一种真假目标一维距离像多特征非线性融合分类识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114970706A(43)申请公布日2022.08.30(21)申请号202210548920.1(22)申请日2022.05.20(71)申请人电子科技大学地址611731四川省成都市高新西区西源大道2006号(72)发明人周代英(74)专利代理机构成都点睛专利代理事务所(普通合伙)51232专利代理师孙一峰(51)Int.Cl.G06K9/62(2022.01)权利要求书2页说明书3页(54)发明名称一种真假目标一维距离像多特征非线性融合分类识别方法(57)摘要本发明属于目标识别技术领域，具体涉及一种真假目标一维距离像多特征非线性融合分类识别方法。本发明的方法首先从一维距离像中提取长度特征、相邻散射中心分布特征及主分量模式特征，然后，利用多个混合核函数形成一个非线性特征融合器对以上三类特征进行融合，实现目标的分类识别，由于通过特征融合使多个特征在信息域进行了互补，同时，非线性融合方法的引入，也一定程度解决了一维距离像数据分布出现的非线性问题，从而改善了对目标的识别性能。对四类仿真目标的一维距离像数据进行了仿真实验，实验结果验证了该方法的有效性。CN114970706ACN114970706A权利要求书1/2页1.一种真假目标一维距离像多特征非线性融合分类识别方法，其特征在于，包括以下步骤：S1、定义n维列矢量xij为第i类真假目标的第j个训练一维距离像,1≤i≤g，1≤j≤Ni，其中Ni为第i类真假目标的训练样本数，N为训练样本总数；S2、从一维距离像xij中提取散射中心的位置组成矢量pij：其中，pijl为xij中第l个散射中心的位置，mij为xij中散射中心的个数，其长度特征Lij为：相邻散射中心位置特征分布特征hij由下式计算：S3、采用主分量分析，获取主分量分析投影矩阵A，将一维距离像xij向矩阵A投影得到模式特征yij其中是训练样本的总平均矢量；S4、对输入的一维距离像xt，其中t表示一维距离像是任意的，按照步骤S2和S3的方法获得长度特征Lt、相邻散射中心分布特征ht，模式特征yt；计算如下决策量zi：其中kr(·,·)为核函数，是权系数，r＝1,2,…M，M为核函数的个数，由以下优化方程确定权系数wr：T其中，w＝[w1w2…wM]，β是因优化引入的中间矢量，s是与β2CN114970706A权利要求书2/2页等长的列矢量，由实验确定，C是一个实验确定的系数；权系数矢量w确定后，代入决策量zi计算公式得到决策统计量zi，对xt的分类判别方法为：其中k是指第k类。3CN114970706A说明书1/3页一种真假目标一维距离像多特征非线性融合分类识别方法技术领域[0001]本发明属于目标识别技术领域，具体涉及一种真假目标一维距离像多特征非线性融合分类识别方法。背景技术[0002]在雷达目标识别中，特征提取是关键一步，一般而言，单个特征只能反映目标在某一个方面的差异，由于雷达目标一维距离像对姿态角的敏感性，造成不同目标的单个特征可能是相似的，导致目标识别率下降，甚至无法完成目标识别工作。因此，现有基于单类特征分类方法的识别性能有进一步改善的余地。发明内容[0003]本发明提出一种真假目标一维距离像多特征非线性融合分类识别方法，该方法首先从一维距离像中提取长度特征、相邻散射中心分布特征及主分量模式特征，然后，利用多个混合核函数形成一个非线性特征融合器对以上三类特征进行融合，实现目标的分类识别，由于多个特征在信息域进行了互补，而且也一定程序上解决了样本数据中非线性分布问题，从而提高了目标识别性能，克服了单类特征分类方法区分性能低的缺点，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]一种真假目标一维距离像多特征非线性融合分类识别方法，包括以下步骤：[0006]S1、定义n维列矢量xij为第i类真假目标的第j个训练一维距离像,1≤i≤g，1≤j≤Ni，其中Ni为第i类真假目标的训练样本数，N为训练样本总数；[0007]S2、从一维距离像xij中提取散射中心的位置组成矢量pij：[0008][0009]其中，pijl为xij中第l个散射中心的位置，mij为xij中散射中心的个数，其长度特征Lij为：[0010][0011]相邻散射中心位置特征分布特征hij由下式计算：[0012][0013]S3、采用主分量分析，获取主分量分析投影矩阵A，将一维距离像xij向矩阵A投影得到模式特征yij[0014][0015]其中是训练样本的总平均矢量；[0016]S4、对输入的一维距离像xt，其中t表示一维距离像是任意的，按照步骤S2和S3的4CN114970706A说明书2/3页方法获得长度特征Lt、相邻散射中心分布特征ht，模式特征yt；