[发明专利]一种基于增量学习的合成孔径雷达目标识别方法

说明书

技术领域

本发明涉及雷达遥感应用领域，用图像分析雷达观测信息，特别涉及一种具有自主更新，成长学习能力的增量特征提取方法：基于p范数稀疏约束的增量非负矩阵分解。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)具有全天时、全天候等特点，是一种重要的对地观测手段。SAR目标识别利用SAR图像信息实现目标种类、型号等属性的判定，在战场侦察、精确打击等军事领域有明确的应用需求，是提升SAR传感器信息感知能力、实现SAR技术应用的关键技术之一。

SAR目标识别性能和训练样本的完备程度密切相关。随着SAR数据的不断获取与丰富，目标样本的数量也逐渐增加。然而训练过程中，传统的方法将新增样本直接加入原有样本集，重新进行训练样本训练的步骤，这就意味着训练样本的重复训练，导致计算代价增加，识别效率降低。

解决这一问题的途径之一就是使SAR目标识别系统具有自主更新，成长学习的能力，用增量学习的方法进行目标识别。近年来，在视频监控，人脸识别等其他领域，许多增量学习方法被提出，主要分为两个方面：(1)用于特征提取的增量学习方法，如增量主成分分析(IPCA)，增量线性判别分析(ILDA)，增量非负矩阵分解(INMF)等；(2)用于分类器的增量学习方法，如：增量支持向量机(ISVM)，增量boosting，增量K近邻算法等。这些方法并不都适用于SAR目标识别。首先，目前SAR数据的处理流程大都是先特征提取，后分类的过程，所以直接用分类器的增量学习方法并不适用于SAR目标识别。其次，SAR数据的数据量没有光学图像，视频数据那么庞大，并不像其他领域在数据存储上面临困难，所以SAR目标识别的训练过程可以不完全脱离已训练的样本。

已有的SAR目标特征提取方法中，非负矩阵分解(NMF)能够获得基于部分的目标特征表示，更加符合人的认知机理，在SAR目标识别领域表现出了优异的性能。在此基础上，已经被提出的1范数稀疏约束和1/2范数稀疏约束的非负矩阵分解，在SAR目标识别中获得了更好的识别性能。可以看出，稀疏约束下的非负矩阵分解方法是当前比较优秀的SAR目标特征提取方法。因此，将增量学习方法仅用于耗时而有效的SAR目标特征提取过程中，研究优秀SAR目标特征提取方法的增量方法，让SAR识别系统在数据更新过程中具有高效更新特征的能力，才是增量学习在SAR目标识别中应用的正确模式。

发明内容

针对上述存在问题或不足，为了克服传统SAR目标识别方法在数据增加情况下需要重复学习的缺陷，使SAR目标识别中的特征提取环节具有自主更新，成长学习的能力。本发明提供了一种基于增量学习的合成孔径雷达目标识别方法。

本发明由以下步骤实现，其识别流程算法见附图1。

步骤1、对现有的SAR训练样本数据进行基于p范数约束的非负矩阵分解(L_p-NMF)，得到初始的投影矩阵W，在之后的增量学习过程中，W将持续更新。

此过程对增量学习过程中的SAR初始训练样本进行了特征提取，由于增量学习方法为基于稀疏约束的，因此初始建模也必须用本发明推导的基于p范数约束的非负矩阵分解(L_p-NMF)。

在非负矩阵分解(NMF)基础上推导了基于p范数约束的非负矩阵分解(L_p-NMF)作为计算初始的投影矩阵W的工具。推导过程基于矩阵分解的目标函数，在加上p范数约束之后，利用梯度下降算法求出具体的迭代计算公式。

在NMF中，对于一个样本矩阵每一列代表一个具有m个像素点的训练样本，共计n个训练样本。将其分解为基矩阵和编码矩阵

V_mn＝W_mrH_rn

其中r代表降维后的维度。

上述问题的目标是矩阵V和WH乘积之间的重构误差最小化。因此可以采用最小二乘法，同时对编码矩阵中的每一个对应样本加上p范数约束，则基于p范数约束的非负矩阵分解(L_P-NMF)的目标函数定义为：

其中，h_j为H的第j列，代表降维后的样本。代表向量的p范数的p次方，λ>0,采用梯度下降法，可以得到基于p范数约束的非负矩阵分解(L_p-NMF)的迭代规则为：

其中，i＝1,…,m,j＝1,…,n,μ＝1,…,r.

迭代至收敛即可得到初始的投影矩阵W，和编码矩阵H。