基于PCA-LDA算法雷达目标一维距离像识别
- 格式：pdf
- 大小：65.81 KB
- 文档页数：1
文档推荐
-
基于高分辨率一维距离像雷达目标识别研究页数:4
-
雷达成像技术保铮版第二章距离高分辨和一维距离像页数:18
下载文档原格式
合集下载
基于PCA-LDA-SVM的多普勒雷达车型识别算法
基于PCA-LDA-SVM的多普勒雷达车型识别算法方菲菲;余稳【期刊名称】《数据采集与处理》【年(卷),期】2012(027)001【摘要】车辆检测和车型识别是智能交通系统(Intelligent transportation system,ITS)中的一个重要方面,而目标识别是低分辨率雷达领域的一个难点.该文提出一种用多普勒雷达进行车型识别的方法,把车辆建模成包含多个散射中心的目标体,散射中心与雷达的距离与频谱能量有关,因此同一目标的频谱变化反映了该目标长高等轮廓特征.然后将有效的频谱特征结合主成分分析(Principal component and analysis,PCA)和线性判别分析(Linear discriminant analysis,LDA)进行降维,再利用支持向量机(Support vector machine,SVM)等分类器实现分型.文章对不同识别算法交叉验证的实验结果进行比较,表明基于PCA-LDA-SVM的车型识别算法效果理想,有广泛的应用前景.%Vehicle detection and recognition is important to the development of intelligent transportation system (ITS), but target recognition is a challenging problem for low-resolution radar. Hence, a vehicle recognition approach using Doppler radar is proposed, and the spectrum variation of one vehicle reflects its outline. Then, the dimension of effective spectrum feature can be reduced by the methods of principal component analysis (PCA) and linear discriminant analysis (LDA). Vehicles can be classified into three types by classifier algorithms such as support vector machine(SVM), K-nearest neighbor (KNN). Finally, experimental results of different algorithms are compared by cross validation, and itshows that the algorithm based on PCA-LDA-SVM can achieve an ideal result.【总页数】6页(P111-116)【作者】方菲菲;余稳【作者单位】中国科学院上海微系统与信息技术研究所,上海,200050;中国科学院研究生院,北京,100039;中国科学院上海微系统与信息技术研究所,上海,200050;上海慧昌智能交通系统有限公司,上海,200233【正文语种】中文【中图分类】TN958.95【相关文献】1.基于连续波多普勒雷达的手势信号识别算法 [J], 刘钊;崔恒荣;吴江林;谢吉成;刘涛2.基于连续波多普勒雷达的手势信号识别算法 [J], 刘钊;崔恒荣;吴江林;谢吉成;刘涛;3.基于多普勒天气雷达的低空多普勒速度的切变识别算法研究 [J], 闫文辉;黄兴友;李盈盈;杨敏;刘燕斐4.基于微多普勒效应的雷达目标识别算法 [J], 张琳;盛卫星;马晓峰5.基于脉冲多普勒雷达时域回波的直升机识别算法 [J], 陈尹翔;杨磊;罗丁利;王勇因版权原因，仅展示原文概要，查看原文内容请购买。
基于PCA、LDA和DLDA算法的人脸识别
基于PCA、 LDA和DLDA算法的人脸识别武汉理工大学信息工程学院 申俊杰【摘要】近年来，人脸识别的技术越来越成熟，但在复杂环境下准确识别人脸还需要进行研究。
本文由浅入深，分别介绍了PCA 、 LDA 和2LDA 算法的人脸识别。
并通过MATLAB 对LDA 和2LDA 算法进行仿真，比较了它们的成功率和适用条件。
【关键词】人脸识别；LDA ；PCA ；2DLDA ；K-L 变换；GUI1.PCA 算法原理与实现人脸识别中主要分量分析（PCA ）是一个普遍使用的技术，首先它将一张图像的每一列的向量首尾相连，构成一个维列向量，然后转置。
将L个图像的维列向量组成人脸样本矩阵，表示为：（1）训练样本的协方差矩阵为：（2）式中mf 是所有训练样本的平均值向量（所有样本的平均脸）式可进一步化简为：（3）对（3）式中的矩阵进行特征值和特征向量的求解，并SVD 奇异值分解，构造出最终的人脸投影空间：（4）将Vi 化为矩阵，则可以得到特征脸。
2.LDA算法原理及实现LDA 的核心思想之一是在平面内找一个合适的向量，将所有的数据投影到这个向量而且不同类间合理的分开。
因为图片的特征值有很多，相当于是多维的，所以我们需要增加投影向量w 的个数，设w为：w1、w2等是n 维的列向量，所以w 是个n 行k 列的矩阵，这里的k 其实可以按照需要随意选取，只要能合理表征原数据即可。
x 在w 上的投影可以表示为：(3-1)所以这里的y 是k 维的列向量。
这样我们就可以把多维空间中的特征值降维到一维空间从投影后的类间散列度和类内散列度来考虑最优的w ，可用μi 代表类别i 的中心，将类间距离定义为Sb 较大，类内距离定义为Sw 。
为了让每个类（相当于每张图片）直接的特征值尽量少的有重叠，需要让类与类之间的距离大，而一个类内部之间的距离紧凑。
因此我们可以定义：（3）可以化简为：（4）因为Sw 要尽量小，而Sb 要尽量大，因此可以找到合适的W 让 J(w)尽可能大。
基于PCA和LDA改进算法的人脸识别技术研究
基于PCA和LDA改进算法的人脸识别技术研究人脸识别是一种通过计算机视觉和模式识别技术来识别和验证人脸的生物特征，并将其与已知的人脸进行匹配的技术。
近年来，随着计算机算力的提升和人工智能技术的发展，人脸识别技术得到了广泛的应用，例如人脸解锁、人脸支付等。
PCA（Principal Component Analysis，主成分分析）和LDA（Linear Discriminant Analysis，线性判别分析）是两种常见的降维方法，用于从高维数据中提取有用的特征。
基于这两种方法的人脸识别技术研究已经得到了广泛关注。
PCA是一种无监督学习方法，通过将高维数据投影到低维子空间中，保持数据的大部分方差，从而达到降维的目的。
在人脸识别中，PCA可以通过计算训练集中人脸图像的协方差矩阵，然后提取其特征向量和特征值，选择前k个特征向量作为主成分，将人脸图像投影到主成分空间中。
在测试阶段，将待识别的人脸图像也投影到主成分空间中，通过计算其与训练集中人脸图像的距离，来判断其身份。
PCA的一个问题是它在无监督降维的可能忽略了一些与分类有关的信息。
为了解决这个问题，可以利用LDA来增加分类的准确性。
LDA是一种有监督学习方法，它通过最大化类别之间的差异性和最小化类别内的方差，选择最佳的投影方向。
在人脸识别中，LDA可以通过计算训练集中各类别的均值和类内散度矩阵，得到最佳的投影方向。
在测试阶段，将待识别的人脸图像投影到最佳的投影方向上，通过计算其与训练集中各类别的距离，来判断其身份。
由于PCA和LDA均是线性方法，它们对于人脸图像的非线性变化不敏感。
为了提高人脸识别的准确性，可以将PCA和LDA与非线性方法相结合，例如核技巧（kernel trick）。
通过将人脸图像映射到一个高维的特征空间中，利用核函数来计算其与训练集中人脸图像的相似性。
还可以利用深度学习方法来改进人脸识别技术。
深度学习是一种通过构建多层神经网络来学习数据特征的方法，它可以自动地学习人脸图像中的高级特征。
基于KPCA算法的雷达目标一维距离像识别
器 设 计 等 。 最 后 仿 真 实验 结果 表 明此 方 法 具 有 较 好 的识 别 效 果 。
关键 词
一维距离像 目标识别
核 函数 文献标识码 ： Ａ
中图分类号： Ｔ Ｎ９ ５ ７ ． ５ ２
１ 核 函数 方 法 基 本 原 理 核函数的定义： 对 所 有 的
即 可 以利 用 对 ａ 的处 理 实 现 对 特 征 向量 Ｖ 的 归一 化 。 （ ｚ ） ＝０ （ ｘ ） ・ （ ｚ ） 在 目标识 别过程 中，实 际上感兴趣不是非线性特征 向量 则称函数 Ｋ为核函数， 其 中≯ 是从输入空间ｘ到 内积特征 本 身 ，而 是距 离像 样 本 在 其 上 的投 影 。根 据 以下 两 式 可 得 经 空Ｉ 司 Ｆ的映 射 。 预处理的距离像 训练样本 ｘ … 和测试样本 Ｘ 在 Ｖ上 的投影 ， 核 函数 方 法 基 本 原 理 是 通 过 非 线 性 函 数 ≯ （ ． ） 把 输 入 空 间 即非线性特征系数向量用作下一步分类识别 。 映 射 到 高 维 特 征 空 问 ，然 后 在 特 征 空 间进 行 分 类 或 回 归 等 线 性数据处理 。核函数方法的关键在于通过 引入核 函数 ，把非 ＠ ） 【 （ ． ， ） ， Ｋ（ ｘ ２ ， ） ， …， （ ｘ ， ， ） 】 ） （ ， ， 豳） ， Ｋ（ ｘ ， 一） ， …， Ｋ（ ｘ ， ～） ｌ 线性变换后的高维特征空 间的内积运 算转换 为原始输入空间 ｊ ｆ ＝Ｖ （ ）： 中的核 函数 的计算，这样在特 征空间的线性运算积对应原输 ） 【 （ ｘ 。 ， 一） （ Ｉ ｘ ， ｘ ～） ， Ｋ（ ｘ ， 一） 】 入 空间的非线性算法 ，因而 采用核 函数技术不仅可 以产生新 的非线性算法 ，而且可 以改进一些传统 的线性处理算法 。使 ＠’ ） 【 （ ｘ 。 ， ） ， Ｋ（ ｘ ２ ， ， ） ， 一 ， Ｋ（ ｘ ， ） 】 用核 函数带来 的好处是 ，可 以将 输入 空间中的非线性分类面 ＠ ） ［ （ ， ） ， Ｋ（ ｘ ， ） ， …， Ｋ（ ｘ ， ） 】 转化 为高维 的特征空间 Ｆ中的线性超平面来处理。 《 ＝ Ｖ （ ， ） ＝ ２基 于 Ｋ Ｐ Ｃ Ａ 的雷 达 目标 识 别 （ ） 【 （ ｘ ， ｘ ） ， （ ｘ ， 一 ， （ ｘ ， ｘ ， ） ］ Ｋ Ｐ Ｃ Ａ算法 吸收了支持矢量机的思想 ：通 过某种事先选 从 以上 分 析 可 以看 出 ，ＫＰ Ｃ Ａ 的应 用 可 以分 为 以下 几 个 择 的非线性 映射将输入 向量映射到一个高维特 征空间，在此 空 间 中 构造 最 优 分 类 平 面 ，然 后 对 高 维 空 问 中 的 映射 数 据 做 步骤 ： （ １ ） 计算 核 矩 阵 Ｋ； （ ２ ） 计 算特 征 向量 并进 行 归 一化 处 理 ； 主 成分 分析 ， 求 取数 据 在 非 线 性 主 成 分 上 的投 影 ， 达 到 更 好 的 （ ３ ） 计 算 测 试 点 在特 征 向 量上 的投 影 。在 上 面 的 分 析 中， 为简 分 类 效 果 。 这 一 非线 性 映射 是 利 用 内积 运 算 实 现 的 ，即 只 需 单起 见假 设 了数 据 在 特 征 空 间 中 已经 中 心 化 。下 面 对这 个 问 在 原 始 空 间 中计 算用 作 内积 的核 函数 ，而 无 需 关注 非线 性 映 题进 行 具体 分 析 。 射的具体实现形式。 假 设≯ 为非 线 性 映 射 ， Ｘ Ｉ ， Ｘ ， …， ｘ Ｍ 为训 练 样 本 ， 则 特 征 空 间 假设输入空间为 ， 输入 数据 ｘ 经过一非线性映 ≯ 射变换 内 中心 化 的 样本 可 以 写作 到特征空间 Ｆ中： ： Ｒ ， （ 曲 Ｏ ） ＝ ≯ （ ｘ ） 一 古∑ ＠ ） 需要指 出的是特 征空间 Ｆ 可具有任意大 的甚至是无 限的 此时的核矩 阵的第 个元素为 维 数 。首 先 假 设 已经 将 ｘ ， ， ｘ ： ， …， ｘ 训 练 样 本 数 据 在 特 征 空 间
关键 词
一维距离像 目标识别
核 函数 文献标识码 ： Ａ
中图分类号： Ｔ Ｎ９ ５ ７ ． ５ ２
１ 核 函数 方 法 基 本 原 理 核函数的定义： 对 所 有 的
即 可 以利 用 对 ａ 的处 理 实 现 对 特 征 向量 Ｖ 的 归一 化 。 （ ｚ ） ＝０ （ ｘ ） ・ （ ｚ ） 在 目标识 别过程 中，实 际上感兴趣不是非线性特征 向量 则称函数 Ｋ为核函数， 其 中≯ 是从输入空间ｘ到 内积特征 本 身 ，而 是距 离像 样 本 在 其 上 的投 影 。根 据 以下 两 式 可 得 经 空Ｉ 司 Ｆ的映 射 。 预处理的距离像 训练样本 ｘ … 和测试样本 Ｘ 在 Ｖ上 的投影 ， 核 函数 方 法 基 本 原 理 是 通 过 非 线 性 函 数 ≯ （ ． ） 把 输 入 空 间 即非线性特征系数向量用作下一步分类识别 。 映 射 到 高 维 特 征 空 问 ，然 后 在 特 征 空 间进 行 分 类 或 回 归 等 线 性数据处理 。核函数方法的关键在于通过 引入核 函数 ，把非 ＠ ） 【 （ ． ， ） ， Ｋ（ ｘ ２ ， ） ， …， （ ｘ ， ， ） 】 ） （ ， ， 豳） ， Ｋ（ ｘ ， 一） ， …， Ｋ（ ｘ ， ～） ｌ 线性变换后的高维特征空 间的内积运 算转换 为原始输入空间 ｊ ｆ ＝Ｖ （ ）： 中的核 函数 的计算，这样在特 征空间的线性运算积对应原输 ） 【 （ ｘ 。 ， 一） （ Ｉ ｘ ， ｘ ～） ， Ｋ（ ｘ ， 一） 】 入 空间的非线性算法 ，因而 采用核 函数技术不仅可 以产生新 的非线性算法 ，而且可 以改进一些传统 的线性处理算法 。使 ＠’ ） 【 （ ｘ 。 ， ） ， Ｋ（ ｘ ２ ， ， ） ， 一 ， Ｋ（ ｘ ， ） 】 用核 函数带来 的好处是 ，可 以将 输入 空间中的非线性分类面 ＠ ） ［ （ ， ） ， Ｋ（ ｘ ， ） ， …， Ｋ（ ｘ ， ） 】 转化 为高维 的特征空间 Ｆ中的线性超平面来处理。 《 ＝ Ｖ （ ， ） ＝ ２基 于 Ｋ Ｐ Ｃ Ａ 的雷 达 目标 识 别 （ ） 【 （ ｘ ， ｘ ） ， （ ｘ ， 一 ， （ ｘ ， ｘ ， ） ］ Ｋ Ｐ Ｃ Ａ算法 吸收了支持矢量机的思想 ：通 过某种事先选 从 以上 分 析 可 以看 出 ，ＫＰ Ｃ Ａ 的应 用 可 以分 为 以下 几 个 择 的非线性 映射将输入 向量映射到一个高维特 征空间，在此 空 间 中 构造 最 优 分 类 平 面 ，然 后 对 高 维 空 问 中 的 映射 数 据 做 步骤 ： （ １ ） 计算 核 矩 阵 Ｋ； （ ２ ） 计 算特 征 向量 并进 行 归 一化 处 理 ； 主 成分 分析 ， 求 取数 据 在 非 线 性 主 成 分 上 的投 影 ， 达 到 更 好 的 （ ３ ） 计 算 测 试 点 在特 征 向 量上 的投 影 。在 上 面 的 分 析 中， 为简 分 类 效 果 。 这 一 非线 性 映射 是 利 用 内积 运 算 实 现 的 ，即 只 需 单起 见假 设 了数 据 在 特 征 空 间 中 已经 中 心 化 。下 面 对这 个 问 在 原 始 空 间 中计 算用 作 内积 的核 函数 ，而 无 需 关注 非线 性 映 题进 行 具体 分 析 。 射的具体实现形式。 假 设≯ 为非 线 性 映 射 ， Ｘ Ｉ ， Ｘ ， …， ｘ Ｍ 为训 练 样 本 ， 则 特 征 空 间 假设输入空间为 ， 输入 数据 ｘ 经过一非线性映 ≯ 射变换 内 中心 化 的 样本 可 以 写作 到特征空间 Ｆ中： ： Ｒ ， （ 曲 Ｏ ） ＝ ≯ （ ｘ ） 一 古∑ ＠ ） 需要指 出的是特 征空间 Ｆ 可具有任意大 的甚至是无 限的 此时的核矩 阵的第 个元素为 维 数 。首 先 假 设 已经 将 ｘ ， ， ｘ ： ， …， ｘ 训 练 样 本 数 据 在 特 征 空 间
PCA在雷达目标识别中的应用研究
PCA在雷达目标识别中的应用研究
杨进军;文树梁
【期刊名称】《航天电子对抗》
【年(卷),期】2007(023)004
【摘要】研究了宽带高分辨雷达目标识别中的特征压缩问题.首先提取目标一维距离像双谱特征,然后应用主元分析法(PCA)降低目标特征维数,最后利用支持向量机对3类实测目标数据进行识别.实验结果表明,对雷达目标识别来讲,PCA是一种可行的特征压缩方法.
【总页数】3页(P32-34)
【作者】杨进军;文树梁
【作者单位】中国航天科工集团公司二院23所,北京,100854;中国航天科工集团公司二院23所,北京,100854
【正文语种】中文
【中图分类】TN971;TN974
【相关文献】
1.对数零相位谱在雷达目标识别中的应用研究 [J], 冷家旭;黄惠明;龙方
2.PCA+CHMM在设备性能退化状态识别中的应用研究 [J], 钟飞;宁芊;周新志;赵成萍
3.PCA算法在银屑病BP神经网络建模中的应用研究 [J], 詹秀菊
4.PCA-FSA-MLR模型及在径流预测中的应用研究 [J], 郭存文;崔东文
5.PCA3在前列腺癌中的应用研究进展 [J], 夏韵
因版权原因，仅展示原文概要，查看原文内容请购买。
基于PCA-LVQ的雷达目标一维距离像识别
基于PCA-LVQ的雷达目标一维距离像识别
张小英;王宝发;刘铁军
【期刊名称】《系统工程与电子技术》
【年(卷),期】2005(27)8
【摘要】研究了宽带高分辨雷达目标识别问题.基于目标一维距离像,提出主成分分析(principal component analysis,PCA)和学习向量量化(learning vector quantization,LVQ)相结合的识别方法.即采用主成分分析方法进行数据压缩,提取目标特征,然后利用学习向量量化人工神经网络,训练集进行训练,建立识别模板库.最后对三种飞机模型高分辨回波数据进行识别,结果表明,经过PCA-LVQ网络处理后,目标维数和网络规模均大大降低,且系统具有良好的识别性能.
【总页数】3页(P1373-1375)
【作者】张小英;王宝发;刘铁军
【作者单位】北京航空航天大学电子工程系,北京,100083;北京航空航天大学电子工程系,北京,100083;北京航空航天大学电子工程系,北京,100083
【正文语种】中文
【中图分类】TN957.52
【相关文献】
1.基于一维距离像的雷达目标识别 [J], 李飞
2.基于KPCA算法的雷达目标一维距离像识别 [J], 张子刚;王文峰;张凤晓
3.基于PCA-LDA算法雷达目标一维距离像识别 [J], 王文峰;杨永庄;张凤晓
4.基于PCA-LDA算法雷达目标一维距离像识别 [J], 王文峰;杨永庄;张凤晓;
5.基于动态时间规整算法的一维距离像雷达目标识别方法 [J], 吴昭;夏鹏;田西兰因版权原因，仅展示原文概要，查看原文内容请购买。
基于PCA和LDA改进算法的人脸识别技术研究
基于PCA和LDA改进算法的人脸识别技术研究【摘要】本文通过对基于PCA和LDA改进算法的人脸识别技术进行研究，探讨了PCA和LDA在人脸识别中的应用。
文章首先介绍了研究背景、目的和意义，然后分析了PCA和LDA在人脸识别中的具体应用。
接着提出了基于PCA和LDA改进算法的人脸识别技术，并设计了相应的实验并进行了结果分析。
所得结果表明该技术在人脸识别中具有明显的优势，但也存在一定的局限性。
结论部分对基于PCA和LDA改进算法的人脸识别技术进行总结，并展望了未来的研究方向，同时指出了研究的局限性和不足之处。
通过本文的研究，为人脸识别技术的发展提供了重要的参考和启示。
【关键词】关键词：PCA、LDA、人脸识别技术、改进算法、实验设计、结果分析、技术优势、局限性、总结、未来展望、局限性、不足之处。
1. 引言1.1 研究背景人脸识别技术是一种生物特征识别技术，在安全监控、人脸支付等领域有着广泛的应用。
随着人工智能技术的发展，人脸识别技术也得到了快速的发展和应用。
在传统的人脸识别技术中，PCA（Principal Component Analysis）和LDA（Linear Discriminant Analysis）是两种常用的降维算法，它们可以提取人脸图像中的重要特征，从而实现对人脸的准确识别。
传统的PCA和LDA算法在人脸识别任务中存在一定的局限性，例如在处理大规模的人脸数据库时，计算复杂度较高，容易出现维数灾难等问题。
为了克服这些问题，研究者们提出了基于PCA和LDA改进算法的人脸识别技术。
这些改进算法通过结合多种特征提取方法、优化算法和模型融合等手段，提高了人脸识别的准确性和效率。
本研究旨在探讨基于PCA和LDA改进算法的人脸识别技术，借助这些算法来提高人脸识别的性能和实用性，为人脸识别技术的发展和应用提供新的思路和方法。
通过对现有研究成果进行总结和分析，可以为人脸识别领域的研究和实践提供有益的启示和参考。
基于LDA算法的一维距离像特征提取
$%&’()% *+’)&,’-./ .0 1223 4&5%6 ./ !"# #78.)-’9:
.: ;1<=>3?1， .: ;1<@A， 6BC 6?1>5=@A
（ *+, .<D， 7<E1=@<F B@1G 9 =H /4H4@24 +4I3@=F=AJ， K3<@A23< %!"")- ， K31@<）
李晓辉， 黎 湘， 郭桂蓉
%!"")-） （国防科技大学 *+, 实验室， 湖南 长沙 摘
要： 在线性分辨分析 （ ./*） 基 础 上， 通 过 遗 传 算 法 寻 找 012345 准 则 下 最 优 的 线 性 映 射 中 心 和 相 应 的 最
优映射， 使不同模式在特征空间内具有最大的可分离性， 并将该算法用于雷达目标一维距离像特征提取与识 别 中。实验表明， 和原算法相比， 新算法在特征提取性能和目标正确识别率上有较大提高， 说明了算法的有效性。 关键词： 目标识别； 遗传算法 （ 6*） ； 一维距离像 ./*； 中图分类号： +78() 9 ($ 文献标识码： *
程度上解决了这一问题。但不论是 ./* 还是 7./*， 都有一个共同特点： 它们都将各模 式样 本点的 均值 作为各自模式默认的中心， 这限制了模式分离性 能 的 进一 步提高。因 此， 选 取 最 优 模 式 中 心 是 必 要 的。 文献 ［-］ 提出了基于最优聚类中心的目标识别方 法， 在 选取 最优模 式 中 心 和 最 优 变 换 上 进 行 了 尝 试， 但 由于其将寻找最优模式中心和最优变换分为相对独 立 的两 个步骤， 并且其 模 式 中 心 的 选 取 与 样 本 数 据 利用遗传算法， 在 012345 准则下， 提 无关， 因此在 012345 准则下不是最优的。本文在上述 ./* 基础之上， 出了基于最优模式中 心的 ./* 算法， 并 将 其应 用 于 雷达 目标 一维 距离像 特征提 取和 识别中， 结 果表明 了算法的有效性。
基于NMFs-LDA的雷达目标距离像识别
基于NMFs-LDA的雷达目标距离像识别吴秋荣;杨万麟【摘要】基于NMFs(非负矩阵稀疏分解)和LDA(线性辨别分析),提出了一种新的雷达目标一维距离像识别方法.该方法首先用非负矩阵稀疏分解提取原数据的局部特征,然后用线性辨别分析方法对提取的特征进行进一步的处理,最终实现降维和特征提取的目的,接着采用最邻近中心法对处理后的特征进行分类,最后用3种不同类型飞机实测回波数据进行识别实验,并与经典的PCA-LDA方法相比较,结果表明该方法具有更好的识别性能.【期刊名称】《现代电子技术》【年(卷),期】2007(030)019【总页数】3页(P63-65)【关键词】雷达目标识别;距离像;非负矩阵稀疏分解;线性辨别分析;主成分分析【作者】吴秋荣;杨万麟【作者单位】电子科技大学,电子工程学院,四川,成都,610054;电子科技大学,电子工程学院,四川,成都,610054【正文语种】中文【中图分类】TN9531 引言雷达高分辨距离像(HRRP)可以反映目标散射点在距离像向上的分布信息，提供了目标重要的结构信息，对目标识别与分类有重要的价值。
相对于基于雷达目标像(包括SAR及ISAR像)的目标识别技术，基于HRRP的目标识别不要求目标相对于雷达平台有一定的转角，因而其获取更加容易。
所以基于雷达目标距离像的识别技术受到广泛的重视，成为现代战争环境中雷达目标识别研究的主要方法之一[1,2]。
但是一维距离像敏感于目标姿态角的变化，在不同的目标姿态角下，同一目标的距离像可完全不同。
因此采取恰当的特征提取方法是一维距离像雷达目标识别成功的关键[2]。
本文提出将非负矩阵稀疏分解方法[3]和线性辨别分析方法相结合的特征提取方法用于雷达目标高分辨距离像识别的方法。
本文先采用非负矩阵稀疏分解方法提取局部特征，得到非负基向量和非负解码系数矩阵，再用线性辨别分析方法找到最优的分类子空间，从而实现对原始距离像降维和特征提取的目的，接着采用最近邻中心分类器对目标进行分类。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一
ｌ
｛ ｙ ｌ ， ｙ ２ ， ｙ ３ ， ｙ ４ ｝
对输入测试集 目标 的距离像在判别矢量子空间中投影的 子像 ， 计算其与库特征矢量之间的欧式距离
雨
总体样本均值向量为 ：
１ ｇ－ －
： 一
ｄ ＝ ｌ ｌ ｙ 一 ｌ ， ｋ ＝ １ ， ２ ， ３ ， ４
若ｄ ＜ｄ ； 、 则该输入 测试集 目标判为第 ｉ 类。 仿真实验 中， 雷达发射脉冲的带宽为 ４ ０ ０ Ｍ， 目标每个散 对ｇ 类 目标的训练样本建立类 内散度矩 阵ｓ 和类 间散度 射 点 都 是等 强 度 且 设 为 １ ， 三 角 架 目标 的 散 射 点 个 数为 ８ ， 其 矩阵 Ｓ ， 于是可得： 余 目标的散射 点个数为 ９个。并且雷达仿真 回波 加入均值为 ０ ， 方差为 ４的高斯 白噪声 。 取 四种 目标不 同姿态的一维距离 像各 １ ０ ０个样本， 利用 Ｐ Ｃ Ａ方法来压缩数据， 提取 目标的特 征 向量 。从表 １中可 以看 出，此种特征提取 的方法可 以得到 Ｓ Ｂ ＝＿ １ ｏ （ — ） （ 一 ） 较 好 的识 别 率 。
Ｓ ＝ 寺 ∑ ∑ （ 一 ） （ 一 Ｘ Ｊ ）
如果 Ｓ 是非奇异的， 为 了使 类 间散 度 与 类 内散 度 的 比值 最大 ， 根据 Ｆ ｉ ｓ ｈ ｅ ｒ 判别准则， 可 得 原始 数 据 的投 影 方 向应 满 足 下式 ：
其 中｛ ｗ。 ｌ ｉ ＝ １ ， ２ ， …Ｐ ） 是满足下式 ｓ ｎ 、 ｓ 对应 的 Ｐ个最大特 征值 ｛ ｗ Ｉ ｉ ＝ １ ， ２ ， …Ｐ ） 所 对 应 的特 征 向量 ：
因为 Ｓ ｎ 矩阵的秩不大于 ｇ － １ ， 所 以 Ｐ值 的上 界 ｇ － １ ， 即变 换的维数不超过 ｇ ． １ 。 ２基于 Ｐ Ｃ Ａ ． Ｌ Ｄ Ａ的雷达 目标特征提取 基于 Ｐ Ｃ Ａ。 Ｌ ＤＡ的特征提取方法所求的投影方 向满足下
式：
ＷＴ 。 ｍ ＝ ＷＴ ｌ ｄ ａ Ｗｒ Ｍ
基于 Ｐ Ｃ Ａ ． Ｌ Ｄ Ａ算法雷达 目标一维距离像识别
王文峰
摘 要
杨 永庄
张凤晓
１ ３ ０ １ １ ７ ）
（ 装 甲兵技 术 学院
析（ Ｌ Ｄ Ａ） 相 结 合 的 识别 方 法 。
吉林 ・ 长春
本文主要研究 了高分 辨雷达 目标识别问题 。基于 目标一维距离像 ， 提 出了主成分分析（ Ｐ Ｃ Ａ） 和线性判别分 一维距 离像 主成分分析 线性判别分析 文献标识码 ： Ａ ０ 。 ， ２ 。 ， ４ 。 ， …， ４ ０ 。 姿态角为的距离像进行训练（ 其余姿态角的距 离 像 作 为测 试 数据 ） ， 由训 练 数据 集 ， 按 以上 的方法 建 立 判 别矢 量 子 空 间 ，将 各 目标 的训 练 姿 态 角 的距 离 像 向此 子 空 间 投影 得 到 子 像 ，将 每 类 目标 的训 练 子像 平均 作 为 库 目标 的特 征矢 量， 四种 目标 的总 特 征 矢 量 库为
ｗ ａ ＝ａ ｒ ｓ ｍ
飞机 三角架
Ｏ ４
１ ０
９ ９ １
０ ９ ５
９ １ ０ ０ ， 然后与模板库样本 采用最小距离准则进行识别 。 Ｓ ， ＝ ∑（ ｘ 一 ） （ ｘ 一 ｘ ） ４结 束 语 将距离像训练样 本 ｘ 和测试样本 ｘ 分别根据式 Ｘ ｉ ｊ Ｐ ￣ ＷＴ ｏ ｐ ｌ 高分辨雷达 目标一维距离像识别是 目前雷达识别领域 中 和ｘ Ｐ ｔ ￣ ＷＴ ｏ ｐ ｔ Ｘ ｔ 投 影 到 该 子 空 间 中 ， 即可 得 到 Ｘ ，Ｘ ｔ ｐ 为 基 于 个 很重 要 的方 向 。通 过 Ｐ Ｃ Ａ 方法 对 雷 达 数 据 进 行 压 缩 ， 提 Ｐ Ｃ Ａ． Ｌ Ｄ Ａ 的 目标 识 别 方 法 所 需要 的特 征 系 数 向量 。 取 目标的特征 ， 然后再利用 Ｌ Ｄ Ａ方法识别， 实验 结果证 明了 ３仿真结果与分析 该 方 法 的 可行 性 。 在 目标 姿态 角 （ Ｏ 。 ～ ４ ０ 。 ） 范 围 内每 隔 １ 。 的一 维像 中 ， 取 目标
十字架
圆 形
图１ ： 特征 向量分布 图 表 １ ： Ｐ Ｃ Ａ ． Ｌ ＤＡ方法的识别实验结果
十字架 圆形 飞机 三角架 识别率 总识别率
９ １
１ ８
２
７ ９
ｌ
２
６
ｌ
９ ｌ ％
７ ９ ％
９ １ ％
其中 Ｗｏ ￣ ＝ ａ ｒ ｇ ｍａ ｘ ｌ Ｗ Ｓ Ｔ Ｗ１
关键词
中图分类号 ： Ｔ Ｎ ９ ５ ７ ． ５ ２
１ 线 性 判 别 分 析 线 性 判 别分 析 （ Ｌ Ｄ Ａ） 算法步骤： 设 给 定个 训 练 样 本 ， 其 中包 含类 目标 ， 其 第 类 训 练 样本 数 量 Ｎ． ， ｇ 类 目标 表 示 Ｘ ｉ ＝ ｛ Ｘ ｉ ｌ ， Ｘ ｉ ： ， …， Ｘ ｉ Ｎ ｉ ， ｝ ， ｘ ￣ ｊ （ ｉ ＝ ｌ ， ２ ， …ｇ ： ｊ ＝ ｌ ， ２ ， …， Ｎｉ ） 是 ｎ维 向 量 。 于是 可 以得 到 各类 目标 的均 值 向量 为 ：
一
ａ ｘ ＋
１ ３ ４
一 科 教导刊 ｒ 电子版Ｊ・２ ０ １ ４年第 １ ０期 ｒ 中ｊ一
ｌ
｛ ｙ ｌ ， ｙ ２ ， ｙ ３ ， ｙ ４ ｝
对输入测试集 目标 的距离像在判别矢量子空间中投影的 子像 ， 计算其与库特征矢量之间的欧式距离
雨
总体样本均值向量为 ：
１ ｇ－ －
： 一
ｄ ＝ ｌ ｌ ｙ 一 ｌ ， ｋ ＝ １ ， ２ ， ３ ， ４
若ｄ ＜ｄ ； 、 则该输入 测试集 目标判为第 ｉ 类。 仿真实验 中， 雷达发射脉冲的带宽为 ４ ０ ０ Ｍ， 目标每个散 对ｇ 类 目标的训练样本建立类 内散度矩 阵ｓ 和类 间散度 射 点 都 是等 强 度 且 设 为 １ ， 三 角 架 目标 的 散 射 点 个 数为 ８ ， 其 矩阵 Ｓ ， 于是可得： 余 目标的散射 点个数为 ９个。并且雷达仿真 回波 加入均值为 ０ ， 方差为 ４的高斯 白噪声 。 取 四种 目标不 同姿态的一维距离 像各 １ ０ ０个样本， 利用 Ｐ Ｃ Ａ方法来压缩数据， 提取 目标的特 征 向量 。从表 １中可 以看 出，此种特征提取 的方法可 以得到 Ｓ Ｂ ＝＿ １ ｏ （ — ） （ 一 ） 较 好 的识 别 率 。
Ｓ ＝ 寺 ∑ ∑ （ 一 ） （ 一 Ｘ Ｊ ）
如果 Ｓ 是非奇异的， 为 了使 类 间散 度 与 类 内散 度 的 比值 最大 ， 根据 Ｆ ｉ ｓ ｈ ｅ ｒ 判别准则， 可 得 原始 数 据 的投 影 方 向应 满 足 下式 ：
其 中｛ ｗ。 ｌ ｉ ＝ １ ， ２ ， …Ｐ ） 是满足下式 ｓ ｎ 、 ｓ 对应 的 Ｐ个最大特 征值 ｛ ｗ Ｉ ｉ ＝ １ ， ２ ， …Ｐ ） 所 对 应 的特 征 向量 ：
因为 Ｓ ｎ 矩阵的秩不大于 ｇ － １ ， 所 以 Ｐ值 的上 界 ｇ － １ ， 即变 换的维数不超过 ｇ ． １ 。 ２基于 Ｐ Ｃ Ａ ． Ｌ Ｄ Ａ的雷达 目标特征提取 基于 Ｐ Ｃ Ａ。 Ｌ ＤＡ的特征提取方法所求的投影方 向满足下
式：
ＷＴ 。 ｍ ＝ ＷＴ ｌ ｄ ａ Ｗｒ Ｍ
基于 Ｐ Ｃ Ａ ． Ｌ Ｄ Ａ算法雷达 目标一维距离像识别
王文峰
摘 要
杨 永庄
张凤晓
１ ３ ０ １ １ ７ ）
（ 装 甲兵技 术 学院
析（ Ｌ Ｄ Ａ） 相 结 合 的 识别 方 法 。
吉林 ・ 长春
本文主要研究 了高分 辨雷达 目标识别问题 。基于 目标一维距离像 ， 提 出了主成分分析（ Ｐ Ｃ Ａ） 和线性判别分 一维距 离像 主成分分析 线性判别分析 文献标识码 ： Ａ ０ 。 ， ２ 。 ， ４ 。 ， …， ４ ０ 。 姿态角为的距离像进行训练（ 其余姿态角的距 离 像 作 为测 试 数据 ） ， 由训 练 数据 集 ， 按 以上 的方法 建 立 判 别矢 量 子 空 间 ，将 各 目标 的训 练 姿 态 角 的距 离 像 向此 子 空 间 投影 得 到 子 像 ，将 每 类 目标 的训 练 子像 平均 作 为 库 目标 的特 征矢 量， 四种 目标 的总 特 征 矢 量 库为
ｗ ａ ＝ａ ｒ ｓ ｍ
飞机 三角架
Ｏ ４
１ ０
９ ９ １
０ ９ ５
９ １ ０ ０ ， 然后与模板库样本 采用最小距离准则进行识别 。 Ｓ ， ＝ ∑（ ｘ 一 ） （ ｘ 一 ｘ ） ４结 束 语 将距离像训练样 本 ｘ 和测试样本 ｘ 分别根据式 Ｘ ｉ ｊ Ｐ ￣ ＷＴ ｏ ｐ ｌ 高分辨雷达 目标一维距离像识别是 目前雷达识别领域 中 和ｘ Ｐ ｔ ￣ ＷＴ ｏ ｐ ｔ Ｘ ｔ 投 影 到 该 子 空 间 中 ， 即可 得 到 Ｘ ，Ｘ ｔ ｐ 为 基 于 个 很重 要 的方 向 。通 过 Ｐ Ｃ Ａ 方法 对 雷 达 数 据 进 行 压 缩 ， 提 Ｐ Ｃ Ａ． Ｌ Ｄ Ａ 的 目标 识 别 方 法 所 需要 的特 征 系 数 向量 。 取 目标的特征 ， 然后再利用 Ｌ Ｄ Ａ方法识别， 实验 结果证 明了 ３仿真结果与分析 该 方 法 的 可行 性 。 在 目标 姿态 角 （ Ｏ 。 ～ ４ ０ 。 ） 范 围 内每 隔 １ 。 的一 维像 中 ， 取 目标
十字架
圆 形
图１ ： 特征 向量分布 图 表 １ ： Ｐ Ｃ Ａ ． Ｌ ＤＡ方法的识别实验结果
十字架 圆形 飞机 三角架 识别率 总识别率
９ １
１ ８
２
７ ９
ｌ
２
６
ｌ
９ ｌ ％
７ ９ ％
９ １ ％
其中 Ｗｏ ￣ ＝ ａ ｒ ｇ ｍａ ｘ ｌ Ｗ Ｓ Ｔ Ｗ１
关键词
中图分类号 ： Ｔ Ｎ ９ ５ ７ ． ５ ２
１ 线 性 判 别 分 析 线 性 判 别分 析 （ Ｌ Ｄ Ａ） 算法步骤： 设 给 定个 训 练 样 本 ， 其 中包 含类 目标 ， 其 第 类 训 练 样本 数 量 Ｎ． ， ｇ 类 目标 表 示 Ｘ ｉ ＝ ｛ Ｘ ｉ ｌ ， Ｘ ｉ ： ， …， Ｘ ｉ Ｎ ｉ ， ｝ ， ｘ ￣ ｊ （ ｉ ＝ ｌ ， ２ ， …ｇ ： ｊ ＝ ｌ ， ２ ， …， Ｎｉ ） 是 ｎ维 向 量 。 于是 可 以得 到 各类 目标 的均 值 向量 为 ：
一
ａ ｘ ＋
１ ３ ４
一 科 教导刊 ｒ 电子版Ｊ・２ ０ １ ４年第 １ ０期 ｒ 中ｊ一