[发明专利]一种局部稀疏约束变换RCS序列特征提取方法

说明书

本发明属于雷达目标识别技术领域，具体是涉及一种局部稀疏约束变换RCS序列特征提取方法。本发明的方法首先利用训练样本集构建稀疏分析字典，在目标函数中引入输入样本的最近邻训练样本的局部约束，建立局部稀疏约束变换矩阵，通过该变换矩阵能够更好地提取到类内相似特征，从而提高了目标识别性能，对四类仿真目标的RCS数据进行了仿真实验，实验结果验证了该方法是有效的。

技术领域

本发明属于雷达目标识别技术领域，具体是涉及一种局部稀疏约束变换RCS序列特征提取方法。

背景技术

雷达目标识别中，传统流行学习方法能够在目标函数中着重强调局部结构信息，提取到目标数据分布的局部结构特征，获得了好的识别效果。例如局部判别嵌入方法通过建立样本邻域的连接图，能够保持样本特征的邻域局部结构，而局部结构保持方法在目标函数中只对类内样本距离加权，从而在特征域保持样本的原有邻域结构。但是，传统的流行学习方法只考虑了训练样本中的邻域分布结构，而没有引入输入样本的邻域结构，容易形成不确定的局部结构，不利于识别性能进一步提高。因此，现有传统流行学习方法的识别性能有进一步改善的余地。

发明内容

针对上述问题，本发明提出一种局部稀疏约束特征提取方法，该方法首先利用训练样本构建稀疏分析字典，在目标函数中引入输入样本的最近邻训练样本的局部约束，建立局部稀疏约束变换矩阵，通过该变换能够更好地提取到类内相似性特征，降低类间相似度，从而提高了目标识别性能，克服了传统流行学习方法形成不确定局部边界的缺点，有效改善了对雷达真假目标的分类性能。

本发明的技术方案为：

一种局部稀疏约束变换RCS序列特征提取方法，包括以下步骤：

S1、设n维列矢量x_ij为第i类真假目标的第j个训练RCS数据序列帧，1≤i≤C，1≤j≤N_i，其中C为类别数，N_i为第i类真假目标的训练RCS序列帧数，N为训练RCS序列总帧数；对训练样本进行归一化：

利用归一化的训练样本按类的顺序构建稀疏学习字典D：

S2、对输入样本x，按步骤S1的方法进行归一化后得到归一化输入样本利用字典构建稀疏分析目标函数：

其中||·||₂表示2-范数，β≥0，0λ1，N_k(·)表示样本的k近邻域，α是稀疏表示系数；上式中的第一项为对输入样本的重建误差，第二项表示稀疏系数的模，第三项为输入样本的k近邻域样本的重构误差。显然，目标函数J(α)越小，重构误差越小，表明稀疏分析越精确，并且被约束在训练样本的k近邻域中。

S3、令局部约束的最优稀疏系数为：

根据构建的目标函数，目标函数右边对α求导，并令其等于零，化简得：

令

A＝D(D^TD+βI)^-1

则可得：

α^*＝A^Tx_z

局部约束稀疏系数是输入样本的综合矢样本向矩阵A投影的矢量，矩阵A称为局部稀疏约束变换矩阵空间，由训练样本构成的字典和系数β确定；矢量x_z由输入样本和输入样本的k个最近邻训练样本均值矢量按比例组成的一个矢量，称为综合矢量；矢量α^*称为局部稀疏约束特征矢量，即提取的特征矢量。