[发明专利]一种基于欧拉核主成分分析的一维距离像稳健识别方法

说明书

本发明公开一种基于欧拉核主成分分析的一维距离像稳健识别方法。首先，对实测一维距离像信号样本提取其归一化频谱幅度特征；然后，利用欧拉核函数将其映射到核空间，计算核矩阵并由主成分分析法(PCA)得到主元特征投影矩阵，获得样本的核空间特征主成分；最后，利用支持向量机分类器(SVM)进行特征识别。本发明基于欧拉核函数，实现了同维度核空间映射，不仅增强了一维距离像数据的线性可分性且没有增加空间维度，降低了计算量。利用主成分分析法提取其核空间特征主成分进一步降低特征维数、减弱噪声影响，使得该方法对大数据量信号处理速度较快，在噪声环境中亦能保持较高的识别精度，相较于传统的核主成分分析法有明显优势。

技术领域

本发明涉及一种雷达一维信号识别的方法，尤其涉及一种在干扰环境下快速准确识别雷达一维距离像的技术。

背景技术

雷达目标识别是雷达信号处理的一个重要研究方向。雷达高分辨率一维距离像(HRRP)反映了目标散射点沿雷达视线方向的分布情况，其中包含了丰富的目标结构特征，而易于获取且数据量较小也是其先天优势。因此，基于HRRP的目标识别一直是雷达目标识别领域的研究热点。由于大角度HRRP数据本身具有的线性不可分性在噪声干扰环境下越发严重，一些传统的分类识别方案比如最大相关性准则分类等在处理这种数据时分类精度较低，抗干扰能力较差，难以在工程上有效应用。

关于一维距离像的稳健识别，目前主要从两方面入手：一是提取一维距离像易于识别且稳定的特征。二是通过设计新型分类器或者将分类结果进行融合达到抗干扰提高识别率的目的。

核主成分分析(Kernel Principle Component Analysis，KPCA)通过核函数先将原始一维距离像信号特征投影到高维空间使其变得线性可分，再由PCA算法对高维特征进行主成分提取，达到降维的目的，且可以在一定程度上降低噪声的影响，提高识别率。然而随着一维距离像信号维度的增加，传统的核主成分分析法运算量也大幅提高，且其投影到高维空间必然伴随着能量的分散，想要达到较高的识别率必须要提取相对高维的核空间特征主成分，在后续的分类中也大大增加了学习成本。

发明内容：

发明目的：针对上述现有技术，提出一种基于欧拉核主成分分析的一维距离像稳健识别方法，在噪声环境中能够以较小的计算代价获得满意的识别精度，在最终识别特征维度和分类器固定的情况下识别精度可比传统核主成分分析法提高3-4个百分点。

技术方案：一种基于欧拉核主成分分析的一维距离像稳健识别方法，包括如下步骤：

训练阶段：

第1步：对训练样本集X＝[x₁,x₂,...,x_n]，提取其归一化频谱幅度特征P＝[p₁,p₂,...,p_n]；

第2步：利用欧拉核函数显式表达f对归一化频谱幅度特征进行核空间映射，得到训练样本欧拉核空间投影向量集Z＝[z₁,z₂,...,z_n]；

第3步：在核空间内构造核矩阵K，并对核矩阵进行主分量分析，求得主元特征投影矩阵B；

第4步：将训练样本核欧拉核空间投影向量集Z在主元特征投影矩阵B上进行空间投影，得到训练样本核空间特征主成分集

第5步：利用支持向量机分类器对进行学习；

测试阶段：

第1步：对测试样本y提取其归一化频谱幅度特征p_y，p_y∈R^m；其中，R^m表示m维实空间信号向量，m表示样本维度；