一种一维像识别中的高斯权值分布特征提取方法与流程

1.本发明属于目标识别技术领域，具体的说是涉及一种一维像识别中的高斯权值分布特征提取方法。


背景技术：

2.宽带雷达获取的一维距离像包含了有利于分类的信息，与传统窄带雷达相比，具有更高的分类性能，与雷达二维像相比，一维距离像容易获取，而且能够实现实时识别，因此，一维距离像识别具有非常重要的意义。
3.常规的子空间目标识别方法是经典的模式识别方法，通过在给定某种准则的条件下建立子空间提取目标特征，实现对目标的识别，由于在建立子空间的准则中并没有考虑样本之间连接权值，无法最大程度表征样本分布的紧密结构，导致提取的特征在分类性能上不是最优的，因此，常规子空间目标识别方法的性能有进一步改善的余地。


技术实现要素：

4.针对上述问题，本发明提出了一种高斯权值分布特征提取方法，通过采用高斯权值分布结构建立变换子空间，提取目标分类特征，能有效表征样本在高维空间中的分布紧密程度，从而改善了对对目标的识别率。
5.为实现上述目的，本发明的技术方案是：
6.一种一维像识别中的高斯权值分布特征提取方法，包括以下步骤：
7.s1、设n维列矢量x
ij
为第i类已知目标的第j个训练一维距离像，1≤i≤g，1≤j≤ni，其中，g表示类别数，ni为第i类已知目标的训练样本数，n为训练样本总数；
8.s2、计算样本间的欧氏距离：
9.p
ij,rl
＝||x
ij-x
rl
||210.i＝1,2,
…
g,j＝1,2,
…
ni11.r＝1,2,
…
g,l＝1,2,
…
nr12.其中，p
ij,rl
表示第i类已知目标的第j个一维距离像样本与第r类已知目标的第l个一维距离像样本之间的欧氏距离；
13.s3、由欧氏距离计算高斯权值w
ij,rl
：
[0014][0015]
其中，σ2是高斯参数，由实验值确定，由高斯权值w
ij,rl
组成样本间的高斯连接权值矩阵w：
[0016]
w＝[w
ij,rl
]n×n[0017]
计算矩阵w每一行的元素和值，并构建对角矩阵d：
[0018]
d＝diag{d
ij
}
[0019][0020]
其中，diag{
·
}表示对角矩阵；
[0021]
s4、由矩阵w和d构建特征方程：
[0022]
wv＝dvσ
[0023]
其中，v为特征矢量组成的矩阵，σ为特征值组成的对角矩阵，特征方程两边同时乘以得：
[0024][0025]
令
[0026][0027]
得
[0028][0029]
可知v1矩阵中的列矢量是矩阵的特征矢量；以前m个最大特征值对应的特征矢量组成变换子空间a：
[0030][0031]
使用矩阵a对一维距离像x
ij
进行变换：
[0032]zij
＝a
t
x
ij
[0033]
则得到的矢量z
ij
为高斯权值分布特征。
[0034]
本发明的有益效果是：本发明采用高斯权值来描述样本之间的连接紧密程度，能有效表征各类样本在高维空间中的聚集情况，从而改善对目标的识别性能，对4类目标的仿真实验验证了该方法的有效性。
具体实施方式
[0035]
下面结合仿真实验说明本发明的实用性。
[0036]
设计四种点目标：“|”字型、“v”字型、“干”字型和“小”字型目标。雷达发射脉冲的带宽为150mhz(距离分辨率为1m,雷达径向取样间隔为0.5m),目标设置为均匀散射点目标，”|”目标的散射点为5，其余三目标的散射点数均为9。在目标姿态角为0
°
～70
°
范围内每隔1
°
的一维距离像中，取目标姿态角为0
°
、2
°
、4
°
、6
°
、...、70
°
的一维距离像进行训练,其余姿态角的一维距离像作为测试数据,则每类目标有35个测试样本。在实验中，高斯参数σ2＝3.5。
[0037]
对四种目标(“|”字型目标、“v”字型目标、“干”字型目标和“小”字型目标)，在姿态角0
°
～70
°
范围内,利用本发明的高斯权值分布特征提取方法提取目标特征，采用最小距离分类器进行分类，达到了86％的平均正确识别率，从而验证了本文方法的有效性。


技术特征：
1.一种一维像识别中的高斯权值分布特征提取方法，其特征在于，包括以下步骤：s1、设n维列矢量x
ij
为第i类已知目标的第j个训练一维距离像，1≤i≤g，1≤j≤n
i
，其中，g表示类别数，n
i
为第i类已知目标的训练样本数，n为训练样本总数；s2、计算样本间的欧氏距离：p
ij,rl
＝||x
ij-x
rl
||2i＝1,2,
…
g,j＝1,2,
…
n
i
r＝1,2,
…
g,l＝1,2,
…
n
r
其中，p
ij,rl
表示第i类已知目标的第j个一维距离像样本与第r类已知目标的第l个一维距离像样本之间的欧氏距离；s3、由欧氏距离计算高斯权值w
ij,rl
：其中，σ2是高斯参数，由实验值确定，由高斯权值w
ij,rl
组成样本间的高斯连接权值矩阵w：w＝[w
ij,rl
]
n
×
n
计算矩阵w每一行的元素和值，并构建对角矩阵d：d＝diag{d
ij
}其中，diag{
·
}表示对角矩阵；s4、由矩阵w和d构建特征方程：wv＝dvσ其中，v为特征矢量组成的矩阵，σ为特征值组成的对角矩阵，特征方程两边同时乘以得：令得可知v1矩阵中的列矢量是矩阵的特征矢量；以前m个最大特征值对应的特征矢量组成变换子空间a：使用矩阵a对一维距离像x
ij
进行变换：
z
ij
＝a
t
x
ij
则得到的矢量z
ij
为高斯权值分布特征。

技术总结
本发明属于目标识别技术领域，具体的说是涉及一种一维像识别中的高斯权值分布特征提取方法。本发明利用训练数据集样本分布结构，建立变换子空间矩阵提取高斯权值分布特征，由于采用高斯权值来描述样本之间的连接紧密程度，能有效表征各类样本在高维空间中的聚集情况，从而改善对目标的识别性能，对4类目标的仿真实验验证了该方法的有效性。真实验验证了该方法的有效性。


技术研发人员：周代英
受保护的技术使用者：电子科技大学
技术研发日：2021.10.14
技术公布日：2022/1/21