CN108133232B - 一种基于统计字典学习的雷达高分辨距离像目标识别方法 - Google Patents
一种基于统计字典学习的雷达高分辨距离像目标识别方法 Download PDFInfo
- Publication number
- CN108133232B CN108133232B CN201711350910.2A CN201711350910A CN108133232B CN 108133232 B CN108133232 B CN 108133232B CN 201711350910 A CN201711350910 A CN 201711350910A CN 108133232 B CN108133232 B CN 108133232B
- Authority
- CN
- China
- Prior art keywords
- dictionary
- matrix
- statistical
- sample
- sparse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 76
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 35
- 238000001228 spectrum Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 102100028524 Lysosomal protective protein Human genes 0.000 claims 2
- 101710162021 Lysosomal protective protein Proteins 0.000 claims 2
- 230000017105 transposition Effects 0.000 abstract 1
- 230000035945 sensitivity Effects 0.000 description 12
- 238000000605 extraction Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000009432 framing Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于统计字典学习的雷达高分辨距离像目标识别方法,包括获取T类目标连续的HRRP原始信号,并对其进行预处理;根据最大概率差值算法将父帧划分成两个子帧,获取初始化统计字典;在统计字典训练之前配置相关参数;训练得到最优字典和转置矩阵;对待测HRRP原始信号利用转置矩阵进行测试识别分类。本发明的方法尤其应用于低信噪比条件下的HRRP目标识别,相比单一的统计建模和字典学习方法具有更好的识别性能。
Description
技术领域
本发明涉及雷达技术,特别是涉及一种基于统计字典学习的雷达高分辨距离像目标识别方法。
背景技术
雷达自动目标识别技术是雷达信号处理的重要研究方向之一。高分辨距离像(HRRP)是用雷达信号获取的目标散射点子回波在雷达射线上投影的向量和的幅度波形。由于HRRP能够准确反映目标本身物理结构信息,所以被广泛应用于在气象、航空和目标识别等领域。
基于雷达高分辨距离像的目标识别属于模式识别理论与雷达领域交叉学科的研究范畴,因此雷达HRRP目标识别涉及的技术难点较多。目前国内外研究指出方位敏感性、平移敏感性和强度敏感性是雷达HRRP目标识别需要解决的首要三大问题。(1)强度敏感性:由于雷达有可能工作在雨雪等恶劣天气,从而导致雷达接收到同一目标的HRRP 在幅值上存在不同的尺度标准的问题。常用解决方法有l1、l2范数归一化(HRRP回波幅值压缩至0到1之间)和提取强度不变特征。(2)平移敏感性:由于大部分的待测目标处于运动状态,无法保证雷达目标回波在距离窗的相对位置,所以导致在截取信号过程中会出现平移敏感性。相关对齐方法、绝对对齐方法和提取平移不变特征是解决这一问题的常用方法。(3)方位敏感性:当目标相对雷达转动达到一定角度时,目标的散射点相对雷达视线发生距离和角度的移动进而发生散射越距离走动现象导致HRRP迅速变化。
其中在三大敏感性问题中方位敏感性解决难度最大,如何有效克服方位敏感性从而提取稳健目标特征成为雷达HRRP目标识别技术的关键。最初采用均匀分帧方法对 HRRP角域划分,提取帧内平均HRRP样本作为匹配模板进行识别。后来人们发现均匀分帧方法不能很好描述HRRP统计特征,因此一些相关研究采用角域自适应划分的方法以提高目标识别率,但是如何对目标角域合理分帧且提取稳健特征等问题仍未提出有效的解决方案。
发明内容
发明目的:为解决现有技术的不足,提供一种适用于低信噪比条件下的,相比单一的统计建模和字典学习方法具有更好的识别性能的基于统计字典学习的雷达高分辨距离像目标识别方法。
技术方案:本发明公开了一种基于统计字典学习的雷达高分辨距离像目标识别方法,包括以下步骤:
(1)获取T类目标连续的HRRP原始信号,并对其进行预处理;
(2)根据最大概率差值算法将父帧划分成两个子帧,获取初始化统计字典;
(3)在统计字典训练之前配置相关参数;
(4)训练得到最优字典和线性分类器;
(5)对待测HRRP原始信号利用线性分类器进行测试识别分类。
yj=[fj(1),fj(2),…,fj(m)] (2)。
进一步的,所述步骤(2)包括:
(21)计算父帧内类条件概率密度函数
根据PPCA模型,父帧内特征样本集Yi中第j个样本yj又可表示如下形式:
yj=Aix+μi+εi (3);
式中,Ai为父帧内特征样本集Yi中的投影矩阵;x为隐变量,服从高斯分布N(0,In);μi为父帧内特征样本集Yi平均向量;εi为噪声向量,服从N(0,σ2Im),所以第i类目标的父帧内类条件概率密度函数如下:
p(yj|Yi)=(2π)-n/2|(σi)2Im+AiA'i|-1/2exp[-1/2(yj-μi)'((σi)2Im+AiA'i)-1(yi-μi)] (4);
其中,σi为噪声向量幅值,Im为m维单位矩阵;
(22)将父帧划分成两个子帧
其中,为协方差矩阵的第k个特征值,(·)'表示矩阵的转置,和Λ(i,n)分别为前n个特征值对应的特征向量矩阵和特征值矩阵,In为n维单位矩阵,m为Im的维度;同时将父帧内特征样本集Yi中样本yj代入的类条件概率密度函数得到概率值其样本总数为Ni;然后将概率值代入最大概率差值算法:
通过变量k更新帧界限θ和记录帧界限θ所对应的功率谱特征,从而将父帧划分成两个子帧;
借助贝叶斯公式计算后验概率:
(24)获取初始化统计字典D0
进一步的,所述步骤(3)包括以下步骤:
(33)根据Ytrain和D0所属目标类别,首先定义鉴别稀疏编码矩阵Q,其中元素qij位于Q矩阵中第i行第j列,且qij=1表示字典中第i个原子和训练样本中第j个样本属于同一类别;其次定义类标签H,其中元素hij位于H矩阵中第i行第j列,且hij=1意味训练样本中第j个样本属于第i类目标。
进一步的,所述步骤(4)包括以下步骤:
(41)采用原子稀疏相似误差优化判别算法,约束字典学习的目标函数
式中,Y为输入信号,这里选择Ytrain为输入信号,即Y=Ytrain;D=[dj]j∈[1,K]∈Rm×K为过完备字典,D中各个列向量dj称为字典原子;X=[xj]j∈[1,K]∈RK×N为稀疏编码矩阵,由各个行向量xj构成;Q∈RN×K为判别稀疏编码矩阵;A为线性转换矩阵,定义线性变换g(A,x)=Ax;H∈RT×K为类标签;W为线性分类器,定义线性变换f(W,x)=Wx;L为稀疏系数向量的稀疏度;E为全1矩阵;M为Θ经字典D线性表示的稀疏编码的转置,简称转置矩阵,即Θ=DM';为重构误差,为识别稀疏误差,为分类误差,为原子稀疏相似误差,α,β,γ分别为相应误差项的权重;作用是约束样本稀疏系数尽可能与Θ的稀疏系数相似,MX本质是Θ的稀疏编码同样本稀疏编码的内积,MX越接近E,样本越与字典匹配;
为了求解式(11)中的目标函数,运用OMP算法可得 X0=OMP(D0,Y,L),M0=OMP(D0,Θ,L)',运用多元脊回归模型可得 A0=(XX'-λ1I)-1XQ',W0=(XX'-λ2I)-1XH',一般取λ1=λ2=1。并且目标函数可转化成K-SVD求解过程:
(42)训练得到最优字典和线性分类器。
更进一步的,所述步骤(42)包括以下步骤:
Step3:按列更新字典阶段:
更新第k次稀疏系数矩阵中第j行向量x(k),j:x(k),j=Σ(1,1)V(:,1);
Step4:令k=k+1,若k>K,训练结束,输出字典Dnew和转置矩阵Mnew;否则返回 Step2继续循环;
Step5:通过K-SVD算法更新得到Dnew其任意一列j具有其中dj、aj、wj和mj分别为D、A、W和M的第 j列向量,(·)'表示矩阵的转置;所以D,W,A,M不能直接进行测试,须将其分别转换成 转换公式如下:
进一步的,所述步骤(5)包括以下步骤:
(51)对雷达高分辨距离像测试样本stest进行l2范数归一化后按照公式(18)求取功率谱特征的预处理,如式(19)得到预处理后的测试特征样本ytest:
ytest=[ftest(1),ftest(2),…,ftest(m)] (19);
有益效果:与现有技术相比,本发明的基于统计字典学习的雷达高分辨距离像目标识别方法具有以下优点:
(1)将传统的统计建模算法中可有效解决HRRP姿态敏感性问题的优点融入字典学习模型,获取了更适用于雷达HRRP目标识别的线性分类器,从而实现对低信噪比信号的准确识别。
(2)本发明方法在短时间内同时完成对稳健特征的提取和分类器的设计,相比传统的目标识别方法先特征提取后分类器设计,既大大缩短了训练阶段的时间,也提高了特征的可分性,从而在线性分类器中达到了较好的分类效果。
(3)本发明的方法,尤其应用于低信噪比条件下的HRRP目标识别,相比单一的统计建模和字典学***均提高3个百分点,相比其他字典学***均提高2个百分点。
附图说明
图1是本发明方法的流程图;
图2是不同姿态和信噪比条件下的归一化HRRP信号和功率谱特征比较示意图,经噪声污染的归一化HRRP信号平均向量和帧内最大相似像比较示意图;
图3是基于最大概率差值算法的概率差值图;
图4是基于最大概率差值算法的概率分布图;
图5是不同信噪比下各方法识别率对比图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明,以使本发明的目的、技术方案及优点更加清楚明确。
本发明提出了一种基于统计字典学***移敏感性;接着,在字典学习基础上,引入原子稀疏相似误差优化判别准则来训练得到最优字典和转置矩阵。通过以上优化设计,使其在统计字典的学习过程中能够同时完成对样本的稳健特征提取和分类器设计,较传统的先提取特征后设计分类器的目标识别方法缩减了大量训练时间,提高了识别性能和对噪声的鲁棒性。
本发明提出的基于统计字典学习的雷达高分辨距离像目标识别方法,总流程图如图 1所示。图2中(a)和(b)分别画出了目标在不同方位角下的经归一化处理的HRRP 回波数据,对比两图发现同一目标在不同方位下HRRP峰值出现位置明显发生改变,因此如何合理对目标角域进行划分,是本发明要解决的问题之一。图2中(b)所示信号经严重噪声污染后如图2中(c)所示,图2中(d)描述了图2中(b)中HRRP信号求取功率谱特征,发现功率谱特征对噪声有一定的稳健性。基于此,本发明采用功率谱特征作为统计字典的初始化原子,通过对统计字典的优化提取稳健性更好的特征。
如图1所示,本发明的基于统计字典学习的雷达高分辨距离像目标识别方法,分为初始化字典、字典训练和测试阶段。训练阶段首先采用基于PPCA模型的最大概率差值原则自适应划分目标角域以获取帧界限对应功率谱特征,将这些特征组成初始化统计字典。其次引入原子稀疏相似误差优化判别准则,使得在统计字典学习的同时,生成一个基于原子稀疏相似系数的线性分类器。测试阶段直接求得待测样本基于统计字典的稀疏系数,随后将稀疏系数代入分类器进行目标识别。具体包括以下步骤:
初始化字典阶段:
(1)获取T类目标连续的HRRP原始信号,并对其进行预处理
雷达连续依次接收T类目标的雷达高分辨率距离像数据(HRRP原始信号),并有序的对第i类目标连续多个HRRP原始信号Si=[s1,s2,…,sN]作l2范数归一化后求取功率谱特征的预处理,功率谱特征计算公式为:
选取功率谱前一半特征作为父帧内特征样本集Yi=[y1,y2,…,yNi],其中i=1,…,T。即,父帧内特征样本集Yi中第j个样本yj可表示为:
yj=[fj(1),fj(2),…,fj(m)] (2)。
(2)根据最大概率差值算法将父帧划分成两个子帧,获取初始化统计字典
(21)计算父帧内类条件概率密度函数
根据PPCA模型,父帧内特征样本集Yi中第j个样本yj又可表示如下形式:
yj=Aix+μi+εi (3);
式中,Ai为父帧内特征样本集Yi中的投影矩阵;x为隐变量,服从高斯分布N(0,In),;μi为父帧内特征样本集Yi平均向量;εi为噪声向量,服从N(0,σ2Im)。所以第i类目标的父帧内类条件概率密度函数如下:
p(yj|Yi)=(2π)-n/2|(σi)2Im+AiA'i|-1/2exp[-1/2(yj-μi)'((σi)2Im+AiA'i)-1(yi-μi)] (4);
其中,σi为噪声向量幅值,Im为m维单位矩阵。
(22)将父帧划分成两个子帧
其中,为协方差矩阵的第k个特征值,(·)'表示矩阵的转置,和Λ(i,n)分别为前n个特征值对应的特征向量矩阵和特征值矩阵,In为n维单位矩阵,m为Im的维度。同时将父帧内特征样本集Yi(样本总数为Ni)中样本yj代入的类条件概率密度函数得到概率值然后将概率值代入最大概率差值算法:
通过变量k更新帧界限θ和记录帧界限θ所对应的功率谱特征,从而将父帧划分成两个子帧。
借助贝叶斯公式计算后验概率:
假设先验概率推导出结合图3和图4可知,针对帧界线前半段,前k个样本平均类条件概率逐渐大于帧内平均类条件概率即前k个样本平均后验概率随k增大;针对帧界线后半段,前k个样本平均类条件概率逐渐小于帧内平均类条件概率即前k个样本平均后验概率随k减小,其意味帧界线θ左右目标姿态变化明显,因而式(8)能找到帧界线实现角域划分。
(3)获取初始化统计字典D0
训练阶段:
(1)在统计字典训练之前做好相关参数配置
(13)根据Ytrain和D0所属目标类别,首先定义鉴别稀疏编码矩阵Q,其中元素qij位于Q矩阵中第i行第j列,且qij=1表示字典中第i个原子和训练样本中第j个样本属于同一类别;其次定义类标签H,其中元素hij位于H矩阵中第i行第j列,且hij=1意味训练样本中第j个样本属于第i类目标。
(2)训练得到最优字典和线性分类器
(21)采用原子稀疏相似误差优化判别算法,约束字典学习的目标函数
式中,Y为输入信号,这里选择Ytrain为输入信号,即Y=Ytrain;D=[dj]j∈[1,K]∈Rm×K为过完备字典,D中各个列向量dj称为字典原子;X=[xj]j∈[1,K]∈RK×N为稀疏编码矩阵,由各个行向量xj构成;Q∈RN×K为判别稀疏编码矩阵;A为线性转换矩阵,定义线性变换g(A,x)=Ax;H为类标签;W为线性分类器,定义线性变换f(W,x)=Wx;L为稀疏系数向量的稀疏度;E为全1矩阵;M为Θ经字典D线性表示的稀疏编码的转置,简称转置矩阵,即Θ=DM'。为重构误差,为识别稀疏误差,为分类误差,为原子稀疏相似误差,α,β,γ分别为相应误差项的权重。作用是约束样本稀疏系数尽可能与Θ的稀疏系数相似。MX本质是Θ的稀疏编码同样本稀疏编码的内积,MX越接近E,样本越与字典匹配。
为了求解式(11)中的目标函数,运用OMP算法可得 X0=OMP(D0,Y,L),M0=OMP(D0,Θ,L)',运用多元脊回归模型可得 A0=(XX'-λ1I)-1XQ',W0=(XX'-λ2I)-1XH',一般取λ1=λ2=1。并且目标函数可转化成K-SVD求解过程:
(22)训练得到最优字典和线性分类器
基于此,给出式(13)的字典训练步骤:
Step3:按列更新字典阶段:
更新第k次稀疏系数矩阵中第j行向量x(k),j:x(k),j=Σ(1,1)V(:,1);
Step4:令k=k+1,若k>K,训练结束,输出字典Dnew和转置矩阵Mnew;否则返回 Step2继续循环。
Step5:通过K-SVD算法更新得到Dnew其任意一列j具有,其中dj、aj、wj和mj分别为D、A、W和M的第j 列向量,(·)'表示矩阵的转置。所以D,W,A,M不能直接进行测试,须将其分别转换成 转换公式如下:
测试阶段:
(1)对雷达高分辨距离像测试样本stest进行l2范数归一化后按照公式(18)求取功率谱特征的预处理,如式(19)得到预处理后的测试特征样本ytest:
ytest=[ftest(1),ftest(2),…,ftest(m)] (19)。
本实验使用某ISAR实验雷达实测的三类飞机数据:安-26、奖状、雅克-42,每段训练样本数为1300个,即在数据段中随机抽取1300个HRRP时域样本,先将时域HRRP 数据预处理后再进行统计字典训练,数据段未抽取后剩下的HRRP样本(总数是26000 个)作为测试样本。表1给出本发明所处理的飞机HRRP识别率。
表1三种飞机识别率
Claims (1)
1.一种基于统计字典学习的雷达高分辨距离像目标识别方法,其特征在于,包括以下步骤:
(1)获取T类目标连续的HRRP原始信号,并对其进行预处理;具体为:
yj=[fj(1),fj(2),…,fj(m)] (2);
(2)根据最大概率差值算法将父帧划分成两个子帧,获取初始化统计字典;具体包括:
(21)计算父帧内类条件概率密度函数
根据PPCA模型,父帧内特征样本集Yi中第j个样本yj又表示如下形式:
yj=Aix+μi+εi (3);
式中,Ai为父帧内特征样本集Yi中的投影矩阵;x为隐变量,服从高斯分布N(0,In),In为n维单位矩阵;μi为父帧内特征样本集Yi平均向量;εi为噪声向量,服从N(0,σ2Im),所以第i类目标的父帧内类条件概率密度函数如下:
p(yj|Yi)=(2π)-n/2|(σi)2Im+AiA'i|-1/2exp[-1/2(yj-μi)'((σi)2Im+AiA'i)-1(yi-μi)] (4);
其中,σi为噪声向量幅值,Im为m维单位矩阵;
(22)将父帧划分成两个子帧
其中,为协方差矩阵的第k个特征值,(·)'表示矩阵的转置,和Λ(i,n)分别为前n个特征值对应的特征向量矩阵和特征值矩阵,同时将父帧内特征样本集Yi中样本yj代入的类条件概率密度函数得到概率值然后将概率值代入最大概率差值算法:
通过变量k更新帧界限θ和记录帧界限θ所对应的功率谱特征,从而将父帧划分成两个子帧;
借助贝叶斯公式计算后验概率:
(24)获取初始化统计字典D0
(3)在统计字典训练之前配置相关参数;包括以下步骤:
(33)根据Ytrain和D0所属目标类别,首先定义鉴别稀疏编码矩阵Q,其中元素qij位于Q矩阵中第i行第j列,且qij=1表示字典中第i个原子和训练样本中第j个样本属于同一类别;其次定义类标签H,其中元素hij位于H矩阵中第i行第j列,且hij=1意味训练样本中第j个样本属于第i类目标;
(4)训练得到最优字典和线性分类器;包括以下步骤:
(41)采用原子稀疏相似误差优化判别算法,约束字典学习的目标函数
式中,Y为输入信号,这里选择Ytrain为输入信号,即Y=Ytrain;D=[dj]j∈[1,K]∈Rm×K为过完备字典,D中各个列向量dj称为字典原子;X=[xj]j∈[1,K]∈RK×N为稀疏编码矩阵,由各个行向量xj构成;Q∈RN×K为判别稀疏编码矩阵;A为线性转换矩阵,定义线性变换g(A,x)=Ax;H∈RT×K为类标签;W为线性分类器,定义线性变换f(W,x)=Wx;L为稀疏系数向量的稀疏度;E为全1矩阵;M为Θ经字典D线性表示的稀疏编码的转置,简称转置矩阵,即Θ=DM';为重构误差,为识别稀疏误差,为分类误差,为原子稀疏相似误差,α,β,γ分别为相应误差项的权重;作用是约束样本稀疏系数尽可能与Θ的稀疏系数相似,MX本质是Θ的稀疏编码同样本稀疏编码的内积,MX越接近E,样本越与字典匹配;
为了求解式(11)中的目标函数,运用OMP算法可得X0=OMP(D0,Y,L),M0=OMP(D0,Θ,L)',运用多元脊回归模型可得A0=(XX'-λ1I)-1XQ',W0=(XX'-λ2I)-1XH',取λ1=λ2=1,并且目标函数转化成K-SVD求解过程:
(42)训练得到最优字典和线性分类器;包括以下步骤:
Step3:按列更新字典阶段:
更新第k次稀疏系数矩阵中第j行向量x(k),j:x(k),j=Σ(1,1)V(:,1);
Step4:令k=k+1,若k>K,训练结束,输出字典Dnew和转置矩阵Mnew;否则返回Step2继续循环;
Step5:通过K-SVD算法更新得到Dnew其任意一列j具有其中dj、aj、wj和mj分别为D、A、W和M的第j列向量,(·)'表示矩阵的转置,所以D,W,A,M不能直接进行测试,须将其分别转换成转换公式如下:
(5)对待测HRRP原始信号利用线性分类器进行测试识别分类;包括以下步骤:
(51)对雷达高分辨距离像测试样本stest进行l2范数归一化后按照公式(18)求取功率谱特征的预处理,如式(19)得到预处理后的测试特征样本ytest:
ytest=[ftest(1),ftest(2),…,ftest(m)] (19);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711350910.2A CN108133232B (zh) | 2017-12-15 | 2017-12-15 | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711350910.2A CN108133232B (zh) | 2017-12-15 | 2017-12-15 | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108133232A CN108133232A (zh) | 2018-06-08 |
CN108133232B true CN108133232B (zh) | 2021-09-17 |
Family
ID=62390368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711350910.2A Active CN108133232B (zh) | 2017-12-15 | 2017-12-15 | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108133232B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615576B (zh) * | 2018-06-28 | 2023-07-21 | 北京元点未来科技有限公司 | 基于级联回归基学习的单帧图像超分辨重建方法 |
CN109343043B (zh) * | 2018-07-26 | 2022-07-26 | 南京航空航天大学 | 一种基于选择主成分分析的雷达hrrp目标识别方法 |
CN109190693B (zh) * | 2018-08-27 | 2022-03-22 | 西安电子科技大学 | 基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法 |
CN109212501B (zh) * | 2018-08-29 | 2020-11-06 | 杭州电子科技大学 | 基于局部嵌入的雷达高分辨距离像目标识别方法 |
CN109239670B (zh) * | 2018-08-29 | 2020-08-04 | 杭州电子科技大学 | 基于结构嵌入和深度神经网络的雷达hrrp识别方法 |
CN109214452B (zh) * | 2018-08-29 | 2020-06-23 | 杭州电子科技大学 | 基于注意深度双向循环神经网络的hrrp目标识别方法 |
CN109375205B (zh) * | 2018-09-28 | 2020-11-03 | 清华大学 | 基于字典学习的多种类无人机场景识别方法及装置 |
CN109784399A (zh) * | 2019-01-11 | 2019-05-21 | 中国人民解放军海军航空大学 | 基于改进字典学习的多源图像目标关联方法 |
CN110007286B (zh) * | 2019-04-22 | 2022-05-24 | 电子科技大学 | 一种线性判别学习真假目标一维距离像特征提取方法 |
CN110135280B (zh) * | 2019-04-24 | 2020-11-17 | 电子科技大学 | 一种基于稀疏表征分类的多视图sar自动目标识别方法 |
CN110632566A (zh) * | 2019-08-31 | 2019-12-31 | 南京理工大学 | 基于稀疏表示的无线电引信抗箔条干扰方法 |
CN111505632B (zh) * | 2020-06-08 | 2023-03-03 | 北京富奥星电子技术有限公司 | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 |
CN111985534A (zh) * | 2020-07-17 | 2020-11-24 | 东南大学 | 基于字典学习与lssvm的电压暂降源辨识方法 |
CN112526461B (zh) * | 2020-12-14 | 2023-09-15 | 北京遥感设备研究所 | 一种空间相关杂波抑制的雷达信号检测方法 |
CN113156416B (zh) * | 2021-05-17 | 2022-05-17 | 电子科技大学 | 一种基于多重核字典学习的未知目标判别方法 |
CN113267757B (zh) * | 2021-05-17 | 2022-03-08 | 电子科技大学 | 一种基于k次奇异值分解字典学习的未知目标判别方法 |
CN113759356B (zh) * | 2021-09-02 | 2023-10-20 | 中国人民解放军海军航空大学 | 基于角域特征优化的雷达目标hrrp识别方法 |
CN114093026A (zh) * | 2021-11-17 | 2022-02-25 | 清华大学 | 基于毫米波合成孔径雷达成像的静态手势识别方法及装置 |
CN116955444A (zh) * | 2023-06-15 | 2023-10-27 | 共享易付(广州)网络科技有限公司 | 基于大数据分析的采集噪声点挖掘方法及*** |
CN117723514B (zh) * | 2024-02-07 | 2024-05-17 | 山西品东智能控制有限公司 | 基于钠光源和智能算法的多指标煤质分析仪及检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101598783B (zh) * | 2009-07-08 | 2012-06-27 | 西安电子科技大学 | 基于ppca模型的强噪声背景下雷达距离像统计识别方法 |
CN104408478B (zh) * | 2014-11-14 | 2017-07-25 | 西安电子科技大学 | 一种基于分层稀疏判别特征学习的高光谱图像分类方法 |
CN104899549A (zh) * | 2015-04-17 | 2015-09-09 | 重庆大学 | 基于距离像时频图鉴别字典学习的sar目标识别方法 |
CN105095863B (zh) * | 2015-07-14 | 2018-05-25 | 西安电子科技大学 | 基于相似性权值的半监督字典学习的人体行为识别方法 |
CN106054155B (zh) * | 2016-06-03 | 2018-08-10 | 西安电子科技大学 | 基于卷积因子分析模型的雷达高分辨距离像目标识别方法 |
CN106443632B (zh) * | 2016-12-01 | 2018-11-16 | 西安电子科技大学 | 基于标签保持多任务因子分析模型的雷达目标识别方法 |
-
2017
- 2017-12-15 CN CN201711350910.2A patent/CN108133232B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108133232A (zh) | 2018-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133232B (zh) | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 | |
Pan et al. | Radar HRRP target recognition model based on a stacked CNN–Bi-RNN with attention mechanism | |
CN104459668B (zh) | 基于深度学习网络的雷达目标识别方法 | |
CN106054155B (zh) | 基于卷积因子分析模型的雷达高分辨距离像目标识别方法 | |
CN105956611B (zh) | 基于鉴别非线性字典学习的sar图像目标识别方法 | |
WO2016091017A1 (zh) | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 | |
CN107085206B (zh) | 一种基于自适应稀疏保持投影的一维距离像识别方法 | |
CN101908138B (zh) | 基于噪声独立成分分析的合成孔径雷达图像目标识别方法 | |
CN104281855B (zh) | 基于多任务低秩的高光谱图像分类方法 | |
CN107194329B (zh) | 一种基于自适应局部稀疏保持投影的一维距离像识别方法 | |
CN106886760B (zh) | 一种基于空谱信息结合的高光谱舰船检测方法 | |
CN105913081B (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN107133648B (zh) | 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 | |
CN106778837B (zh) | 基于多线性主成分分析和张量分析的sar图像目标识别方法 | |
CN109359525B (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
CN108734199B (zh) | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 | |
CN106443632B (zh) | 基于标签保持多任务因子分析模型的雷达目标识别方法 | |
CN110516525B (zh) | 基于gan和svm的sar图像目标识别方法 | |
CN112990334A (zh) | 基于改进原型网络的小样本sar图像目标识别方法 | |
CN113109780B (zh) | 基于复数密集连接神经网络的高分辨距离像目标识别方法 | |
CN107219510B (zh) | 基于无限最大间隔线性判别投影模型的雷达目标识别方法 | |
CN108734115B (zh) | 一种基于标签一致字典学习的雷达目标识别方法 | |
CN112782695A (zh) | 基于isar图像和参数优化的卫星姿态和尺寸估计方法 | |
CN112836671A (zh) | 一种基于最大化比率和线性判别分析的数据降维方法 | |
CN106951822B (zh) | 一种基于多尺度稀疏保持投影一维距离像融合识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |