[发明专利]一种目标库属性判别非线性逐维优化子空间特征提取方法

说明书

本文公开了一种目标库属性判别非线性逐维优化子空间特征提取方法。该方法首先利用非线性函数将训练一维距离像样本映射到高维空间，然后在高维特征空间建立逐维优化的非线性判别矢量子空间，抽取目标的最优非线性判别特征，构建库属目标的特征模板库，对待识别目标的库属性进行判别。该方法通过逐维优化建立最优非线性判别矢量子空间，一方面能够增大了目标的分类信息，同时由于引入非线性表示，能够更好地描述一维距离像分布中出现的的非线性信息，从而提高了对库属目标和非库属目标的判别性能。对4类目标的仿真实验验证了方法的有效性。

技术领域

本发明属于雷达目标识别技术领域，涉及一种目标库属性判别非线性逐维优化子空间特征提取方法。

背景技术

传统的基于一维距离像的雷达目标识别方法必须事先通过训练建立目标的特征模板库，然后才能对参与训练的目标一维距离像数据进行识别，当待识别目标是库属目标，即是参与了训练的目标时，传统一维距离像目标识别方法都能够得到好的识别结果。但是，实际应用中，由于飞机是非协作目标，甚至是机密目标，意味着有些飞机目标是没有办法进行训练，即无法建立它们的特征模板，这种目标称为非库属目标。因此，当待识别目标是非库属目标时，传统一维距离像识别方法将会出现错误识别，导致对目标的识别性能降低。因此，在实际识别应用中，有必要首先对待识别目标的库属性进行判别，然后，根据判别结果完成后续的识别任务。

传统的本征子空间目标判别方法是一种经典的判别方法，当目标一维距离像数据呈现线性分布时能够获得好的判别效果。然而，实际应用中，大姿态角范围内的一维距离像分布常常呈现出明显的非线性，另外，本征子空间提取的特征在分类意义上不是最优的，从而使传统的本征子空间判别方法的性能下降，因此，传统的本征子空间目标库属性判别方法的性能有进一步改善的余地。

发明内容

针对上述问题，本发明提出一种目标库属性一维距离像判别非线性逐维优化子空间特征提取方法，通过利用非线性函数将训练一维距离像样本映射到高维空间，然后在高维空间建立非线性逐维优化子空间，抽取的特征能够更好地描述目标一维距离像分布中出现的非线性信息和分类信息，因此，改善了对库属目标和非库属目标的判别率。

本发明的技术方案是，非线性逐维优化子空间特征提取方法：

设x_ij(n维列矢量)为第i^th类库属目标的第j^th个训练一维距离像,1≤i≤g，1≤j≤N_i，其中N_i为第i^th类库属目标的训练样本数，N为训练样本总数。对一维距离像引入如下的非线性映射函数

y_ij＝φ(x_ij) (1)

其中φ(·)为非线性函数，y_ij的维数为n₁维，n₁可能是任意值。对所有库属目标的训练数据x_ij对应的y_ij计算类内散布矩阵W_φ和类间散布矩阵B_φ

对于n₁维任意列矢量a，计算

令

其中定义核函数

k(x_ij,x_rl)＝φ^T(x_ij)φ(x_rl) (8)

将式(7)和式(8)代入式(6)，并化简，可得