本發(fā)明屬于雷達技術(shù)領(lǐng)域，尤其涉及一種真假目標一維距離像正交非線性最近鄰子空間的特征提取方法。

背景技術(shù)：

線性判別子空間方法是經(jīng)典的子空間方法，廣泛應(yīng)用于圖像識別、人臉識別中，在雷達目標一維距離像識別中也取得了良好的識別效果。但是在大的目標姿態(tài)解范圍內(nèi)及復(fù)雜的電磁環(huán)境下，一維距離像分布會出現(xiàn)明顯的非線性，將造成這些線性子空間方法的識別性能下降。

為此，在線性判別子空間方法的基礎(chǔ)上，引入核函數(shù)來解決一維距離像中出現(xiàn)的非線性問題，稱為基于核函數(shù)的非線性判別子空間方法，由于有效描述了一維距離像中的非線性，因此，基于核函數(shù)的非線性判別子空間方法的識別性能有了一定的改善。

但是，非線性判別子空間方法主要從宏觀上描述非線性類內(nèi)類間分布結(jié)構(gòu)的最優(yōu)性，只具有全局最優(yōu)性，同時，非線性判別子空間的維數(shù)不能超過目標類別數(shù)減一，太少的目標類別數(shù)可能會造成非線性特征中的分類信息的損失。因此，非線性判別子空間特征提取方法的識別性能有改善的余地。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種雷達真假目標一維距離像非線性最近鄰子空間的特征提取方法。本發(fā)明方法能夠在變換空間構(gòu)建最近鄰的非線性類內(nèi)類間分布結(jié)構(gòu)，突破了特征矢量長度的限制。

本發(fā)明的技術(shù)方案為：

首先通過一個非線性函數(shù)變換，然后在變換空間建立非線性最近鄰子空間，由非線性最近鄰子空間提取的目標特征能夠形成最近鄰的類內(nèi)類間分布結(jié)構(gòu)，另外，可以獲得一個最有利于分類的子空間維數(shù)，從而提高目標分類性能。

一種雷達真假目標一維像非線性最近鄰子空間特征提取方法，具體步驟如下：

s1、設(shè)n維列矢量xij為第i類真假目標的第j個訓(xùn)練一維距離像,其中，1≤i≤g，1≤j≤ni，ni為第i類真假目標的訓(xùn)練一維距離像樣本數(shù)，n為訓(xùn)練一維距離像樣本總數(shù)，n是正整數(shù)；

s2、在變換空間f，定義的最近鄰類內(nèi)非線性樣本和最近鄰類外非線性樣本分別為和則對應(yīng)的最近鄰非線性類內(nèi)矢量最近鄰非線性類間矢量其中，是xij經(jīng)非線性映射函數(shù)映射到高維空間的矢量，||·||p為p范數(shù)，p≥0，為對應(yīng)的最近鄰類內(nèi)非線性樣本,為對應(yīng)的最近鄰類外非線性樣本，|·|表示矢量元素取絕對值，r＝1,2,…,ni，1≤k≤g,k≠i,1≤r≤nk；

s3、令a為任意的n′維列矢量，最近鄰非線性類內(nèi)矢量和最近鄰非線性類間矢量向矢量a投影，計算兩投影矢量的幅度平方差值其中，為各訓(xùn)練樣本的最近鄰非線性類內(nèi)矩陣，為各訓(xùn)練樣本的最近鄰非線性類間矩陣；

s4、由于非線性映射函數(shù)沒有具體的解析式，不可能從上式的f表達式中直接求取使f最大的矢量a，因此，采用以下方法求解，即將f的表達式進行變換成能夠求解的形式。令則可以得到其中，αrl是系數(shù)，k(xrl,xij)為非線性函數(shù)，

s5、求使f極大的矢量α：s4所述式子兩邊對矢量α求導(dǎo)，令結(jié)果等于零，則化簡可得方程其中，λ為數(shù)值，α為λ對應(yīng)的向量；

s6、獲取非線性最近鄰子空間的坐標軸：設(shè)方程中前m個最大非零λ值對應(yīng)的向量為α1,α2,…,αm，將其代入s4所述中，可得其中，m≤n，k＝1,2,…,m；

s7、計算非線性鄰近子像特征：將s6所述ak中的m個向量組成矩陣，即可得到非線性最近鄰子空間則在子空間a的非線性鄰近子像特征yij為

本發(fā)明的有益效果是：

本發(fā)明方法能夠在變換空間構(gòu)建最近鄰的非線性類內(nèi)類間分布結(jié)構(gòu)，突破了特征矢量長度的限制，克服非線性判別子空間方法的缺陷，有效改善了對雷達真假目標的分類性能。

具體實施方式

下面結(jié)合具體實施例對本發(fā)明進行說明。

設(shè)計四種點目標：真目標、碎片、輕誘餌和重誘餌。雷達發(fā)射脈沖的帶寬為1000mhz(距離分辨率為0.15m,雷達徑向取樣間隔為0.075m),目標設(shè)置為均勻散射點目標，真目標的散射點為7，其余三目標的散射點數(shù)均為11。在目標姿態(tài)角為0°～70°范圍內(nèi)每隔1°的一維距離像中，取目標姿態(tài)角為0°、2°、4°、6°、...、70°的一維距離像進行訓(xùn)練,其余姿態(tài)角的一維距離像作為測試數(shù)據(jù),則每類目標有35個測試樣本。在實驗中，非線性核函數(shù)為高斯核函數(shù)其中σ²＝4.6。實驗表明，對其它核函數(shù)，本文的非線性最近鄰子空間特征提取方法同樣適用。

對四種目標(真目標、碎片、輕誘餌和重誘餌)，在姿態(tài)角0o～70o范圍內(nèi),利用本文的非線性最近鄰子空間特征提取方法和基于核函數(shù)的非線性子空間特征提取方法進行了識別實驗，結(jié)果如表一所示。

具體提取方法如下：

s1、設(shè)n維列矢量xij為第i類真假目標的第j個訓(xùn)練一維距離像,其中，1≤i≤g，1≤j≤ni，ni為第i類真假目標的訓(xùn)練一維距離像樣本數(shù)，n為訓(xùn)練一維距離像樣本總數(shù)，n是正整數(shù)；

s2、在變換空間f，定義(是xij經(jīng)非線性映射函數(shù)映射到高維空間的矢量)的最近鄰類內(nèi)非線性樣本和最近鄰類外非線性樣本為和則對應(yīng)的最近鄰非線性類內(nèi)矢量最近鄰非線性類間矢量其中，||·||p為p范數(shù)(p≥0)，為對應(yīng)的最近鄰類內(nèi)非線性樣本,為對應(yīng)的最近鄰類外非線性樣本，|·|表示矢量元素取絕對值，r＝1,2,…,ni，1≤k≤g,k≠i,1≤r≤nk；

s3、令a為任意的n′維列矢量，最近鄰非線性類內(nèi)矢量和最近鄰非線性類間矢量向矢量a投影，計算兩投影矢量的幅度平方差值其中，為各訓(xùn)練樣本的最近鄰非線性類內(nèi)矩陣，為各訓(xùn)練樣本的最近鄰非線性類間矩陣；

s4、由于非線性映射函數(shù)沒有具體的解析式，不可能從上式的f表達式中直接求取使f最大的矢量a，因此，采用以下方法求解，即將f的表達式進行變換成能夠求解的形式。令和則可以得到其中，αrl是系數(shù)，k(xrl,xij)為非線性函數(shù)，

s5、求使f極大的矢量α：s4所述式子兩邊對矢量α求導(dǎo),令結(jié)果等于零，則化簡可得方程其中，λ為數(shù)值，α為λ對應(yīng)的向量；

s6、獲取非線性最近鄰子空間的坐標軸：設(shè)方程中前m個最大非零λ值對應(yīng)的向量為α1,α2,…,αm，將其代入s4所述中，可得其中，m≤n，k＝1,2,…,m；

s7、計算非線性鄰近子像特征：將s6所述ak中的m個向量組成矩陣，即可得到非線性最近鄰子空間則在子空間a的非線性鄰近子像特征yij為

從表一可見，對真目標，非線性判別子空間特征提取法的識別率為83％，而本文的非線性最近鄰子空間識特征提取方法的識別率為97％；對碎片，非線性判別子空間特征提取法的識別率為81％，而本文的非線性最近鄰子空間特征提取方法的識別率為84％；對輕誘餌，非線性判別子空間特征提取法的識別率為75％，而本文的非線性最近鄰子空間特征提取方法的識別率為82％；對重誘餌，非線性判別子空間特征提取法的識別率為82％，而本文的非線性最近鄰子空間特征提取方法的識別率為86％。平均而言，對四類目標，本文的非線性最近鄰子空間特征提取方法的正確識別率高于非線性正則子空間特征提取法，說明本文的非線性最近鄰子空間特征提取方法的確能改善多類目標的識別性能。

表一兩種方法的識別結(jié)果