[发明专利]一种多类平均最大化真假目标特征提取方法

说明书

本发明属于雷达目标识别技术领域，具体是涉及一种多类平均最大化真假目标特征提取方法。本发明的方法采用多分量高斯分布表示目标数据的似然函数，在目标样本数据是非高斯分布的情况下，仍然能够准确地描述目标数据的分布情况，从目标一维距离像特征元素中筛选出最有效的分类识别特征。克服了常规方法只适合于样本数据高斯分布的缺点，从而改善了目标识别性能，对四类仿真目标的一维距离像数据进行了仿真实验，实验结果表明方法是有效的。

技术领域

本发明属于雷达目标识别技术领域，具体是涉及一种多类平均最大化真假目标特征提取方法。

背景技术

在雷达目标识别中，特征提取是非常关键的一步，一方面可以降低输入矢量的维数，减少计算量，又能够很好地保持原有的分类信息。子空间就是一种常用的特征提取方法，即是在满足某一准则的条件下，得到相应的子空间。例如，判别矢量子空间法是利用fisher准则得到判别矢量子空间，而特征子空间法即是在重构误差最小的条件下获取特征子空间，在样本数据是高斯分布的条件下，能够获得好的识别效果。

但是，子空间等特征提取方法只适合于样本数据是高斯分布的情况，而实际中样本数据的分布可能是非高斯的，针对非高斯分布情况，常规的特征提取方法的识别性能显著降低。现有常规特征提取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，本发明提出一种多类平均最大化特征提取方法，以多分量高斯分布来表示各类目标数据的似然函数，在非高斯分布的条件下，仍然能够准确地描述目标数据的分布情况，从而筛选出对分类识别最有效的特征，克服常规特征提取方法的缺陷，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：

一种多类平均最大化真假目标特征提取方法，其特征在于，包括以下步骤：

S1、设n维列矢量x_cj为第c类真假目标的第j个训练一维距离像,1≤c≤g，1≤j≤N_c，其中g为类别数，N_c为第c类真假目标的训练一维距离像样本数，N为训练一维距离像样本总数，利用多项高斯分量来表示第c类的似然函数：

其中为各高斯分量的权系数，且M_c为第c类的高斯分量个数，代表高斯分量项的参数，p(·)为概率密度函数；

S2、假定一维像数据中各特征元素是互相独立的，同时如果元素与类别独立，则该元素不是有效的特征，设元素服从分布q(x_cjk/γ_ck)，x_cjk表示x_cj的第k个元素，γ_ck为第c类第k个特征元素的分布系数，定义两值变量ψ_ck，如果特征元素有效，则ψ_ck＝1，否则ψ_ck＝0；令特征元素有效的概率为β_k＝P(ψ_ck＝1)，根据似然函数建立模型：

其中r_ck为第c类第k个特征元素的分布系数；

S3、通过均值最大化方法估计步骤S2中所建模型的参数：

S31、初始化高斯分量的均值矢量、协方差矩阵及权值；

S32、计算模型参数的更新值：