本發(fā)明屬于雷達目標識別技術領域，特別涉及了一種一維距離像識別方法。

背景技術：

在雷達信號處理領域中，雷達目標識別是一個重要研究方向。雷達高分辨率一維距離像(HRRP)是寬帶雷達目標散射點回波在雷達視線方向上的向量和，它反映了目標散射點沿雷達視線方向的分布情況，其中包含了豐富的目標結構特征。相比于SAR和ISAR圖像，一維距離像具有對測量數(shù)據(jù)精度要求較低、易于獲取且數(shù)據(jù)量較小等先天優(yōu)勢。因此，基于HRRP的目標識別是雷達目標識別中最有應用前景的識別方案。在獲取大角度HRRP回波時，特別是在噪聲環(huán)境下HRRP數(shù)據(jù)會變得線性不可分，傳統(tǒng)的特征提取方案如主成分分析和低頻小波特征提取等在處理這種數(shù)據(jù)時提取的特征可分性較差、分類精度較低，在噪聲干擾下其性能迅速惡化，難以在實際工程上應用。

關于一維距離像的穩(wěn)健識別，目前主要從兩方面入手：一是提取一維距離像易于識別且穩(wěn)定的特征。二是通過設計新型分類器或者將分類結果進行融合達到抗干擾提高識別率的目的。

核主成分分析(Kernel Principle Component Analysis，KPCA)通過核函數(shù)先將原始一維距離像信號投影到高維空間提高其線性可分性，再由PCA算法對高維特征進行主成分提取，達到降維的目的，且可以在一定程度上降低噪聲的影響，提高識別率。然而由于單一的核主成分難以表示信號的許多內在特性，而不同的特征空間有其各自的優(yōu)勢，對環(huán)境的適應度也有所不同。因此，有學者提出了多尺度核的概念，通過將尺度空間引入到核方法中，實現(xiàn)了多尺度空間核映射，再對各尺度空間特征進行融合得到新的信號多尺度核融合特征，提高了信號在復雜環(huán)境下的識別精度，相比于單核特征更具穩(wěn)定性與普適性。但是由于其增加了尺度導致最終特征的維度增加較大，且核方法忽視了信號樣本間的相互關系這一有效識別信息，對識別精度提升有限。

技術實現(xiàn)要素：

為了解決上述背景技術提出的技術問題，本發(fā)明旨在提供基于多尺度核稀疏保持投影的一維距離像識別方法，結合了多尺度核映射和稀疏保持投影法，一定程度上彌補了多尺度核映射的缺陷，在復雜環(huán)境下能保持更加穩(wěn)定高效的識別性能。

為了實現(xiàn)上述技術目的，本發(fā)明的技術方案為：

基于多尺度核稀疏保持投影的一維距離像識別方法，包括訓練階段和測試階段，所述訓練階段的步驟如下：

(1)對一維距離像訓練樣本集X＝[x₁,x₂,...,x_N]，提取其歸一化幅度特征集再進行平移對齊操作，得到平移對齊后的幅度特征集H＝[h₁,h₂,...,h_N]，N為樣本容量；

(2)利用高斯核函數(shù)對幅度特征進行多尺度核空間映射，得到訓練樣本多尺度核空間特征向量集M為尺度總數(shù)；

(3)對進行稀疏保持投影，得到多尺度核稀疏特征向量集

(4)對進行串行特征融合，得到多尺度核空間稀疏保持融合特征向量集Q＝[q₁,q₂,...,q_N]；

(5)采用支持向量機分類器對Q進行學習；

所述測試階段的步驟如下：

(6)對一維距離像測試樣本y，提取其歸一化幅度特征并與訓練樣本進行平移對齊，得到平移對齊后的幅度特征h_y；

(7)利用高斯核函數(shù)對幅度特征h_y進行多尺度核空間映射，得到測試樣本多尺度核空間特征向量集H_y＝[h_y1,h_y2,...,h_yM]；

(8)對H_y＝[h_y1,h_y2,...,h_yM]進行稀疏保持投影，得到多尺度核稀疏特征向量集C_y＝[c_y1,c_y2,...,c_yM]；

(9)對C_y＝[c_y1,c_y2,...,c_yM]進行串行特征融合得到多尺度核空間稀疏保持融合特征向量q_y；

(10)采用步驟(5)學習完成的支持向量機分類器對q_y進行分類，得到一維距離像測試樣本y的目標類別。

進一步地，在步驟(1)中，提取一維距離像樣本歸一化幅度特征的公式如下：

上式中，|·|表示取模，||·||₂表示取2范數(shù)。

進一步地，在步驟(1)中，對幅度特征進行平移對齊操作的過程為，從第二個訓練樣本開始，以第一個訓練樣本幅度特征為基準進行基于最大相關性準則的平移對齊處理，其中和的互相關系數(shù)為：

令不動，則平移p個距離單元，p滿足：

上式中，表示求取向量和的內積，i＝2,…,N。

進一步地，步驟(2)的具體過程如下：

采用的高斯核函數(shù)：

上式中，a,b＝1,2,…,N，σ_m為尺度m下的高斯核參數(shù)，在尺度m下得到H＝[h₁,h₂,...,h_N]的N×N維核矩陣K：

K_a,b＝G(h_a,h_b)

上式中，K_a,b表示核矩陣K的第a行b列元素；

對核矩陣K進行高維空間上的中心化得到矩陣對進行主成分分析，得到特征值矩陣中最大的l個特征值構成的特征值矩陣Λ_l對應的特征向量矩陣U_l＝[α₁,α₂,...,α_l]，l≤N，由U_l構成核空間投影矩陣，在尺度m下對H＝[h₁,h₂,...,h_N]進行核空間特征提?。?/p>

上式中，(·)^T表示轉置運算，α_l,k表示U_l中特征向量α_l的第k個元素，表示h_j在尺度m下的核空間映射，j＝1,2,…,N，由此可以得到在尺度m下的核空間特征向量集Z_m＝[z₁,z₂,...,z_N]；

同理可求得其他各尺度下的核空間特征向量集，由此構成訓練樣本多尺度核空間特征向量集

進一步地，步驟(3)的具體過程如下：

對于任意尺度m下的訓練樣本核空間特征向量z_s，s＝1,2,…,M，用除其自身以外的剩余訓練樣本核空間特征向量對其進行稀疏表示，通過求解約束優(yōu)化問題，得到稀疏表示系數(shù)向量

s.t.||Z_mr_s-z_s||₂≤ε

1＝e^Tr_s

上式中，e表示所有元素均為1的列向量，r_s＝[r_s,1,...,r_s,s-1,0,r_s,s+1,...,r_s,M]^T為稀疏表示系數(shù)向量，r_s,t表示訓練樣本核空間特征向量z_t對重構z_s的貢獻量，t≠s，ε為松弛量，||·||₁表示取1范數(shù)；

計算所有訓練樣本核空間稀疏表示系數(shù)向量得到鄰接矩陣求解廣義本征方程：

Z_m(R+R^T-RR^T)Z_m^Tw＝λZ_mZ_m^Tw

上式中，λ表示未知本征值，w表示λ對應的本征向量，取其前d個最大本征值對應的本征向量集w_d作為稀疏保持投影矩陣，則在尺度m下核稀疏特征向量集C_m：

C_m＝w_d^TZ_m

同理計算其他尺度下的核稀疏特征向量集，構成多尺度核稀疏特征向量集

進一步地，在步驟(5)中，所述支持向量機分類器采用線性核支持向量機分類器。

采用上述技術方案帶來的有益效果：

1、識別精度提高：由于本發(fā)明提出的識別方法基于多尺度核映射和稀疏保持投影，能夠發(fā)掘信號本身的多尺度信息和信號樣本之間的關聯(lián)性，最終將這些信息進行融合分類，在不同環(huán)境下都能達到較好的識別精度。在特征維度較低的情況下可以達到傳統(tǒng)多尺度核分析法的識別精度，而在最終識別特征維度和分類器固定的情況下識別精度可比其提高2-3個百分點。

2、應用范圍廣泛：本發(fā)明提出識別方法可以根據(jù)應用場景的不同做適當?shù)母淖儚亩鴶U展到解決多種一維信號處理問題，例如目標紅外光譜的檢測識別問題、語音信號的識別等。

附圖說明

圖1是本發(fā)明的流程示意圖；

圖2是實施例中一維距離像原始實信號回波示意圖；

圖3是本發(fā)明中一維距離像歸一化幅度特征的示意圖；

圖4是本發(fā)明不同尺度下高斯核函數(shù)示意圖。

具體實施方式

以下將結合附圖，對本發(fā)明的技術方案進行詳細說明。

本發(fā)明提出基于多尺度核稀疏保持投影的一維距離像識別方法，總流程圖如圖1所示?，F(xiàn)有一飛機一維距離像實信號回波數(shù)據(jù)如圖2所示，實際情況中不同型號的飛機回波各不相同，同一型號飛機不同角度的回波信號也有所差異。本發(fā)明主要解決該類一維回波信號的識別分類問題。

訓練階段：

第1步：對訓練樣本集X＝[x₁,x₂,...,x_N]，如圖3所示，提取其歸一化幅度特征集

式(1)中，|·|表示取模，||·||表示取2范數(shù)，N表示特征維數(shù)。

由于一維距離像具有平移敏感性，通過相關對齊法對訓練樣本各幅度特征進行平移對齊處理。從第二個訓練樣本開始，以第一個訓練樣本特征向量為基準進行基于最大相關性準則的平移對齊處理，其中信號和的互相關系數(shù)為：

式(2)中，表示求取向量和的內積，i＝2,…,N。

令不動，則平移p個距離單元，p滿足：

得到平移對齊后的幅度特征向量集H＝[h₁,h₂,...,h_N]。

第2步：利用高斯核函數(shù)G對幅度特征進行多尺度核空間映射，得到訓練樣本多尺度核空間特征向量集如圖4所示向量h_a,h_b的高斯核函數(shù)：

式(4)中，a,b＝1,2,…,N，σ_m為尺度m下的高斯核參數(shù)，M表示總尺度個數(shù)；在尺度m下得到H＝[h₁,h₂,...,h_N]的N×N維核矩陣K：

K_a,b＝G(h_a,h_b) (5)

式(5)中，K_a,b表示核矩陣K的第a行b列元素。

對核矩陣K進行高維空間上的中心化得到矩陣對進行主成分分析，得到特征值矩陣中最大的l個特征值構成的特征值矩陣Λ_l對應的特征向量矩陣U_l＝[α₁,α₂,...,α_l]，l≤N，由U_l構成核空間投影矩陣，則在尺度m下對H＝[h₁,h₂,...,h_N]進行核空間特征提?。?/p>

上式中，(·)^T表示轉置運算，α_l,k表示U_l中特征向量α_l的第k個元素，表示h_j在尺度m下的核空間映射，j＝1,2,…,N，由此可以得到在尺度m下的核空間特征向量集Z_m＝[z₁,z₂,...,z_N]。

同理可求得其他各尺度下的核空間特征向量集，由此構成訓練樣本多尺度核空間特征向量集

第3步：對進行稀疏保持投影，得到多尺度核稀疏特征向量集對于任意尺度m下的訓練樣本核空間特征向量z_s∈R^l(s＝1,2,...,M)，用除其自身以外的剩余訓練樣本特征向量對其進行稀疏表示，通過求解下面的約束優(yōu)化問題，得到稀疏表示系數(shù)向量

式(7)中，e表示所有元素均為1的列向量，r_s＝[r_s,1,...,r_s,s-1,0,r_s,s+1,...,r_s,M]^T為稀疏表示系數(shù)向量，r_s,t表示訓練樣本核空間特征向量z_t對重構z_s的貢獻量，t≠s，ε為松弛量，||·||₁表示取1范數(shù)。

計算所有訓練樣本核空間稀疏表示系數(shù)向量得到鄰接矩陣求解廣義本征方程：

Z_m(R+R^T-RR^T)Z_m^Tw＝λZ_mZ_m^Tw (8)

式(8)中，λ表示未知本征值，w表示λ對應的本征向量，取其前d個最大本征值對應的本征向量集w_d作為稀疏保持投影矩陣，則在尺度m下核稀疏特征向量集C_m：

C_m＝w_d^TZ_m (9)

同理計算其他尺度下的核稀疏特征向量集，構成多尺度核稀疏特征向量集

第4步：根據(jù)串行特征融合法，對訓練樣本各尺度下核稀疏特征向量集C₁,C₂,...,C_M進行串行融合得到新的融合特征向量集Q＝[q₁,q₂,...,q_N]。C₁,C₂,...,C_M均為d×N維矩陣，融合特征向量集Q為(d·M)×N維矩陣。

第5步：利用線性支持向量機(SVM)分類器對Q進行學習。這里選用線性核支持向量機作為分類工具考慮到經(jīng)過多尺度高斯核映射和稀疏保持投影后信號特征已具有一定的線性可分性且線性支持向量機設計簡單、參數(shù)較少，分類速度較快。

測試階段：

第1步：對測試樣本y提取其歸一化幅度特征并與訓練樣本進行平移對齊，得到平移對齊后的幅度特征h_y，方法如上訓練階段第1步所述。

第2步：利用高斯核函數(shù)G對幅度特征h_y進行多尺度核空間映射，得到測試樣本多尺度核空間特征向量集H_y＝[h_y1,h_y2,...,h_yM]，方法如上訓練階段第2步所述。

第3步：對測試樣本多尺度核空間特征向量集H_y＝[h_y1,h_y2,...,h_yM]進行稀疏保持投影，得到多尺度核稀疏特征向量集C_y＝[c_y1,c_y2,...,c_yM]，方法如上訓練階段第3步所述。

第4步：對多尺度稀疏特征進行融合得到新的多尺度核空間稀疏保持融合特征向量q_y，方法如上訓練階段第4步所述。

第5步：利用學習完成的支持向量機(SVM)分類器對q_y進行分類，得到測試樣本的目標類別。

表1給出了本發(fā)明與傳統(tǒng)多尺度高斯核融合特征識別的準確率對比(尺度均取σ＝0.8,0.9,1.0,1.1,1.2)。

表1

由以上數(shù)據(jù)可以看出，在最終特征維度相同的情況下本發(fā)明所提出的一維距離像識別方法相比傳統(tǒng)多尺度高斯核融合特征識別精度高出2-3個百分點，在處理相同樣本的情況下能夠利用比傳統(tǒng)方法維度低的特征完成相同精度的識別。由于其將多尺度核空間映射和稀疏保持投影相結合，既能增強數(shù)據(jù)的線性可分性也考慮了樣本之間的固有聯(lián)系，增加了樣本分類的信息量，在工程實踐中具有很好的應用前景。

以上實施例僅為說明本發(fā)明的技術思想，不能以此限定本發(fā)明的保護范圍，凡是按照本發(fā)明提出的技術思想，在技術方案基礎上所做的任何改動，均落入本發(fā)明保護范圍之內。