本发明属于雷达目标识别技术领域，具体的说是一种真假目标一维距离像特征提取方法。
背景技术：
特征子空间是由训练一维距离像数据协方差矩阵的主分量构成，能够很好地表示目标数据的主要能量，但不具有最优的分类性能。而判别矢量子空间法能够增大异类目标特征之间的差异，同时减小同类目标特征之间的差异，比特征子空间法的分类性能有了一定的改善。这些子空间在雷达目标一维距离像识别中获得良好的识别效果。
但是，当每类目标的训练数据出现不平衡时，以上这些子空间变换得到的特征区域之间的距离呈现长短不一的分布情况，将造成某些目标的识别率会明显下降，其至无法识别。因此，以上子空间法的识别性能有进一步改善的余地。
技术实现要素：
本发明的目的，就是针对上述问题，提出一种真假目标一维距离像特征提取方法。
本发明的技术方案为：
一种真假目标一维距离像特征提取方法，其特征在于，包括以下步骤：
a、设n维列矢量xij为第ith类真假目标的第jth个训练一维距离像,1≤i≤g，1≤j≤ni，
b、采用类间等距子空间特征提取方法，构建目标函数，具体包括：
b1、将训练一维距离像xij向n×(g-1)维矩阵a投影：
yij＝atxij(1)
其中，yij为投影矢量，t表示矩阵转置；
b2、在投影矢量空间，建立如下目标函数j(a)：
其中，λ是调节因子系数，具体数值根据实际需求进行设置；式(2)中的第一项是训练一维像数据投影矢量与对应标签矢量之间的偏差，第二项是投影矩阵a的模平方。上式不明：j(a)越小，一方面投影矢量与对应标签矢量之间的偏差越小，同时投影矩阵a的模平方也变小，从而，既保证了好的类内聚集度，即第ith类目标的特征聚集在ti的周围，同时又降低了对变换矩阵的估计误差，提高了投影矩阵的稳健性；
求解以下极小化方程，可获得最优投影矩阵：
b3、设定ti在特征空间是两两等间距分布，即满足：
其中c为常数，则矩阵aopt称为类间等间距子空间，利用矩阵迹的运算公式，式(2)变为：
j(a)＝tr(ttt+atxxta-2atxtt)+tr(aat)(5)
其中tr(·)表示矩阵的迹，
t＝[t1…t1t2…t2…](7)
其中矩阵t中ti的个数等于ni，式(5)两边对a求偏导并令其等于零，化简可得：
aopt＝(xxt+λi)-1xtt(8)
结合式(1)，则获得任意的真假目标一维距离像xt的投影特征矢量yt。
本发明的有益效果为：该方法在训练样本数据出现不平衡时能够获得类间等间距的特征分布状态，克服常规子空间方法的缺陷，即使在不同目标数据集大小出现较严重的失衡的情况下，仍然能够获得好的识别效果，有效改善了对雷达真假目标的分类性能。
具体实施方式
下面结合仿真数据描述本发明的实际应用效果：
设计四种点目标：真目标、碎片、轻诱饵和重诱饵。雷达发射脉冲的带宽为1000mhz(距离分辨率为0.15m,雷达径向取样间隔为0.075m),目标设置为均匀散射点目标，真目标的散射点为7，其余三目标的散射点数均为11。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。
对四种目标(真目标、碎片、轻诱饵和重诱饵)，在姿态角0°～70°范围内,利用本文的类间等间距子空间特征提取方法和基于特征子空间特征提取方法进行了识别实验，结果如表1所示：
表1两种方法的识别结果
从表1的结果可以看到，对真目标，特征子空间特征提取法的识别率为86％，而本文的类间等间距子空间识特征提取方法的识别率为93％；对碎片，特征子空间特征提取法的识别率为80％，而本文的类间等间距子空间特征提取方法的识别率为86％；对轻诱饵，特征子空间特征提取法的识别率为83％，而本文的类间等间距子空间特征提取方法的识别率为88％；对重诱饵，特征子空间特征提取法的识别率为87％，而本文的类间等间距子空间特征提取方法的识别率为89％。平均而言，对四类目标，本文的类间等间距子空间特征提取方法的正确识别率高于特征子空间特征提取法，说明本文的类间等间距子空间特征提取方法的确能改善多类目标的识别性能。