一种雷达一维距离像多尺度多核学习目标识别方法
文献发布时间:2024-04-18 19:52:40
技术领域
本发明属于雷达目标识别技术领域。
背景技术
高分辨一维距离像(HRRP)可以反映目标的详细物理结构特征,如散射体分布、目标尺寸等信息。与SAR和ISAR图像相比,高分辨一维距离像具有工程实现简单、更容易处理的特点,目前已在雷达自动目标识别(RATR)中得到了广泛的应用。高分辨一维距离像数据具有数据维度高、非线性等特性。核方法可以将非线性不可分的数据映射到高维特征空间,使得数据具有线性可分性,从而通过线性方法求解复杂的非线性问题。核方法虽然能够有效的解决非线性分类问题,但是通常情况下的核学习采用的是单一的核函数,并且比较依赖基础核函数的选择。在实际应用中,当出现高维或不平衡样本集时,单核学习不能很好的解决问题。
为了更好的解决高分辨一维距离像非线性问题,多核学习方法通常被用作常用的方法。多核学习具备了多个单核函数的学习能力,而且根据不同核函数的权重,可以灵活调整多核函数的学习效果,能够适应不同的数据集。多核学习可以有效解决识别中的非线性问题,如2018年,西安电子科技大学的博士论文《基于多核与多任务学习的雷达目标识别方法》中采用基于数据的自适应核函数作为基础核函数,以核对齐为准则构建了自适应的加权多核函数,有效提升了模型的灵活性,将多核学习应用到SAR图像目标识别中。
发明内容
本发明的目的在于提供一种雷达一维距离像多尺度多核学习目标识别方法,有效实现海面舰船目标精细化分类识别,技术解决方案包括:
步骤(1)对一维距离像训练样本进行多尺度变换,形成不同尺度下的多尺度变换特征;
步骤(2)对各多尺度变换特征进行核空间变换处理,形成不同核函数下的核空间变换;
步骤(3)对各核空间变换进行线性合成,构造多尺度多核学习投影矩阵;
步骤(4)将获取的训练样本投影向量送入SVM分类器进行训练;
步骤(5)利用构建的多尺度多核学习投影矩阵,获取测试样本的投影向量;
步骤(6)将获取的测试样本的投影向量送入训练好的SVM分类器进行舰船目标分类识别。
其中所述步骤(1)还包括:
步骤A构建多尺度变换模型,设置多尺度变换参数范围及跨度;
步骤B构建离散KL散度(Kullback-Leibler Divergence)模型,计算多尺度变换个数;
步骤C对一维距离像训练样本进行多尺度变换,形成多尺度变换特征;
其中所述步骤(2)还包括:
步骤D利用合同尺度法构建基础核函数模型;
步骤E对各多尺度变换特征进行核空间变换处理,获取不同基础核函数下的核空间变换;
其中所述步骤(3)还包括:
步骤F利用多尺度多核学习方法构建合成核函数模型;
步骤G结合核主成分分析法计算特征投影矩阵。
本发明与现有技术相比,其显著优点为:
利用离散KL散度模型计算多尺度变换个数的方法,能够快速、有效地确定多尺度变换个数,该方法具有计算量小、运行效率高等特点。利用合同尺度法构建基础核函数模型的方法,能够准确、有效地消除不同姿态下一维距离像样本的姿态敏感性的影响。利用多尺度多核学习方法构建合成核函数模型的方法,充分利用样本的数据信息,在最大程度地构造数据的多尺度多核学习架构关系的同时,能够提取出更丰富的识别信息低维特征,更加容易的表示不同样本间的差异和有效对同类样本进行分类。本发明的提出在雷达目标识别领域具有很高的推广应用价值。
下面结合附图对本发明做进一步详细描述。
附图说明
图1是本发明的数据处理流程图。
具体实施方式
本发明提出的一种雷达一维距离像多尺度多核学习目标识别方法,能够最大程度地保留数据的多尺度多核学习架构关系,并在降维希尔伯特空间中最大化类可分离性,提取出更丰富信息的低维特征,实现雷达对海面舰船目标的精细化分类识别。本发明流程图参见附图1,优选实施步骤如下:
步骤(1)、对一维距离像训练样本进行多尺度变换,形成不同尺度下的多尺度变换特征,方法如下:
步骤A、构建多尺度变换模型,设置多尺度变换参数范围及跨度,具体为:
在给定的数据样本集X=[X
期中
/>
σ
步骤B、构建离散KL散度(Kullback-Leibler Divergence)模型,计算多尺度变换个数,具体为:
(1)计算各尺度下的离散KL散度
(2)计算离散KL散度均值
(3)计算各离散KL散度D
步骤C、对一维距离像训练样本进行多尺度变换,形成多尺度变换特征,具体为:
计算第k类目标在尺度σ
进一步,一维距离像多尺度变换样本集为:
其中,σ
步骤(2)、对各多尺度变换特征进行核空间变换处理,形成不同核函数下的核空间变换,具体为:
步骤D、利用合同尺度法构建基础核函数模型,具体为:
构建多核学习基础核函数:
其中K
步骤E、对各多尺度变换特征进行核空间变换处理,获取不同基础核函数下的核空间变换,具体为:
通过映射函数,将
其中
步骤(3)、对各核空间变换进行线性合成,构造多尺度多核学习投影矩阵,具体为:
步骤F、利用多尺度多核学习方法构建合成核函数模型,具体为:
构建合成核函数模型:
其中Θ=[Θ
β=[β
M表示最优多尺度变换个数,K
步骤G、结合核主成分分析法计算特征投影矩阵,具体为:
(1)对合成核函数进行中心化处理:
Θ′=Θ-1
其中1
(2)对Θ′进行特征值分解,获得对应于前k个特征值的特征向量,构成多尺度多核学习特征投影矩阵v。
步骤(4)、将获取的训练样本投影向量送入SVM分类器进行训练,具体为:
获取训练样本的投影向量:
y=v
其中X为训练样本集合。将其送入SVM分类器进行分类训练。
步骤(5)、利用构建的多尺度多核学习投影矩阵,获取测试样本的投影向量,方法如下:
y′=v
其中X′为训练样本集合。
步骤(6)、将获取的测试样本投影向量送入训练好的SVM分类器进行舰船目标分类识别。
- 一种基于统计字典学习的雷达高分辨距离像目标识别方法
- 一种基于宽度学习的雷达高分辨距离像目标识别方法