一种邻域拟合RCS序列特征提取方法

摘要

本发明属于雷达目标识别技术领域，具体的说是一种邻域拟合RCS序列特征提取方法。本发明的方法首先利用邻域样本特征对某个样本特征进行拟合，以拟合误差作为目标函数，建立变换矩阵，利用该变换矩阵提取的特征保持了样本邻域局部结构信息，从而提高了目标识别性能，克服了传统变换方法只能提取全局结构特征的缺点，对四类仿真目标的RCS数据进行了仿真实验，实验结果验证了方法的有效性。

权利要求

1.一种邻域拟合RCS序列特征提取方法，其特征在于，包括以下步骤：a、设n维列矢量xij为第ith类真假目标的第jth个训练RCS数据序列帧,1≤i≤C，1≤j≤Ni， 其中Ni为第ith类真假目标的训练RCS序列帧数，N为训练RCS序列总帧数；

b、采用邻域拟合RCS序列特征提取方法，构建目标函数，具体包括：b1、将训练RCS序列帧数据xij进行如下变换：zij＝WTxij  (1)

其中，T表示矩阵转置，W为投影矩阵，zij为xij对应的特征矢量；

b2、在特征空间建立邻域拟合误差目标函数：其中，N(zij)为对应样本特征的邻域样本特征的集合，wij,ik是加权权值，满足：将式(2)写成矢量、矩阵形式：J(W)＝ZT(I-Ω)T(I-Ω)Z  (4)其中I是单位矩阵，

b3、利用矩阵迹的运算公式，将式(4)转换为J(W)＝tr{Z(I-Ω)(I-Ω)TZT}    (7)其中tr{·}取矩阵的迹；

将式(1)代入式(7)，可得：其中

Η＝((I-Ω)(I-Ω)T)1/2    (9)b3、建立条件极值方程，即使式(8)中的J(W)达到最小的W：求解式(11)中的条件极值问题，可得到邻域拟合变换矩阵 即是由矩阵(XXT)-1(XHXT)的m个最大的特征值对应的特征向量组成的矩阵，m

b4、得到邻域拟合变换矩阵 后，利用式(1)即可得到任意RCS序列帧xt对应的特征矢量zt。

说明书

一种邻域拟合RCS序列特征提取方法

技术领域

[0001] 本发明属于雷达目标识别技术领域，具体的说是一种邻域拟合RCS序列特征提取方法。

背景技术

[0002] 在雷达目标识别中，传统变换法从整体角度对数据进行分析，能够提取到目标数据的全局结构特征。如主分量分析变换法能够保持所有训练目标数据分布的主要能量方向，以主能量方向的差异特点来识别目标类别，而判别矢量变换法通过增大异类目标特征之间的差异，同时减小同类目标特征之间的差异，从而改善目标识别率。但是，传统变换方法忽略了更有利于目标识别的局部结构特征，因此，现有传统变换法的识别性能有进一步改善的余地。

发明内容

[0003] 本发明的目的，就是针对上述问题，提出一种邻域拟合特征提取方法，该方法首先利用邻域样本特征对某个样本特征进行拟合，以拟合误差作为目标函数，建立变换矩阵，利用该变换矩阵提取的特征保持了样本邻域局部结构信息，从而提高了目标识别性能，克服了传统变换方法只能提取全局结构特征的缺点，有效改善了对雷达真假目标的分类性能。

[0004] 本发明的技术方案为：

[0005] 一种邻域拟合RCS序列特征提取方法，其特征在于，包括以下步骤：

[0006] a、设n维列矢量xij为第ith类真假目标的第jth个训练RCS数据序列帧,1≤i≤C，1≤j≤Ni， 其中Ni为第ith类真假目标的训练RCS序列帧数，N为训练RCS序列总帧数；

[0007] b、采用邻域拟合RCS序列特征提取方法，构建目标函数，具体包括：

[0008] b1、将训练RCS序列帧数据xij进行如下变换：

[0009] zij＝WTxij  (1)

[0010] 其中，T表示矩阵转置，W为投影矩阵，zij为xij对应的特征矢量；

[0011] b2、在特征空间建立邻域拟合误差目标函数：

[0012]

[0013] 其中， 为对应样本特征的邻域样本特征的集合，ωij,ik是加权权值，满足：

[0014]

[0015] 将式(2)写成矢量、矩阵形式：

[0016] J(W)＝ZT(I-Ω)T(I-Ω)Z  (4)

[0017] 其中I是单位矩阵，

[0018]

[0019]

[0020] b3、利用矩阵迹的运算公式，将式(4)转换为

[0021] J(W)＝tr{Z(I-Ω)(I-Ω)TZT}  (7)

[0022] 其中tr{·}取矩阵的迹；

[0023] 将式(1)代入式(7)，可得：

[0024]

[0025] 其中

[0026] Η＝((I-Ω)(I-Ω)T)1/2  (9)

[0027]

[0028] b3、建立条件极值方程，即使式(8)中的J(W)达到最小的W：

[0029]

[0030] 求解式(11)中的条件极值问题，可得到邻域拟合变换矩阵 即是由矩阵(XXT)-1(XHXT)的m个最大的特征值对应的特征向量组成的矩阵，m

[0031] b4、得到邻域拟合变换矩阵 后，利用式(1)即可得到任意RCS序列帧xt对应的特征矢量zt。

[0032] 本发明的有益效果为：提高了目标识别性能，克服了传统变换方法只能提取全局结构特征的缺点。

具体实施方式

[0033] 下面结合仿真数据描述本发明的实际应用效果：

[0034] 设计四种仿真目标：真目标、碎片、轻诱饵和重诱饵。真目标为圆锥形目标，其几何尺寸：长度1820mm，底部直径540mm；轻诱饵为圆锥形目标，其几何尺寸：长度1910mm，底部直径620mm；重诱饵为圆锥形目标，其几何尺寸：长度600mm，底部直径200mm。真目标、轻诱饵和重诱饵的进动频率分别为2Hz、4Hz和10Hz。真目标、轻诱饵和重诱饵目标的RCS序列由FEKO计算得到，雷达载频3GHz，脉冲重复频率为20Hz。碎片的RCS序列假设为均值为0，方差为-20dB的高斯随机变量。极化方式为VV极化。计算目标运行时间为900秒。以10秒为间隔将每目标的RCS序列数据划分为90帧，取帧号为偶数的RCS帧数据进行训练,其余帧数据作为测试数据,则每类目标有45个测试样本。

[0035] 对四种目标(真目标、碎片、轻诱饵和重诱饵)，利用本文的近邻结构保持特征提取方法和基于判别矢量变换特征提取方法进行了识别实验，结果如表1所示，实验参数：给定20个样本距离最近的权值为1/20，其它权值为零：

[0036] 表1两种方法的识别结果

[0037]

[0038] 从表1的结果可以看到，对真目标，主分量分析变换特征提取法的识别率为88％，而本文的邻域拟合识特征提取方法的识别率为95％；对碎片，主分量分析变换特征提取法的识别率为82％，而本文的邻域拟合特征提取方法的识别率为87％；对轻诱饵，主分量分析变换特征提取法的识别率为84％，而本文的邻域拟合特征提取方法的识别率为90％；对重诱饵，主分量分析变换特征提取法的识别率为86％，而本文的邻域拟合特征提取方法的识别率为91％。平均而言，对四类目标，本文的邻域拟合特征提取方法的正确识别率高于主分量分析变换特征提取法，表明本文的邻域拟合特征提取方法确实改善了多类目标的识别性能。