[发明专利]一种基于电磁和红外的特征选择方法及目标识别方法

说明书

本发明涉及一种基于电磁和红外的特征选择方法及目标识别方法，包括如下步骤：对获取的电磁信号和红外图像数据进行预处理；从预处理后的数据中获得第i个特征的样本数据矩阵D；从矩阵D中随机选择样本R中，分别找到其同一类和不同类k个最近邻样本；计算类内和类外两个样本之间的距离；计算所有样本所有特征的权重；迭代多次，更新特征的权重；比较权重与阈值的大小；循环上述步骤，计算样本中所有特征的权重，经过阈值筛选，获得经过特征选择后的矩阵。本发明可以极大去除冗余特征而保留最重要的特征，可以既提高计算效率又提升了目标识别率。

技术领域

本发明涉及的雷达、红外识别领域，尤其是一种一种基于电磁和红外的特征选择方法及目标识别方法。

背景技术

目标识别对于防御系统和安全应用来说非常重要。然而，依靠单个传感器提供的目标信息已经无法满足需求，亟需使用各类传感器来提供全面的目标特征和准确的信息。基于地基、空基等雷达、红外传感器平台，获得目标高维、异质、异构等全面的多源数据，可以提取丰富的目标特征来提高目标识别率。但与此同时，如果将所有高维特征输入分类器，不仅会使运算变得复杂，处理速度大大下降；而且在有限样本的情况下，过多的特征可能会导致分类精度降低。因此，根据所需识别数据特性对特征进行选择以降低特征维度是有必要的。

特征选择技术作为一种降维技术，旨在通过去除不相关、冗余或嘈杂的特征，选择最小的特征子集，最大限度地提高模型的性能，使其更简单、更快。在过去几十年中，各种降维技术已得到开发应用，其中快速主成分分析(PCA)和线性判别分析(LDA)是两种典型的特征选择方法。PCA是将原始数据以线性方式无监督地由高维空间映射到对应低维空间中，寻找使得数据信息重构损失最小的线性子空间，可能会删除包含判别信息的维度并导致识别精度低。LDA是一种有监督的方法，寻求使类间与类内散布矩阵迹之比最大化。但是，对于具有非常高维数据的任务，LDA方法可能会遇到奇异性问题。Relief算法根据类间距离和类内距离选择特征只能进行二分类，Relief-F改进了Relief算法，用于多类分类，可计算提取特征权重，根据权重对特征的重要性排序，选择排序靠前的特征，从而消除了冗余特征，提高了目标识别率。

发明内容

本发明针对上述问题，提出了一种基于电磁和红外的特征选择方法及目标识别方法，可以极大去除冗余特征而保留最重要的特征，可以既提高计算效率又提升了目标识别率。

本发明提供如下技术方案：一种基于电磁和红外的特征选择方法，其包括如下步骤：对获取的电磁信号和红外图像数据进行预处理；从预处理后的数据中获得第i个特征的样本数据矩阵D；从样本数据矩阵D中随机选择样本R_i中，分别找到其同一类和不同类k个最近邻样本；计算类内和类外两个样本之间的距离；计算所有样本所有特征的权重；迭代多次，更新特征的权重；比较权重与阈值的大小；循环上述步骤，计算样本中所有特征的权重，经过阈值筛选，获得经过特征选择后的矩阵D′。

雷达信号和红外图像数据为原始分类数据，需要进行预处理。对于雷达回波数据需要进行脉冲压缩和杂波消除等预处理操作以获得目标时域信号。同时，接收到的雷达时域信号与红外图像比较复杂，不同的参数数据不在一个数量级上。红外图像数据和雷达获得的电磁信号为原始分类数据，进行归一化变换：

X_i(j)为雷达信号和红外成像预处理数据的样本，i＝1,2,…N，N为样本数。j＝1,2,…,I,I为样本维数，X′_i(j)即标准化变换后的样本。

基于雷达和红外预处理后的数据，提取目标多维度特征信息，然后采用特征选择算法对重要特征进行选择；本发明方法的关键思想是估计每个特征的权重。样本数据矩阵D是N×I的分类样本的矩阵，其中N为总样本数，I为每个样本的总特征数；每个样本有一个目标类型标签c，c∈(1,C]，C是类别数量。