[发明专利]一种目标库属性判别最优非线性本征子空间特征提取方法

说明书

本发明公开了一种目标库属性判别最优非线性本征子空间特征提取方法，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训练一维距离像样本映射到高维空间，然后在高维空间建立最优非线性本征子空间，抽取目标的最优非线性特征，构建库属目标的特征描述库，对输入目标的库属性进行判别。该方法在进行分层优化建立最优非线性本征子空间的过程中，引入了非线性表示，能够更好地描述一维距离像分布中出现的非线性信息，从而提高了对目标库属性的判别性能。

技术领域

本发明属于雷达目标识别技术领域，具体涉及一种目标库属性判别最优非线性本征子空间特征提取方法。

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。

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。

常规的基于一维距离像的雷达目标识别方法必须事先利用目标的训练样本数据集建立目标的模板库，然后对参与了训练的目标一维距离像数据进行识别，当待识别目标属于训练目标时，许多一维距离像目标识别方法都能够得到好的识别结果。但是，实际应用中，由于飞机是非协作目标，不可能一次性收集到所有目标的一维距离像数据以建立一个包含所有目标的特征模板征库，因此，待识别目标可能是没有参与训练的目标，在这种情况下，常规一维距离像识别方法将会出现识别错误，导致对目标的识别性能下降。因此，在实际识别应用中，首先必须判别待识别目标一维距离像的库属性，然后，根据判别结果完成后续的识别任务。

传统的本征子空间目标库属性判别方法是一种线性判别方法，当目标一维距离像数据呈现线性分布时能够获得好的判别效果。然而，实际应用中，由于对目标方位角的敏感性和随机噪声的影响，目标一维距离像的分布常常呈现出明显的非线性，使传统的本征子空间判别方法的性能变差，因此，传统的本征子空间目标库属性判别方法的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，提供一种目标库属性判别最优非线性本征子空间特征提取方法，从而提升对目标库属性的判别性能。

本发明的目标库属性判别最优非线性本征子空间特征提取方法，包括下列步骤：

步骤1：设置非线性本征子空间变换矩阵：

步骤101：定义x_ij表示第i类库属目标的第j个训练样本的一维距离像，且1≤i≤g，1≤j≤N_i，g表示库属目标的类别数，N_i为第i类库属目标的训练样本数，训练样本总数

基于预设的非线性函数φ(·)，得到各x_ij的映射矢量y_ij＝φ(x_ij)，以及相关矩阵

基于训练样本的一维距离像构建本征方程：Kα＝λα；

其中，矩阵函数k(p,q)＝φ(p)^Tφ(q)；

向量

λ表示本征值；