[发明专利]一种基于标签一致字典学习的雷达目标识别方法

摘要

本发明公开了一种基于标签一致字典学习的雷达目标识别方法，属于雷达领域,特别是通过构建稀疏信号的具有鉴别能力的完备字典和稀疏编码，实现了信号的稀疏表征。该方法主要流程：首先，构建高分辨距离像的LC‑KSVD字典学习模型；然后再初始化模型中的相关参数；再使用K‑SVD算法求解LC‑KSVD字典学习模型的最优解；接下来，再对字典D和线性分类器矩阵W进行归一化；最后，更具D、W来确定测试样本所属类别。本发明方法可以使得学习到的完备字典具备鉴别能力，不仅能够更好地实现对信号的稀疏表征，而且可以用于分类。

主权项

1.一种基于标签一致字典学习的雷达目标识别方法，该方法包括：步骤1：对训练距离像样本Y进行预处理，消除平移敏感性和幅度敏感性；训练距离像样本矩阵Y＝[y1,y2,…,yi,…,yN]∈Rn×N，yi∈Rn为n维列向量距离像样本，i＝1,2,…,N，Rn×N表示n×N维矩阵；步骤2：构建LC‑KSVD字典学习模型：式中，D＝[d₁,d₂,…,d_i,…,d_K]∈R^n×K是具有鉴别力的完备字典，d_i∈Rⁿ称之为D的原子，i＝1,2,…K，K是原子个数目或字典的列数；Q＝[q₁,q₂,…,q_i,…,q_M]∈R^K×M是鉴别矩阵，其中列向量表示q_i的第r个元素，鉴别矩阵由训练样本的类别标签和字典中原子的类别标签共同决定，当训练样本y_i与字典原子d_k于同一类时，q_i中第k个元素为1，否则为0；H＝[h₁,h₂,…,h_i,…,h_M]∈R^L×M，L是样本类别数，h_i是由0、1构成的向量，1的位置与样本类别相对应；A∈R^K×K为线性变换矩阵；W为线性变换矩阵，代表线性分类器的参数；X＝[x₁,x₂,…,x_i,…,x_M]∈R^K×M是稀疏编码矩阵，x_i∈R^K表示K维列向量，i＝1,2,…,K；是相关项比例权重系数；的含义是求矩阵的F‑范数；||·||₀的含义是向量中含有非零的个数；T为稀疏度；步骤3：初始化步骤2中的Q、H、T、K、α、β；步骤4：使用K‑SVD算法初始化字典D(0)，上标“0”表示字典D的初始化状态；步骤5：初始化样本Y的稀疏编码X(0)：步骤6：初始化线性变换矩阵A(0)：A(0)＝QX(0)T(X(0)X(0)T+λI)‑1               (0‑3)式中，I为单位矩阵，λ表示正则化参数，根据实际情况确定；步骤7：初始化线性分类器参数矩阵W(0)：W(0)＝HX(0)T(X(0)X(0)T+λ1I)‑1                (0‑4)其中：λ1表示正则化参数，根据实际情况确定；步骤8：用步骤3～7的参数初始化步骤2中LC‑KSVD字典学习模型：式中，并对字典的各列进行l₂范数归一化，使用初始化D_new；步骤9：使用K‑SVD算法计算得到字典Dnew的最优形式：步骤10：对步骤9中的字典D进行l2‑范数归一化，得到其归一化的形式D′；步骤11：对步骤9中的线性变换矩阵W进行l2‑范数归一化，得到其归一化的形式W′；步骤12：给定测试样本y，求其与归一化字典D′相对应的稀疏编码x：步骤13：判断测试样本所属类别：l＝W′x                         (0‑8)将向量l中最大元素对应的索引编号判为测试样本的类别标号，也就是该测试样本所属类别。