[发明专利]一种基于自适应邻域保持投影的雷达目标识别方法

说明书

本发明公开了一种基于自适应邻域保持投影的雷达目标识别方法，主要适用于相参雷达对悬停直升机和海面小目标的分类识别。其主要流程是：首先构造变种差异距离，依据变种差异距离为训练样本库中的每个数据点构造邻域，计算重构权值矩阵；然后求解多目标函数优化问题，以获取投影矩阵；在获取投影矩阵后，分别对训练样本库和测试样本库中的数据进行特征提取；最后采用最小距离分类器进行悬停直升机和海面小目标分类识别。本发明通过深入挖掘数据内在信息，将其融入特征提取过程中，提取出JEM数据中蕴含丰富识别信息的低维特征，实现雷达对悬停直升机和海面小目标的分类识别。

技术领域

本发明属于雷达目标识别技术领域。

背景技术

悬停直升机和海面小目标分类识别是雷达目标识别的一大难题，当前的解决思路是检测是否存在调整特征来进行分类识别，在探测过程中，需要对目标进行长驻留和高重频探测。但是随着驻留时间和重复频率的提高，JEM数据维度也显著增长，成为影响目标识别速率的最主要因素。在模式识别和机器学习理论中，对于该类问题，数据降维算法是一种有效且实用的手段，其可将数据映射到低维空间，去除其不相关信息以寻求数据的本质特征。

目前主流的降维算法如主成分分析、核主成分分析及线性判别分析等都仅仅局限于单一尺度空间的信息处理，对数据内在结构特性未能进行深入挖掘，导致提取的特征包含的识别信息较少、鲁棒性较差。流行学习是近年来计算机视觉和模式识别领域的一个研究热点，已成功应用到人脸识别、图像压缩、图像分类等领域。如2014年，成都电子科技大学的论文《基于稀疏表示的鲁棒性人脸识别算法的研究》中将稀疏表示理论成功应用于人脸识别。

与其他文献中提出的方法不同，本发明通过引入流行学习、自适应最大距离准则等当前模式识别和机器学习领域前沿技术，深入挖掘数据内在信息，将其融入特征提取过程中，提出了基于自适应领域保持投影算法，提取出JEM数据中蕴含丰富识别信息的低维特征，实现雷达对悬停直升机和海面小目标的分类识别。

发明内容

本发明的目的在于提供一种基于自适应邻域保持投影的雷达目标识别方法，有效地实现悬停直升机和海面小目标的分类识别。通过本发明，能够深入挖掘数据内在信息，将其融入特征提取过程中，提取出JEM数据中蕴含丰富识别信息的低维特征，实现雷达对悬停直升机和海面小目标的分类识别。

为了实现以上的技术目的，本发明的技术解决方案为：

首先构造变种差异距离，依据变种差异距离为训练样本库中的每个数据点构造邻域，计算重构权值矩阵；然后构造含邻域保持投影算法和自适应最大距离准则算法的多目标优化函数，求解多目标函数优化问题，以获取投影矩阵；在获取投影矩阵后，分别对训练样本库和测试样本库中的数据进行特征提取；最后采用最小距离分类器进行悬停直升机和海面小目标分类识别。具体步骤包括：

步骤(1)为训练样本库中的每个数据点构造邻域，计算重构权值矩阵；

步骤(2)求解多目标函数优化问题，以获取投影矩阵；

步骤(3)在获取投影矩阵后，分别对训练样本库和测试样本库中的JEM数据进行特征提取；

步骤(4)采用最小距离分类器进行悬停直升机和海面小目标分类识别；

其中步骤(1)还包括：

步骤A构造变种差异距离；

步骤B根据变种差异距离选取每个样本点的邻域，得到样本点的最佳重构权值；

步骤(2)还包括：

步骤C构造包含邻域保持投影算法和自适应最大距离准则算法的多目标优化函数；

步骤D求解该多目标优化函数，获取投影矩阵。

本发明与现有技术相比，其显著优点为：