基于核方法的雷達(dá)高分辨距離像目標(biāo)識(shí)別技術(shù)研究.pdf

1、雷達(dá)高分辨距離像(HRRP)可以反映目標(biāo)散射點(diǎn)在縱向距離上的分布情況，提供了目標(biāo)重要的結(jié)構(gòu)信息，并且相對(duì)于基于雷達(dá)目標(biāo)像(包括SAR及ISAR像)的目標(biāo)識(shí)別技術(shù)，基于HRRP的目標(biāo)識(shí)別不要求目標(biāo)相對(duì)于雷達(dá)平臺(tái)有一定的轉(zhuǎn)角，因而更易獲取，對(duì)雷達(dá)具有更大的適應(yīng)性，因此基于HRRP的雷達(dá)目標(biāo)識(shí)別技術(shù)將受到更為廣泛的關(guān)注和研究。近十幾年來(lái)，基于核函數(shù)的方法也已經(jīng)成功地用于解決機(jī)器學(xué)習(xí)領(lǐng)域的各種問(wèn)題?；诤撕瘮?shù)的算法相當(dāng)于線性算法的一種非線性版本

2、，它通過(guò)一個(gè)非線性函數(shù)將輸入向量預(yù)先投影到一個(gè)高維空間中，只需要利用核函數(shù)計(jì)算各向量的內(nèi)積便可在該高維空間中應(yīng)用模式分析的各種算法，不僅提高了算法性能也節(jié)約了大量的運(yùn)算時(shí)間。而在HRRP識(shí)別當(dāng)中，由于目標(biāo)的機(jī)動(dòng)性，目標(biāo)之間存在著復(fù)雜的非線性關(guān)系。因此，本論文主要圍繞著“十五”國(guó)防預(yù)研項(xiàng)目“目標(biāo)識(shí)別技術(shù)”(項(xiàng)目編號(hào)：413070501)和“十一五”國(guó)防預(yù)研項(xiàng)目“雷達(dá)高分辨距離像特征提取及識(shí)別”(項(xiàng)目編號(hào)：51307060601)的研究任務(wù)

3、，針對(duì)高分辨距離像目標(biāo)識(shí)別，從基于核函數(shù)的特征提取、分類器設(shè)計(jì)以及核函數(shù)優(yōu)化算法等三個(gè)方面展開了較為深入的研究，另外，論文也對(duì)目標(biāo)方位角劃分和距離像的特征選擇技術(shù)進(jìn)行了研究。本論文的主要內(nèi)容概括如下： 1、簡(jiǎn)單回顧了核方法的研究背景，介紹了核函數(shù)的基本概念和性質(zhì)。并且，為了展示基于核函數(shù)的方法相對(duì)線性方法的優(yōu)越性，針對(duì)雷達(dá)HRRP的目標(biāo)姿態(tài)敏感性、平移敏感性和閃爍效應(yīng)的特點(diǎn)改進(jìn)了核主分量分析(Kernel PCA)，從而將其應(yīng)用

4、于雷達(dá)自動(dòng)目標(biāo)識(shí)別任務(wù)中。 2、線性判別分析(Linear Discriminant Analysis，LDA)是被廣泛應(yīng)用于模式識(shí)別領(lǐng)域中的一種線性降維方法，但是它對(duì)數(shù)據(jù)有較強(qiáng)的限制，例如各類數(shù)據(jù)均為協(xié)方差矩陣相同但均值向量不同的多元正態(tài)分布，并且每類數(shù)據(jù)都是單聚類結(jié)構(gòu)。為了克服這些局限性，近來(lái)子類判別分析(Subclass Discriminant Analysis，SDA)已經(jīng)被提出。提出了一種基于核函數(shù)的子空間判別分析(

5、Kernel SDA)，簡(jiǎn)稱為KSDA。同時(shí)，給出了一個(gè)新的SDA表示公式從而避免了在特征空間中的一些復(fù)雜而且不直觀的推導(dǎo)過(guò)程。 3、提出一種簡(jiǎn)單而有效的方法通過(guò)減少在決策函數(shù)中出現(xiàn)的支撐向量的個(gè)數(shù)來(lái)加速其決策過(guò)程。盡管支撐向量機(jī)已經(jīng)成功地應(yīng)用于數(shù)據(jù)分類與回歸等領(lǐng)域，但鑒于在決策階段測(cè)試數(shù)據(jù)必須和所有支撐向量結(jié)合構(gòu)成核函數(shù)的原因，與其他方法相比，在獲得相似的性能時(shí)其測(cè)試速度相對(duì)較慢。實(shí)際上，投影數(shù)據(jù)只是位于高維核空間的一個(gè)子空間

6、中，所以我們能夠找到一組基向量來(lái)表示所有的支撐向量，而這些基向量的個(gè)數(shù)通常小于支撐向量的個(gè)數(shù)。 4、針對(duì)核函數(shù)優(yōu)化問(wèn)題進(jìn)行了研究。這部分工作主要分三個(gè)內(nèi)容： (1)提出一種針對(duì)雷達(dá)一維高分辨距離像的核函數(shù)優(yōu)化算法。該算法基于對(duì)模-1距離高斯核和模-2距離高斯核的融合，結(jié)合兩種核函數(shù)的不同特性，不僅優(yōu)化了核函數(shù)，同時(shí)對(duì)HRRP的閃爍效應(yīng)有抑制作用； (2)核函數(shù)是否與數(shù)據(jù)分布結(jié)構(gòu)相“匹配”控制著基于核函數(shù)方法的性能

7、，這個(gè)結(jié)論已被廣泛認(rèn)同。理想情況下，數(shù)據(jù)在期望的核函數(shù)定義的特征空間中能夠線性可分，因此Fisher線性可分性準(zhǔn)則可以作為一種核優(yōu)化規(guī)則。然而在許多應(yīng)用中，即使在核空間轉(zhuǎn)換后數(shù)據(jù)仍未達(dá)到線性可分，例如多模結(jié)構(gòu)數(shù)據(jù)，因此在這種情況下非線性分類器更能體現(xiàn)出其優(yōu)越的性能，并且此時(shí)Fisher準(zhǔn)則已不是核優(yōu)化準(zhǔn)則的最好選擇。受此啟發(fā)，我們提出了一種新的核優(yōu)化算法，該方法依靠局部核Fisher準(zhǔn)則，在特征空間最大化局部類可分性以增大特征空間中各類

8、間的局部距離，從而使得非線性分類器在核函數(shù)定義的特征空間中的的分類性能得到改進(jìn)； (3)另外，F(xiàn)isher準(zhǔn)則僅在各類數(shù)據(jù)均為協(xié)方差矩陣相同但均值向量不同的多元正態(tài)分布，并且每類數(shù)據(jù)都是單聚類結(jié)構(gòu)的假設(shè)條件下，才是最優(yōu)的。由于這個(gè)假設(shè)的限制，在一些應(yīng)用中Fisher準(zhǔn)則顯然已不是核優(yōu)化準(zhǔn)則的最好選擇。為了解決這一問(wèn)題，近來(lái)許多改進(jìn)的判別分析已經(jīng)被提出。因此，為了將這些判別準(zhǔn)則應(yīng)用于核優(yōu)化中，基于依賴數(shù)據(jù)的核函數(shù)形式，提出了一個(gè)統(tǒng)

9、一的核優(yōu)化框架，該優(yōu)化框架能使用任何可以寫為樣本對(duì)的形式判別準(zhǔn)則作為代價(jià)函數(shù)。在該優(yōu)化框架下，如果需要應(yīng)用不同的判別準(zhǔn)則，僅修改對(duì)應(yīng)的伴隨矩陣即可，而不需要任何特征空間中復(fù)雜的公式推導(dǎo)。 5、首先從流形幾何的角度來(lái)學(xué)習(xí)雷達(dá)高分辨距離像(HRRP)中的非線性結(jié)構(gòu)。然后，針對(duì)目標(biāo)的姿態(tài)敏感性，在假設(shè)HRRP位于一低維流形基礎(chǔ)上，利用HRRP流形的彎曲率，提出了一種自適應(yīng)分割角域的方法。 6、提出一種新的特征選擇的方法。特征選