本发明涉及雷达目标识别技术，特别是涉及一种核自适应均值判别分析的高分辨距离像目标识别方法。
背景技术：
：雷达高分辨自动目标识别(ratr)按空间维度可划分成以下三大类：基于高分辨距离像(hrrp)样本的目标识别、二维成像(sar图像和isar图像)目标识别和三维成像目标识别。其中由于hrrp是一维向量，具有计算复杂度低、运算速度快和数据存储资源占用率少等特点，hrrp在计算复杂度和数据空间存储度上所占资源少，并且hrrp能够准确反映目标本身物理结构信息及其在不同角度下散射点位置分布情况。因此，较另外两类方法，基于hrrp的目标识别在军事及民用领域等到了广泛的应用。目前hrrp识别技术研究工作主要围绕hrrp的姿态敏感性、平移敏感性、强度敏感性和特征提取等技术难点展开。其中通过对原始hrrp信号进行l2范数归一化后提取功率谱特征可有效克服平移和强度敏感性。其次采用统计模型自适应划分方位角域抑制散射点越距离单元走动从而有效的克服姿态敏感性。但是，如何有效去除hrrp特征中的冗余分量，提取目标信息中的有效可分性识别特征是实现基于hrrp的雷达自动目标识别技术的关键。近年来，核方法被广泛应用于解决特征提取问题，核线性判据分析(klda)作为常用的非线性特征提取方法之一，将数据从原始空间通过核函数映射到高维特征空间，随后在高维特征空间中对样本进行投影以达到更好的分类效果。其中klda在hrrp目标识别应用中取得了较好的识别效果，但是klda要求目标样本在核映射空间严格服从高斯分布，而hrrp数据经核映射后近似多模分布。所以寻找符合hrrp数据分布的投影方向成为hrrp特征提取和数据降维研究的又一关键问题。为了降低klda对样本严格服从高斯分布的要求，采用核局部均值判别分析方法在高维特征空间中利用样本的局部信息适应hrrp多模分布特性，以提高目标可分性性能。该方法在训练样本充足的条件下识别效果优于klda，但是针对小样本条件如海面舰船目标，两种方法识别效果均不太理想。技术实现要素：发明目的：为解决现有技术的不足，提供一种核自适应均值判别分析的高分辨距离像目标识别方法。技术方案：本发明的一种核自适应均值判别分析的高分辨距离像目标识别方法，包括以下步骤：(1)获取原始hrrp信号训练集，并对其进行l2范数归一化后提取功率谱特征的预处理，得到预处理后的特征样本集y；(2)把预处理后的特征样本集y采用核函数映射到高维特征空间；(3)配置自适应离散度矩阵；(4)求取最佳投影方向v；(5)获得新的非线性降维训练特征集；根据步骤(4)，对特征样本集y实现向最佳投影方向v的变换，获得新的非线性降维训练特征集z；(6)svm分类器训练；输入步骤(5)中得到的非线性降维训练特征集进行svm分类器训练，得到分类器最优匹配模型参数；(7)对待测试原始hrrp信号进行svm分类识别。进一步的，所述步骤(1)包括：(11)获取原始hrrp信号训练集获取t类目标的原始雷达高分辨距离像训练集样本其中训练集样本总数其中，ni为第i类目标所含训练样本总数；(12)对原始hrrp信号进行l2范数归一化后提取功率谱特征的预处理按列依次对原始hrrp信号按照公式(1)进行l2范数归一化后求取功率谱特征fip的预处理，选取功率谱前一半特征作为预处理后的特征样本集其中分别为第i类目标第p个原始hrrp信号和原始hrrp信号经预处理后的特征样本，t为目标总数，d为特征样本维度；功率谱特征fip以及原始hrrp信号经预处理后的特征样本的计算公式如下：进一步的，所述步骤(2)包括：(21)确定核函数φ(y)针对hrrp属于多模分布情况，选取径向基核函数作为合适的核函数φ(y)，计算公式为：式中，为和的内积，σ为核参数，为第i类目标第p个特征样本，为第j类目标第q个特征样本，基于此，先引入仿射矩阵描述样本间相似性，一般选取高斯核函数定义：(22)求取四大样本相关离散度矩阵和由步骤(21)得出高维特征样本关于第i类特征样本的同类局部均值高维特征样本关于第j类特征样本的异类局部均值高维特征样本关于第i类特征样本的全局均值高维特征样本关于总体特征样本的全局均值μφ：四大样本相关离散度矩阵高维特征空间的全局类内离散度矩阵全局类间离散度矩阵局部类内离散度矩阵和局部类间离散度矩阵分别表示为：进一步的，所述步骤(3)包括：(31)设置最佳均值调节参数δ根据训练样本个数是否满足采样要求采用5折交叉验证设置最佳的均值调节参数δ；(32)计算高维空间的自适应类内离差度矩阵和自适应类间离差度矩阵计算公式为：进一步的，所述步骤(4)包括：根据步骤(3)中配置的自适应离散度矩阵，最佳投影方向v通过求解最大化高维空间的与问题得到：由于借助核技巧可推导出：式中，v为φ(y)的线性组合。kab和kaw分别为核自适应类间和类内离差度矩阵，计算公式如下：其中，其中为第i类目标第q个特征样本；均为全1向量；接着将自适应离散度矩阵问题转换成最大化kab与kaw问题：公式(17)利用瑞利熵得：λ为(kaw)-1kab的前d个最大广义特征值对应的特征向量组合，从而最优投影方向v＝φ(y)λ。进一步的，所述步骤(5)中新的非线性降维训练特征集进一步的，所述步骤(7)包括：(71)获取待测试原始hrrp信号，并对其进行l2范数归一化后提取功率谱特征的预处理，得到预处理后的测试特征样本对雷达高分辨距离像测试样本xtest＝[xtest(1),xtest(2),…,xtest(2d)]t∈r2d按照公式(21)进行l2范数归一化后求取功率谱特征ftest的预处理，得到预处理后的测试特征样本ytest∈rd：ytest＝[ftest(1),ftest(2),…,ftest(d)]t(22)；(72)针对步骤(71)中得到的测试特征样本ytest，将其投影到训练阶段求得的最佳方向v上，计算出测试特征样本的非线性降维测试特征(73)将步骤(72)中获取的测试特征样本的非线性降维测试特征ztest送入训练阶段得到的svm最佳匹配模型中，根据相应判别函数输出值给出判别结果wtest。有益效果：与现有技术相比，本发明的核自适应均值判别分析的高分辨距离像目标识别方法具有以下优点：(1)本发明方法所引入的均值调节参数，使核映射空间不仅利用了训练样本的全局信息，而且在信息提取中自适应融入了局部信息。所以能够获得比常用的特征提取和数据降维方法可分性更强的低维度特征，从而可进一步提高识别精度。(2)本发明提出的方法同样适用于其他信号的特征提取和分类情况，如：无损检测中利用漏磁信号对裂纹种类、大小的分类，音频信号分类等。(3)本发明在小样本条件下，相比与传统的特征提取和数据降维方法，能自适应对全局和局部信息进行融合，更加有效地提取目标中具有分类效果的隐藏信息，进一步提高目标可分性。其中在小样本条件下，本发明的识别精度相较于核线性判别分析方法平均提高11个百分点，相较于核局部均值判别分析方法平均提高6个百分点。另外，在训练样本充足时，本发明提出的方法也优于传统方法。附图说明图1是本发明方法的流程图；图2是原始hrrp信号、预处理后功率谱、半边功率谱的幅值示意图；图3是经最佳投影后非线性降维特征前两维的特征值分布图。具体实施方式下面结合附图对本发明的技术方案进行详细的说明，以使本发明的目的、技术方案及优点更加清楚明确。本发明提出一种核自适应均值判别分析的高分辨距离像目标识别方法来改善小样本情况下的目标识别性能。针对训练样本集是否充足，核自适应均值判别分析在核线性判别分析基础上，引入均值调节参数，自适应对样本的局部和全局信息进行融合，以获取最佳投影方向。对小样本条件下的海面舰船hrrp实测数据进行验证实验，结果表明核自适应均值判别分析方法提取的特征具有更好的可分性，因此采用该方法可进一步提高目标识别精度。如图1所示为本发明提出的一种核自适应均值判别分析的高分辨距离像目标识别方法的总流程图。图2给出雷达实测某一型号飞机高分辨距离像的回波数据，图2中的2(a)描述原始雷达hrrp信号，原始雷达hrrp信号经l2范数归一化后获取的功率谱特征如图2中的2(b)所示。因为功率谱特征为对称的双边谱，为了降低数据处理的冗余性，所以图2中的2(c)显示的是功率谱特征右半部分的特征样本。由于在不同采集背景下，不同目标所能获取的训练样本个数差异很大，从而导致现有的识别算法不具备普适性。本发明主要解决小样本条件下高分辨距离像的识别分类问题，以下给出核自适应均值判别分析的高分辨距离像目标识别方法的详细训练和测试步骤。如图1所示，具体包括以下步骤：训练阶段：(1)获取原始hrrp信号训练集，并对其进行l2范数归一化后提取功率谱特征的预处理，得到预处理后的特征样本集(11)获取原始hrrp信号训练集获取t类目标的原始雷达高分辨距离像(hrrp)训练集样本其中训练集样本总数其中，ni为第i类目标所含训练样本总数。(12)对原始hrrp信号进行l2范数归一化后提取功率谱特征的预处理按列依次对原始hrrp信号按照公式(1)进行l2范数归一化后求取功率谱特征fip的预处理，选取功率谱前一半特征作为预处理后的特征样本集其中分别为第i类目标第p个原始hrrp信号和原始hrrp信号经预处理后的特征样本，t为目标总数，d为特征样本维度；功率谱特征fip以及原始hrrp信号经预处理后的特征样本的计算公式如下：(2)把预处理后的特征样本集采用核函数φ(y)映射到高维特征空间(21)确定核函数φ(y)针对hrrp属于多模分布情况，选取径向基核函数作为合适的核函数φ(y)，计算公式为：式中，为和的内积，σ为核参数，为第i类目标第p个特征样本，为第j类目标第q个特征样本。基于此，先引入仿射矩阵描述样本间相似性，一般选取高斯核函数定义：(22)求取四大样本相关离散度矩阵和由步骤(21)得出高维特征样本关于第i类特征样本的同类局部均值高维特征样本关于第j类特征样本的异类局部均值高维特征样本关于第i类特征样本的全局均值高维特征样本关于总体特征样本的全局均值μφ：四大样本相关离散度矩阵高维特征空间的全局类内离散度矩阵全局类间离散度矩阵局部类内离散度矩阵和局部类间离散度矩阵分别表示为：(3)配置自适应离散度矩阵(31)设置最佳均值调节参数δ根据训练样本个数是否满足采样要求(当训练样本总数小于10倍的目标类别总数与样本维度之积，即n>10×d×t，则说明样本不满足采集要求)，采用5折交叉验证设置最佳的均值调节参数δ。(32)计算高维空间的自适应类内离差度矩阵和自适应类间离差度矩阵计算公式为：(4)求取最佳投影方向v按照公式(13)和(14)，最佳投影方向v通过求解最大化高维空间的与问题得到：由于借助核技巧可推导出：式中，v为φ(y)的线性组合。kab和kaw分别为核自适应类间和类内离差度矩阵，计算公式如下：其中，其中为第i类目标第p个特征样本；均为全1向量。接着将公式(14)问题转换成最大化kab与kaw问题：公式(17)利用瑞利熵得：λ为(kaw)-1kab的前d个最大广义特征值对应的特征向量组合，从而最优投影方向v＝φ(y)λ。(5)根据公式(19)，对特征样本集y实现向最佳投影方向v的变换，获得新的非线性降维训练特征集图3绘出了三类目标经最佳投影后新的非线性降维前两维特征值的分布情况。从图中可以看出，三类不同目标样本经投影后实现了同类样本的密聚集和异类样本的高分离效果，进而验证了本发明提出的核自适应判别分析方法的有效性。(6)svm分类器训练输入步骤(15)中得到的非线性降维训练特征集进行svm分类器训练，得到分类器最优匹配模型参数。测试阶段：(1)获取待测试原始hrrp信号，并对其进行l2范数归一化后提取功率谱特征的预处理，得到预处理后的测试特征样本对雷达高分辨距离像测试样本xtest＝[xtest(1),xtest(2),…,xtest(2d)]t∈r2d(待测试原始hrrp信号)按照公式(21)进行l2范数归一化后求取功率谱特征ftest的预处理，得到预处理后的测试特征样本ytest∈rd：ytest＝[ftest(1),ftest(2),…,ftest(d)]t(22)；(2)针对步骤(1)中得到的测试特征样本ytest，将其投影到训练阶段求得的最佳方向v上，计算出测试特征样本的非线性降维测试特征(3)将步骤(2)中获取的测试特征样本的非线性降维测试特征ztest送入训练阶段得到的svm最佳匹配模型中，根据相应判别函数输出值给出判别结果wtest。本发明分别对样本充足的飞机目标和小样本条件下的海面舰船目标的实测hrrp信号进行训练和测试。安-26、雅克-42和奖状每类飞机目标的训练样本个数为26000个、测试样本个数为26000个。猎潜艇、护卫舰和邮轮每类海面舰船目标有200个训练样本和100个测试样本。同时表1和表2对比了在不同目标下本发明所提供方法和传统特征提取和数据降维相关方法的分类性能。表1飞机目标下不同方法识别性能比较识别率(％)安-26雅克-42奖状平均原始信号分类71.7781.7399.8184.43核线性判别分类98.0498.9997.2398.09核局部均值判别分类97.9899.3696.1097.81本发明所提方法分类99.8099.0098.3498.80表2舰船目标下不同方法识别性能比较识别率取整(％)猎潜艇护卫舰邮轮平均原始信号分类55925969核线性判别分类51977574核局部均值判别分类77837879本发明所提方法分类74958685从表1中可以看出，当训练样本充足时，本发明所提的方法同其它两种方法在识别性能上基本保持良好的识别率。从表2可以看出，当训练样本不充足时，传统的特征提取和数据降维方法识别率骤降，然而本发明提出的方法较其他方法仍具有较高的识别精度。由此可知，与传统方法相比，核自适应判别分析方法具有更好的样本适用性。当前第1页12