[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

摘要

本发明涉及雷达遥感应用领域，具体为一种基于增量学习的合成孔径雷达目标识别方法。本发明在传统稀疏约束的非负矩阵分解方法基础上，提出了一种通用的具有稀疏约束的增量非负矩阵分解方法基于p范数稀疏约束的增量非负矩阵分解(Lp‑INMF)，并应用于SAR目标识别中。通过调整Lp‑INMF中p的值，对目标函数加入不同形式的范数约束提高特征选择能力，获得更好的识别性能；同时作为一种增量学习方法，使SAR目标识别具有自主更新的能力，避免重复训练，提高了识别效率。

主权项

一种基于增量学习的合成孔径雷达目标识别方法，包括以下具体步骤：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Lp‑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；在非负矩阵分解NMF基础上推导Lp‑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Vmn＝WmrHrn其中W≥0,H≥0,r代表降维后的维度；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Lp‑NMF的目标函数定义为：F(W,H)=12||V-WH||2+λΣj=1n||hj||pp=12Σi,j(Vi,j-(WH)i,j)2+λΣj=1n||hj||pp]]>其中，hj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，得到Lp‑NMF的迭代规则为：Wiμ←Wiμ(VHT)iμ(WHHT)iμ]]>Hμj←Hμj(WTV)μj(WTWH)μj+λp(Hμj)p-1]]>其中，i＝1,…,m,j＝1,…,n,μ＝1,…,r.；迭代至收敛即得到初始的投影矩阵W和编码矩阵H；步骤2、当新的训练样本加入时，对已有的投影矩阵W和新加入的样本进行Lp‑INMF算法的计算，利用新样本信息对投影矩阵W进行不断更新，实现增量学习；设初始样本数量为k，目标函数为：Fk=12||Vk-WkHk||2+λΣj=1k||hj||pp=12Σi=1mΣj=1k(Vi,j-(WkHk)i,j)2+λΣj=1k||hj||pp]]>则新加入一个样本后目标函数为：Fk+1=12||Vk+1-Wk+1Hk+1||2+Σj=1k+1||hj||pp=12Σi=1mΣj=1m(Vi,j-(Wk+1Hk+1)i,j)2+λΣj=1k||hj||pp+12Σi=1m((vk+1)i-(Wk+1hk+1)i)2+λ||hk+1||pp≈Fk+fk+1]]>fk+1=12Σi=1n((vk+1)i-(Wk+1hk+1)i)2+λ||hk+1||pp]]>其中，Fk+1代表k+1个样本的误差函数，Wk+1代表k+1个样本的投影矩阵，Hk+1代表k+1个样本的编码矩阵，hk+1为H的第k+1列，代表编码矩阵中的新增样本，vk+1为V的第k+1列，代表新增训练样本，fk+1为目标函数的增量部分；在增量学习过程中，目标函数的自变量为投影矩阵W和hk+1，采用梯度下降法，得出Lp‑INMF的迭代规则为：(Wk+1)iμ←(Wk+1)iμ(VkHk+vk+1hk+1T)iμ(Wk+1HkHkT+Wk+1hk+1hk+1T)iμ]]>(hk+1)μ←(hk+1)μ(Wk+1Tvk+1)μ(Wk+1TWk+1hk+1)μ+λp((hk+1)μ)p-1]]>其中，i＝1,…,m,j＝1,…,n,μ＝1,…,r.迭代至收敛即得到新的投影矩阵W，完成W对单样本的更新；步骤3、投影矩阵W更新完成后，进行训练样本和待识别样本在特征空间中的投影；首先，将所有训练样本重新投影：V'train＝(WTW)‑1WTVtrain其中，为训练样本矩阵在特征空间W的投影；然后，对待识别样本进行投影：h′test＝(WTW)‑1WThtest其中，为识别样本向量在特征空间W的投影；步骤4、特征提取之后进行分类识别，对训练样本的特征V‘train进行训练，对待识别样本h‘test进行分类识别。