[发明专利]一种非线性判别学习真假目标一维距离像特征提取方法

说明书

本发明公开了一种非线性判别学习真假目标一维距离像特征提取方法，属于雷达目标识别技术领域。本发明首先利用非线性函数将一维距离像映射到高维特征空间，然后，在高维特征空间通过判别学习获得投影变换矩阵，再基于该投影变换矩阵得到任意待提取特征的一维距离像的特征向量。本发明的特征提取方法，能够很好地表示样本数据分布中出现的非线性，从而提高了目标识别性能，克服了现有的常规子空间法不适合于非线性数据分布的缺点，有效改善了对雷达真假目标的分类性能。

技术领域

本发明属于雷达目标识别技术领域，具体涉及一种可以用于雷达目标识别的非线性判别学习真假目标一维距离像特征提取方法。

背景技术

雷达目标识别需要从目标的雷达回波中提取目标的有关信息标志和稳定特征(目标特征)并判明其属性。它根据目标的后向电磁散射来鉴别目标。利用目标在雷达远区所产生的散射场的特征，可以获得用于目标识别的信息(目标信息)。对获取的目标信息进行计算机处理，与已有目标的特性进行比较，从而达到自动识别目标的目的。雷达目标识别包括两个部分：特征提取和分类识别。

特征提取，从目标回波数据中提取出对分类识别有用的目标特征信息，例如基于一。

分类识别：对特征提取中所获得的目标特征信息做适当的处理，完成特征信号与目标参数间的相互关联和判决。

分类识别的处理过程可以分为两个阶段：训练(或设计)阶段和识别阶段。其中，训练阶段是指通过一定数量的训练样本(训练样本的目标特征信息)进行分类器的设计或训练；识别阶段是指用所设计或训练的分类器对待识别的样本进行分类器决策。雷达目标识别所涉及分类器包括但不限于SVM分类器、随机森林、深度学习网络等。

由于在雷达目标识别中，分类识别需要基于训练样本的目标特征信息进行分类的训练，进而将待识别对象的目标特征信息作为训练好的分类器的输入，基于其输出得到对应的分类识别结果。可见在雷达目标识别中，特征提取是非常关键的一步，一方面可以降低输入矢量的维数，减少计算量，另一方面又能够很好地保持原有的分类信息。

高分辨雷达及其成像技术的应用推动雷达目标识别技术的发明展，使目标的特性得到了更为精细的描述。利用高分辨雷达对目标进行一维距离成像，得到的一维距离像可以揭示目标的几何结构信息。一维距离成像以散射点模型为依据，描述了目标散射中心在径向距离的投影，可用雷达目标识别的特征。基于一维距离像的雷达目标识别具有实际应用价值，得到了广泛应用。由于识别率高、计算量小，针对一维距离像的常规子空间方法在雷达目标识别中得到广泛应用。如判别矢量子空间法在减小同类目标特征之间差异的同时，能够增大异类目标特征之间的差异，从而提取到非常有效的识别特征，获得了良好的识别性能。

但是，常规子空间法是线性的方法，只适合于样本数据分布是线性的情况，而实际中样本数据分布可能会出现非线性，导致常规子空间方法的识别性能出现明显下降。现有常规子空间方法的识别性能有进一步改善的余地。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种能提升雷达目标识别性能的非线性判别学习真假目标一维距离像特征提取方法。

本发明的非线性判别学习真假目标一维距离像特征提取方法，包括下列步骤：

步骤1：基于预设的非线性函数φ(·)，将一维距离像映射到高维特征空间，得到各类真假目标的各训练样本的一维距离像在高维特征空间的矢量：y_ij＝φ(x_ij)；

并计算各类样本分布在高维特征空间的中心矢量的初始值为：

其中，x_ij表示第i类真假目标的第j个训练样本的一维距离像，N_i表示第i类真假目标的训练样本数；

设置中心矢量的权系数的初始值为：