其归一化幅度特征并进行平移对齐预处理；其次，利用高斯核函数对其进行多尺度核空间映射；然后，利用稀疏保持投影法得到各尺度空间的信号稀疏特征向量并进行特征融合；最后，利用支持向量机分类器进行特征识别。本发明基于高斯尺度核和稀疏保持投影，实现了多尺度核空间稀疏保持融合特征提取，相对于传统的多尺度高斯核融合特征提取法，在融合特征维数相同的情况下，本方法识别精度更高、抗噪性能更好，是稳健的一维距离像识别方法。

技术领域

本发明属于雷达目标识别技术领域，特别涉及了一种一维距离像识别方法。

背景技术

在雷达信号处理领域中，雷达目标识别是一个重要研究方向。雷达高分辨率一维距离像(HRRP)是宽带雷达目标散射点回波在雷达视线方向上的向量和，它反映了目标散射点沿雷达视线方向的分布情况，其中包含了丰富的目标结构特征。相比于SAR和ISAR图像，一维距离像具有对测量数据精度要求较低、易于获取且数据量较小等先天优势。因此，基于HRRP的目标识别是雷达目标识别中最有应用前景的识别方案。在获取大角度HRRP回波时，特别是在噪声环境下HRRP数据会变得线性不可分，传统的特征提取方案如主成分分析和低频小波特征提取等在处理这种数据时提取的特征可分性较差、分类精度较低，在噪声干扰下其性能迅速恶化，难以在实际工程上应用。

关于一维距离像的稳健识别，目前主要从两方面入手：一是提取一维距离像易于识别且稳定的特征。二是通过设计新型分类器或者将分类结果进行融合达到抗干扰提高识别率的目的。

核主成分分析(Kernel Principle Component Analysis，KPCA)通过核函数先将原始一维距离像信号投影到高维空间提高其线性可分性，再由PCA算法对高维特征进行主成分提取，达到降维的目的，且可以在一定程度上降低噪声的影响，提高识别率。然而由于单一的核主成分难以表示信号的许多内在特性，而不同的特征空间有其各自的优势，对环境的适应度也有所不同。因此，有学者提出了多尺度核的概念，通过将尺度空间引入到核方法中，实现了多尺度空间核映射，再对各尺度空间特征进行融合得到新的信号多尺度核融合特征，提高了信号在复杂环境下的识别精度，相比于单核特征更具稳定性与普适性。但是由于其增加了尺度导致最终特征的维度增加较大，且核方法忽视了信号样本间的相互关系这一有效识别信息，对识别精度提升有限。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供基于多尺度核稀疏保持投影的一维距离像识别方法，结合了多尺度核映射和稀疏保持投影法，一定程度上弥补了多尺度核映射的缺陷，在复杂环境下能保持更加稳定高效的识别性能。

为了实现上述技术目的，本发明的技术方案为：

基于多尺度核稀疏保持投影的一维距离像识别方法，包括训练阶段和测试阶段，所述训练阶段的步骤如下：

(1)对一维距离像训练样本集X＝[x₁,x₂,...,x_N]，提取其归一化幅度特征集再进行平移对齐操作，得到平移对齐后的幅度特征集H＝[h₁,h₂,...,h_N]，N为样本容量；

(2)利用高斯核函数对幅度特征进行多尺度核空间映射，得到训练样本多尺度核空间特征向量集M为尺度总数；

(3)对进行稀疏保持投影，得到多尺度核稀疏特征向量集

(4)对进行串行特征融合，得到多尺度核空间稀疏保持融合特征向量集Q＝[q₁,q₂,...,q_N]；

(5)采用支持向量机分类器对Q进行学习；

所述测试阶段的步骤如下：