CN113267757B - 一种基于k次奇异值分解字典学习的未知目标判别方法 - Google Patents
一种基于k次奇异值分解字典学习的未知目标判别方法 Download PDFInfo
- Publication number
- CN113267757B CN113267757B CN202110532918.0A CN202110532918A CN113267757B CN 113267757 B CN113267757 B CN 113267757B CN 202110532918 A CN202110532918 A CN 202110532918A CN 113267757 B CN113267757 B CN 113267757B
- Authority
- CN
- China
- Prior art keywords
- target
- dictionary
- dimensional range
- range profile
- matrix
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- 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
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于目标识别技术领域,具体的说是涉及一种基于K次奇异值分解字典学习的未知目标判别方法。本发明首先利用K次奇异值分解方法对训练一维距离像样本集进行字典学习获取过完备字典,然后基于过完备字典通过稀疏表示得到重构误差,实现对未知目标的判别。由于稀疏表示有效描述了一维距离像的稀疏性,而K次奇异值分解字典学习算法能够增强字典原子对目标一维距离像的重构能力,从而提高未知目标判别性能。
Description
技术领域
本发明属于目标识别技术领域,具体的说是涉及一种基于K次奇异值分解字典学习的未知目标判别方法。
背景技术
一维距离像是目标散射点在每个距离单元上返回的回波信号相干总和,提供了目标散射点沿距离方向的分布信息以及目标的结构信息,有利于雷达目标的分类识别。常规的雷达目标一维距离像识别方法需要需要预先获取目标数据,进行训练建立模板库,才能实现正确识别。但是,在实际应用中,有些目标的数据无法事先获取,导致这些目标不能参与训练,从而被错误识别为已知目标。因此,在识别之前有必要对未知目标进行判别。
目前,雷达未知目标判别主要分为基于数据生成的判别法和门限判别法。基于数据生成的判别方法通过统计模型生成数据,利用两类判别方法对目标进行判别,但生成数据与实测数据存在偏差,不能满足实际需求。基于门限的判别法通过算法提取目标特征构造判别门限实现对目标的判别,例如特征子空间法、支持向量数据域描述、神经网络等。其中,特征子空间法通过投影得到的子像进行识别,支持向量数据域描述方法作为单分类算法需要对多个参数进行寻优,神经网络方法需要大量数据用于训练网络且训练参数多,而且这些方法需要大量数据进行训练,但是实际应用中获取的样本数据有限,导致现有方法的识别性能下降。因此,现有方法有进一步改进的余地。
发明内容
针对上述问题,本发明提出了一种基于K次奇异值分解字典学习的未知目标判别方法。该方法通过K次奇异值分解字典学习算法获取过完备字典,再基于该字典计算待识别目标一维距离像的稀疏重构误差,实现对未知目标的判别。由于稀疏表示有效描述了一维距离像的稀疏性,而K次奇异值分解字典学习算法能够增强字典原子对目标一维距离像的重构能力,从而改善判别性能。
本发明的技术方案是:
一种基于K次奇异值分解字典学习的未知目标判别方法,包括以下步骤:
S1、设已知目标一维距离像训练样本集Y为:
Y=[y1,y2,...,yN]
其中,yi是第i个m维的训练一维距离像样本,N为训练样本的个数;
利用过完备字典D对训练样本集Y进行稀疏表示:
Y=DX
D=[d1,d2,...,dK]
其中,dk表示字典D的第k个原子,k=1,2,…K,K为字典原子个数,X是K×N维的稀疏矩阵:
X=[x1,x2,...,xN]
其中,xi表示yi对应的稀疏向量;
S2、基于K次奇异值分解字典学习获取过完备字典,具体方法包括:
S21、输入:已知目标训练集Y,初始字典D,稀疏度T,并预设迭代次数为t,同时令参数q=1;
S22、稀疏表示:使用OMP(正交匹配追踪)算法计算Y=DX中的稀疏矩阵X;
S23、字典更新:逐个更新字典原子dk,k=1,2,...,K,具体包括:
S232、由xk中非零元素的索引组成索引向量:
wk={i|1≤i≤N,xk(i)≠0}
其中,xk(i)表示xk中第i个元素,由wk(k=1,2,…K)组成索引矩阵Ωk,Ωk中第wk(p)行第p列的元素值为1,p=1,2,…|wk|,其它元素值为0,|wk|为wk中元素的个数;
S235、更新字典原子:dk=u1;
S24、令q=q+1,若q>t,停止迭代,获得过完备字典D,否则回到步骤S22;
S3、设已知目标一维距离像验证集为Yv=[yv,1,yv,2,...,yv,L],其中,yv,l表示第l个验证一维距离像,L表示验证一维距离像的个数,利用获得的过完备字典D对yv,l进行稀疏表示,获得稀疏向量xv,l,则重构误差为:
ev,l=||yv,l-Dxv,l||2l=1,2,...,L
其中,||·||2表示2阶范数,ev,l为yv,l对应的稀疏重构误差,由验证集中的一维距离像的重构误差组成误差序列ev,1、ev,2、…ev,L,则判别门限τ为:
τ=min(ev,1,ev,2,…ev,L)+γ[max(ev,1,ev,2,…ev,L)-min(ev,1,ev,2,…ev,L)]
0≤γ≤1
其中,γ为系数,max(·)和min(·)分别取稀疏重构误差序列中的最大值和最小值;
S4、利用过完备字典D对待识别目标的一维距离像进行稀疏表示得到重构误差,与判别门限进行比较确定判别结果;设待识别目标一维距离像数据集为Yt=[yt,1,yt,2,...,yt,M],其中yt,h为第h个测试一维距离像样本,M表示测试一维距离像的个数,通过OMP算法计算稀疏向量xt,h,h=1,2,…M,计算待识别目标一维距离像yt,h在过完备字典D上的稀疏重构误差为:
et,h=||yt,h-Dxt,h||2
将重构误差et,h与判别门限τ进行比较,若待识别目标一维距离像的重构误差et,h小于判别门限τ,则被判别为已知目标,反之,则被判别为未知目标。
本发明的有益效果是:K次奇异值分解字典学习算法能够增强字典原子对目标一维距离像的重构能力,从而提高未知目标判别性能。
具体实施方式
下面结合仿真实验说明本发明的实用性。
仿真实验使用的数据是通过电磁仿真计算软件获取的五类飞机的一维距离像数据,五类飞机分别为Ah64、An26、F15、B1B、B52。其中,雷达载频为6GHz,带宽为400MHz。每类飞机的俯仰角为3°,方位角范围为0°-180°,每隔0.1°采集一幅一维距离像像,每类飞机均有1801幅一维距离像,每幅一维距离像包括320个距离单元。
以0.2°为间隔选取每类已知目标在方位角0°-60°范围内的300个一维距离像数据组成训练目标集,其余的一维距离像样本作为验证目标集,每类未知目标以相同的间隔选取与已知目标相同方位角范围内的一维距离像数据作为测试目标集。对以上三个数据集进行幅度归一化。
K次奇异值分解字典学习过程初始化字典原子数K=400,稀疏向量稀疏度T=20,设置系数γ=0.15。
选取两类飞机作为已知目标,其余三类飞机作为未知目标,利用K次奇异值分解字典学***均正确判别率,从而验证了本方法的有效性。
Claims (1)
1.一种基于K次奇异值分解字典学习的未知目标判别方法,其特征在于,包括以下步骤:
S1、设已知目标一维距离像训练样本集Y为:
Y=[y1,y2,...,yN]
其中,yi是第i个m维的训练一维距离像样本,N为训练样本的个数;
利用过完备字典D对训练样本集Y进行稀疏表示:
Y=DX
D=[d1,d2,...,dK]
其中,dk表示字典D的第k个原子,k=1,2,…K,K为字典原子个数,X是K×N维的稀疏矩阵:
X=[x1,x2,...,xN]
其中,xi表示yi对应的稀疏向量;
S2、基于K次奇异值分解字典学习获取过完备字典,具体方法包括:
S21、已知目标训练集Y,初始字典D,稀疏度T,并预设迭代次数为t,同时令参数q=1;
S22、使用OMP(正交匹配追踪)算法计算Y=DX中的稀疏矩阵X;
S23、逐个更新字典原子dk,k=1,2,...,K,具体包括:
S232、由xk中非零元素的索引组成索引向量:
wk={i|1≤i≤N,xk(i)≠0}
其中,xk(i)表示xk中第i个元素,由wk(k=1,2,…K)组成索引矩阵Ωk,Ωk中第wk(p)行第p列的元素值为1,p=1,2,…|wk|,其它元素值为0,|wk|为wk中元素的个数;
S235、更新字典原子:dk=u1;
S24、令q=q+1,若q>t,停止迭代,获得过完备字典D,否则回到步骤S22;
S3、设已知目标一维距离像验证集为Yv=[yv,1,yv,2,...,yv,L],其中,yv,l表示第l个验证一维距离像,L表示验证一维距离像的个数,利用获得的过完备字典D对yv,l进行稀疏表示,获得稀疏向量xv,l,则重构误差为:
ev,l=||yv,l-Dxv,l||2 l=1,2,...,L
其中,||·||2表示2阶范数,ev,l为yv,l对应的稀疏重构误差,由验证集中的一维距离像的重构误差组成误差序列ev,1、ev,2、…ev,L,则判别门限τ为:
τ=min(ev,1,ev,2,…ev,L)+γ[max(ev,1,ev,2,…ev,L)-min(ev,1,ev,2,…ev,L)]
0≤γ≤1
其中,γ为系数,max(·)和min(·)分别取稀疏重构误差序列中的最大值和最小值;
S4、利用过完备字典D对待识别目标的一维距离像进行稀疏表示得到重构误差,与判别门限进行比较确定判别结果;设待识别目标一维距离像数据集为Yt=[yt,1,yt,2,...,yt,M],其中yt,h为第h个测试一维距离像样本,M表示测试一维距离像的个数,通过OMP算法计算稀疏向量xt,h,h=1,2,…M,计算待识别目标一维距离像yt,h在过完备字典D上的稀疏重构误差为:
et,h=||yt,h-Dxt,h||2
将重构误差et,h与判别门限τ进行比较,若待识别目标一维距离像的重构误差et,h小于判别门限τ,则被判别为已知目标,反之,则被判别为未知目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532918.0A CN113267757B (zh) | 2021-05-17 | 2021-05-17 | 一种基于k次奇异值分解字典学习的未知目标判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532918.0A CN113267757B (zh) | 2021-05-17 | 2021-05-17 | 一种基于k次奇异值分解字典学习的未知目标判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113267757A CN113267757A (zh) | 2021-08-17 |
CN113267757B true CN113267757B (zh) | 2022-03-08 |
Family
ID=77231130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110532918.0A Active CN113267757B (zh) | 2021-05-17 | 2021-05-17 | 一种基于k次奇异值分解字典学习的未知目标判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113267757B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156875A (zh) * | 2011-03-25 | 2011-08-17 | 西安电子科技大学 | 基于多任务ksvd字典学习的图像超分辨率重构方法 |
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 |
CN105956611A (zh) * | 2016-04-25 | 2016-09-21 | 西安电子科技大学 | 基于鉴别非线性字典学习的sar图像目标识别方法 |
CN108133232A (zh) * | 2017-12-15 | 2018-06-08 | 南京航空航天大学 | 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 |
EP3339884A1 (en) * | 2016-12-21 | 2018-06-27 | Airbus Defence and Space GmbH | A method and apparatus for identifying a target |
CN108734115A (zh) * | 2018-05-03 | 2018-11-02 | 电子科技大学 | 一种基于标签一致字典学习的雷达目标识别方法 |
CN109212501A (zh) * | 2018-08-29 | 2019-01-15 | 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 |
CN109490840A (zh) * | 2018-11-22 | 2019-03-19 | 中国人民解放军海军航空大学 | 基于改进稀疏自编码模型的雷达目标hrrp的降噪和重构方法 |
CN110221267A (zh) * | 2019-06-17 | 2019-09-10 | 电子科技大学 | 一种目标库属性判别邻域保持学习子空间特征提取方法 |
CN112163615A (zh) * | 2020-09-25 | 2021-01-01 | 电子科技大学 | 一种基于门限优化字典学习的未知目标判别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931179B (zh) * | 2016-04-08 | 2018-10-26 | 武汉大学 | 一种联合稀疏表示与深度学习的图像超分辨率方法及*** |
-
2021
- 2021-05-17 CN CN202110532918.0A patent/CN113267757B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156875A (zh) * | 2011-03-25 | 2011-08-17 | 西安电子科技大学 | 基于多任务ksvd字典学习的图像超分辨率重构方法 |
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 |
CN105956611A (zh) * | 2016-04-25 | 2016-09-21 | 西安电子科技大学 | 基于鉴别非线性字典学习的sar图像目标识别方法 |
EP3339884A1 (en) * | 2016-12-21 | 2018-06-27 | Airbus Defence and Space GmbH | A method and apparatus for identifying a target |
CN108133232A (zh) * | 2017-12-15 | 2018-06-08 | 南京航空航天大学 | 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 |
CN108734115A (zh) * | 2018-05-03 | 2018-11-02 | 电子科技大学 | 一种基于标签一致字典学习的雷达目标识别方法 |
CN109212501A (zh) * | 2018-08-29 | 2019-01-15 | 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 |
CN109490840A (zh) * | 2018-11-22 | 2019-03-19 | 中国人民解放军海军航空大学 | 基于改进稀疏自编码模型的雷达目标hrrp的降噪和重构方法 |
CN110221267A (zh) * | 2019-06-17 | 2019-09-10 | 电子科技大学 | 一种目标库属性判别邻域保持学习子空间特征提取方法 |
CN112163615A (zh) * | 2020-09-25 | 2021-01-01 | 电子科技大学 | 一种基于门限优化字典学习的未知目标判别方法 |
Non-Patent Citations (6)
Title |
---|
An Efficient K-SVD Algorithm of Dictionary Learning for HRRP Targets Recognition;Chen, K等;《PROCEEDINGS OF THE 2016 5TH INTERNATIONAL CONFERENCE ON MEASUREMENT, INSTRUMENTATION AND AUTOMATION (ICMIA 2016)》;20161231;第138卷;全文 * |
Radar HRRP target recognition based on Coherence Reduced Stagewise K-SVD;Caiyun Wang等;《2014 XXXIth URSI General Assembly and Scientific Symposium (URSI GASS)》;20141020;全文 * |
Radar target HRRP recognition based on reconstructive and discriminative dictionary learning;Zhou, DY;《SIGNAL PROCESSING》;20160930;第126卷;全文 * |
利用稳健字典学习的雷达高分辨距离像目标识别算法;冯博等;《电子与信息学报》;20150630;第37卷(第6期);全文 * |
基于字典学习的雷达高分辨距离像目标识别;冯博等;《电波科学学报》;20121031;第27卷(第5期);全文 * |
雷达目标一维像识别中的自适应特征子空间法;周代英等;《计算机应用》;20071231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113267757A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN112464004A (zh) | 一种多视角深度生成图像聚类方法 | |
CN108830289B (zh) | 一种基于改进的模糊c均值聚类的图像聚类方法及装置 | |
CN114488140A (zh) | 一种基于深度迁移学习的小样本雷达一维像目标识别方法 | |
CN114937066A (zh) | 基于交叉偏移特征与空间一致性的点云配准***及方法 | |
CN111754447A (zh) | 基于多状态上下文隐马尔科夫模型的红外和可见光图像融合方法 | |
Xue et al. | Dynamic coarse‐to‐fine ISAR image blind denoising using active joint prior learning | |
CN110687514B (zh) | 一种非线性判别学习真假目标一维距离像特征提取方法 | |
CN109871907B (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 | |
CN111208483B (zh) | 基于贝叶斯支持向量数据描述的雷达库外目标识别方法 | |
CN110223342B (zh) | 一种基于深度神经网络的空间目标尺寸估计方法 | |
CN110046590B (zh) | 一种基于粒子群优化深度学习特征选择的一维像识别方法 | |
Yu et al. | Application of a convolutional autoencoder to half space radar hrrp recognition | |
CN113095354B (zh) | 基于辐射源特征子空间知识的未知雷达目标识别方法 | |
CN112835008B (zh) | 基于姿态自适应卷积网络的高分辨距离像目标识别方法 | |
CN112163615B (zh) | 一种基于门限优化字典学习的未知目标判别方法 | |
CN113267757B (zh) | 一种基于k次奇异值分解字典学习的未知目标判别方法 | |
CN108428226B (zh) | 一种基于ica稀疏表示与som的失真图像质量评价方法 | |
CN111738339A (zh) | 一种针对双偏振气象雷达低分辨数据的降水粒子分类方法 | |
CN114821335B (zh) | 基于深度特征与线性判别特征融合的未知目标判别方法 | |
CN117034060A (zh) | 基于ae-rcnn的洪水分级智能预报方法 | |
CN110880192A (zh) | 基于概率密度函数字典的图像dct系数分布拟合方法 | |
CN113269024B (zh) | 顾及极化统计特性的非监督域自适应网络极化sar地物分类方法及设备 | |
CN113156416B (zh) | 一种基于多重核字典学习的未知目标判别方法 |
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 |