基于局部嵌入的雷达高分辨距离像目标识别方法   0    0

本发明公开了一种基于局部嵌入的雷达高分辨距离像目标识别方法，首先对时域特征进行切分和非均匀量化编码得到其局部结构的编码，然后利用共现矩阵得到局部结构编码和其周围数个局部结构编码之间的关系，再利用SVD分解进行降维提取出局部结构编码所对应的嵌入特征，最后通过全局平均嵌入特征和欧式距离法对HRRP进行识别并得到识别结果。

1.一种基于局部嵌入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：
训练阶段：
S1:采集数据集，将Q个雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的数据分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集样本的选取过程中，保证所选取训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态；
S2:对雷达训练目标距离回波数据进行角域分帧，即对经过S1采集到的每一个样本Xi实行角域分帧；
S3:对S2处理后的每一个样本进行能量归一化处理，得到归一化后的数据；
S4:对经过S2、S3处理后的雷达训练目标数据，提取时域特征作为识别特征，并用于训练；
S5:循环切分经过处理后的数据集；
S6:提取样本的嵌入表示特征，将每一个经过S5处理后的HRRP样本按10级进行非均匀量化；设定窗口值，初始化一个空矩阵，用于之后存储各列向量的共现次数；依次统计列向量在窗长度下共现的次数；对矩阵中的对应元素赋值；对矩阵中的每个元素限制其动态范围，然后对该矩阵进行SVD分解，取出分解以后得到的U矩阵并保存，U矩阵内每一行即为所在行对应量化向量的嵌入表示；
S7:求得每一帧内的嵌入表示模板并保存，对每一帧循环切分数据转换为其嵌入表示，然后将所有的嵌入表示相加取平均即为模板；
测试阶段：
S8:对由S1采集到的测试数据进行训练阶段的步骤S3、S4和S5操作；
S9:提取经过S8处理后测试数据的嵌入表示特征，将每一个HRRP样本按10级进行非均匀量化形成一个量化编码，然后根据量化的结果查找对应的训练阶段所保存的U矩阵对应的嵌入表示，并把所有的嵌入表示相加求平均；
S10:将经过S9求得的平均值与S7保存好的各帧模板的平均值求欧氏距离，取最小欧氏距离的帧所对应的目标为测试样本所对应的目标。

2.如权利要求1所述的基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于：
步骤S1中各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作
其中Xi表示第i个样本，yk表示第k种目标，i0表示样本总数。

3.如权利要求2所述的基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于：
步骤S2中先将第c类目标(c＝1,2，...C)的训练样本均匀的分为Mc帧，每一帧包含N个训练样本。

4.如权利要求3所述的基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于：
步骤S3中归一化公式如下：
其中||·||2表示求2范数。

5.如权利要求4所述的基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于：
步骤S4中从X′i内提取每一帧的时域特征作为识别特征,记作 其中x(c,m)表示的
是第c个目标第m帧的训练样本的时域特征，C为目标总数，Mc为第c个目标的总帧数。

6.如权利要求5所述的基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于：
步骤S5具体如下：
S5.1：x＝{xijk}，其中i指示第i个目标，j指示的是第j帧，k指示的是第k个HRRP；
S5.2:设定切分的向量的长度为p,使得为p为2的幂级数，如4；
S5.3:对数据集内的每一个样本，将其移位p-1次并进行连接。

7.如权利要求6所述的基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于：
步骤S6具体如下：
S6.1:对经过S5处理后的每一个x″ijk按10级进行非均匀量化，得到其量化编码特征，其中对于每个元素：
S6.2:设定窗口值K，计算向量与向量之间共同出现的矩阵：
S6.2.1:首先初始化一个空矩阵，记作W＝{Wij}i＝0,1…9999,j＝0,
1...9999，即初始化的空矩阵T T
有10000行和10000列，其中0000代表取出来的列向量[yi,yi+1,yi+2,yi+3]为[0,0,0,0] ，其余的也是一样，矩阵中的每一个元素Wij为两个元素之间的共现次数；
S6.2.2:依次统计列向量之间在窗长度下共现的次数，如 为保证左右
对称，K取奇数，若窗K＝3，则当循环至向量 的时候，统计其左侧 和其右侧 不
同向量共同出现的次数，我们遍历所有的量化编码特征，将不同量化编码特征共同出现的总次数对应地记录在空矩阵W中，其中Wij为量化编码特征 与量化编码特征 共同出现的次数，其中i1、i2、i3和i4分别代表i的千位、百位、十位以及个位数字，j1、j2、j3和j4分别代表j的千位、百位、十位以及个位数字；
S6.2.3:对矩阵W中的每个元素限制其动态范围，公式如下：W′ij＝10ln(1+Wij)，并将更新后的矩阵记作W'＝{W′ij}；
S6.2.4:对经过S6.2.3处理后的矩阵W'进行奇异值分解(SVD)，使其降维至9999×300，其中分解过程如下式：
[U,S,V]＝SVD(W')
其中SVD()表示奇异值分解操作，U为一个10000×300的矩阵，S为300×300的矩阵，V为
300×10000的矩阵，其中U的行标号为0000-9999，U内每一行即为所在行对应量化向量的嵌入表示，如[y1,y2,y3,y4]T＝[1,2,3,4]T，即U中行标号为第1234所对应的行向量即为[y1,y2,y3,y4]T的嵌入表示；
S6.2.5:将经过S6.2.4处理后的U进行保存。

8.如权利要求7所述的基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于：
步骤S7中，假设第i个目标第j帧的各HRRP样本的嵌入表示数据可记为{x″′ijk}k＝1,2,...,N，其中N为该帧的样本总数，则x″′ijk可表示为x″′ijk＝[xijk(1),xijk(2),...xijk(256)]，其中xijk(·)为一个300×1维的向量，则该帧的平均嵌入表示模板 可由下式计算：