本发明属于目标识别领域，尤其涉及目标分类前的特征提取处理。
背景技术：
合成孔径雷达(syntheticapertureradar，sar)是一种高分辨率雷达，具有全天候、全天时、穿透能力强等特点，在军事、卫星通信、资源探测、民用等领域有着广泛的应用。近年来，随着sar技术的发展，我们所能获得图像的分辨率越来越高，图片数量也越来越多，导致运算过程数据的维度和数量都增大，甚至酿成维度灾难，使系统的识别性能变差，因此对图像进行合理的特征提取显得尤为重要。核主成分分析(kernelprinciplecomponentanalysis，kpca)是一种全局非线性特征提取方法，其首先将低维数据投影至高维空间，使得数据在高维空间中线性可分，再对高维数据进行pca降维。类局部保留映射(class-wiselocalitypreservingprojection，clpp)是一种线性的局部特征提取方法，能够保留原始样本空间的局部结构。这两种特征提取算法都有各自的优缺点，而且刚好可以互补。典型相关分析(canonicalcorrelationanalysis，cca)广泛应用于两组随机向量集合之间的相关性分析，且很多实验表明基于典型相关分析的特征融合可以得到更具有鉴别力的特征。故可利用cca将kpca和clpp所得到特征进行融合。
技术实现要素：
本发明基于全局非线性和局部线性特征融合算法提出一种sar目标识别，该方法数据的分布在局部范围内是近似线性的，而在全局范围内是非线性的，因此可以利用cca将全局非线性和局部线性方法的所得到的特征进行融合，实验表明融合后的特征具有更好的识别效果。
一种sar目标识别方法，步骤如下：
s1、给定数据集x＝[x1,x2,...,xn]∈rn×n，确定邻接图g，若xi和xj属于同一类，则xi与xj相邻，否则不相邻，如果xi和xj相邻，则节点i与节点j之间有一条边，否则无边，其中，所述数据集x共有n个数据，属于c类不同目标{ω1,ω2,...,ωc}，每个数据为一个n(n为正整数)维列向量，i≠j，i＝1,2,3,...,n，j＝1,2,3,...,n；
s2、根据s1所述邻接图g计算权值矩阵w：权值矩阵w中第i行j列元素wij根据式(1)计算，其中，t为经验参数，t取正数，xi与xj距离越近，wij越大，xi与xj距离越远，wij越小，w是一个n×n的对称稀疏矩阵；
s3、计算矩阵d和矩阵l＝d-w，矩阵d中第i行j列元素dij根据式(2)计算，d是对角矩阵，对角线上元素为权值矩阵w对应列或行上元素之和；
s4、求投影矩阵a：解特征值问题xlxta＝λxdxta，将求得特征值按从小到大排列为λ1＜λ2＜...＜λl，所对应的特征向量a1,a2,...,al，则投影矩阵为a＝[a1,a2,...,al]，其中，l≤n为要提取的特征数目；
s5、利用s4所述投影矩阵a对s1所述样本集x进行特征提取，得到局部线性特征集合x1＝atx；
s6、采用如式(3)所示的高斯核函数计算核矩阵k，矩阵k中第i行j列元素根据式(3)计算，其中σ为常数，根据经验确定。通过所述核矩阵k计算
kij＝exp(-||xi-xj||2/(2σ2))(3)
s7、求投影矩阵b，具体为：
设矩阵
s8、利用投影矩阵b对数据集x特征提取后，得到全局非线性特征集x2＝btk；
s9、分别计算特征集x1和x2的自协方差矩阵s11，s22，互协方差矩阵s21，s12；
s10、求解广义特征值问题
进一步地，s10所述特征级别的融合方式为：x1和x2分别为clpp和kpca特征提取方法对同一数据集所提取的特征集，z1和z2分别为串接和求和两种融合方式所得到的新的特征集，其计算式如下
串接
求和
本发明的有益效果是：
本发明方法融合后的特征具有更好的识别效果。
具体实施方式
下面结合实施例对本发明进行说明。
从mstar数据库内选择3类目标：
选择俯仰角为17°的数据(数目为698)为训练样本，俯仰角为15°的数据(数目为1365)为测试样本。
由于原始图像存在大量斑点噪声和背景杂波，在进行特征提取之前，先应用增强型平滑滤波器、幂变换、基于weibull的cfar分割、几何聚类对sar图像进行预处理。分别对kpca、clpp以及基于全局非线性和局部线性的特征融合算法所提取的特征，运用最近邻分类器进行分类，其仿真结果如表1所示。
表1各特征提取方法的识别率(％)
特征提取过程具体为：
s1、给定数据集x＝[x1,x2,...,xn]∈rn×n，确定邻接图g，若xi和xj属于同一类，则xi与xj相邻，否则不相邻，如果xi和xj相邻，则节点i与节点j之间有一条边，否则无边，其中，所述数据集x共有n个数据，属于c类不同目标{ω1,ω2,...,ωc}，每个数据为一个n维列向量，i≠j，i＝1,2,3,...,n，j＝1,2,3,...,n；
s2、根据s1所述邻接图g计算权值矩阵w：其中，t为经验参数，t取正数，xi与xj越近，wij越大，xi与xj越小，wij越小，
s3、计算矩阵d和矩阵l＝d-w，其中，d＝diag{d11,d22,…dnn}是对角矩阵，对角线上元素为权值矩阵w对应列或行上元素之和，即
s4、求投影矩阵a：解特征值问题xlxta＝λxdxta，将求得特征值按从小到大排列为λ1＜λ2＜...＜λl，所对应的特征向量a1,a2,...,al，则投影矩阵为a＝[a1,a2,...,al]，其中，l≤n；
s5、利用s4所述投影矩阵a对s1所述样本集x进行特征提取，得到局部线性特征集合x1＝atx；
s6、采用如式(3)所示的高斯核函数计算核矩阵k，矩阵k中第i行j列元素根据式(3)计算，其中σ为常数，根据经验确定。通过所述核矩阵k计算
s7、求投影矩阵b，具体为：
设矩阵
s8、利用投影矩阵b对数据集x特征提取后，得到全局非线性特征集x2＝btk；
s9、分别计算特征集x1和x2的自协方差矩阵s11，s22，互协方差矩阵s21，s12；
s10、求解广义特征值问题
进一步地，s10所述特征级别的融合方式为：x1和x2分别为clpp和kpca特征提取方法对同一数据集所提取的特征集，z1和z2分别为串接和求和两种融合方式所得到的新的特征集，其计算式如下
串接
求和
可以看出，整体上，识别率随特征数目的增大而增加，且全局非线性和局部线性特征融合方法的识别率均高于clpp和kpca的识别率。当特征数目为16时，clpp、kpca、全局非线性和局部线性特征融合方法的识别率分别为93.55％、92.72％、96.11％，clpp和kpca的识别率都低于本文所提出的方法。因此，可以得出结论，实验结果与理论分析相符，基于典型相关分析的全局非线性和局部线性特征融合方法比单一的clpp或kpca方法都具有更好的识别效果。