基于局部特性的毫米波距離像識(shí)別方法研究.pdf

1、雷達(dá)自動(dòng)目標(biāo)識(shí)別技術(shù)是目標(biāo)探測(cè)和精確制導(dǎo)等應(yīng)用的關(guān)鍵技術(shù)之一。高分辨距離像作為一類重要的雷達(dá)目標(biāo)識(shí)別信號(hào)，能夠反映出目標(biāo)在雷達(dá)視線上的強(qiáng)散射點(diǎn)分布情況。毫米波雷達(dá)容易實(shí)現(xiàn)大帶寬的發(fā)射信號(hào)，可提高距離分辨能力，從而能夠獲得更多的目標(biāo)細(xì)節(jié)特征，有利于實(shí)現(xiàn)精確的目標(biāo)識(shí)別。然而，距離像受雷達(dá)參數(shù)、目標(biāo)狀態(tài)、背景環(huán)境以及天氣等因素的影響，呈現(xiàn)出高度的非線性特點(diǎn)，使用傳統(tǒng)的線性方法進(jìn)行距離像識(shí)別并不能得到滿意的結(jié)果。
　　流形學(xué)習(xí)是一種被廣泛

2、研究的非線性維數(shù)約減方法，能夠從高維的非線性特征空間中發(fā)現(xiàn)線性的低維特征結(jié)構(gòu)。論文針對(duì)地面目標(biāo)的毫米波距離像識(shí)別問(wèn)題，基于流形學(xué)習(xí)方法，從特征選擇、分類器設(shè)計(jì)、主動(dòng)學(xué)習(xí)和非平衡學(xué)習(xí)等四個(gè)方面展開(kāi)了研究工作，主要研究?jī)?nèi)容如下:
　　從算法的角度研究了距離像特征選擇問(wèn)題，提出了基于局部重構(gòu)誤差排列的非監(jiān)督特征選擇算法、基于標(biāo)簽重構(gòu)拉普拉斯得分的半監(jiān)督特征選擇算法和基于改進(jìn)約束得分的半監(jiān)督特征選擇算法?；诰植恐貥?gòu)誤差排列的特征選擇算法

3、可以看作是特征選擇版本的局部線性嵌入，通過(guò)最小化局部重構(gòu)誤差得到最優(yōu)局部特征序列，再通過(guò)排列技術(shù)得到全局特征序列?；跇?biāo)簽重構(gòu)拉普拉斯得分的特征選擇算法利用標(biāo)簽重構(gòu)技術(shù)將基于拉普拉斯得分的特征選擇算法推廣到半監(jiān)督應(yīng)用場(chǎng)合，同時(shí)利用測(cè)地距離代替歐氏距離來(lái)度量非線性特征空間中的樣本相似度。在基于改進(jìn)約束得分的特征選擇算法中，假設(shè)對(duì)約束條件和樣本的局部特性并非完全獨(dú)立，而是存在一定聯(lián)系，通過(guò)已知的對(duì)約束條件能夠改進(jìn)樣本的局部特性，并利用改進(jìn)后

4、的局部特性和對(duì)約束條件進(jìn)行特征選擇。
　　在設(shè)計(jì)分類器時(shí)，針對(duì)距離像的方位敏感性問(wèn)題，提出了基于測(cè)地權(quán)重稀疏重構(gòu)的分類算法。算法假設(shè)同一目標(biāo)的距離像樣本在歸一化之后分布在一個(gè)單位超球面的子流形上，通過(guò)小方位角范圍內(nèi)的樣本具有高相關(guān)性的特點(diǎn)，對(duì)這些子流形進(jìn)行分類。首先使用改進(jìn)的測(cè)地距離計(jì)算所有樣本之間的相似度。然后計(jì)算測(cè)地權(quán)重樣本，測(cè)地權(quán)重樣本能夠?qū)⒊蛎嫔系淖恿餍握归_(kāi)，把非線性的樣本結(jié)構(gòu)變換成線性結(jié)構(gòu)。最后將所有標(biāo)簽已知樣本作為字

5、典，利用標(biāo)簽重構(gòu)技術(shù)估計(jì)標(biāo)簽未知樣本的類別概率。
　　在傳統(tǒng)的距離像識(shí)別方法中，用于訓(xùn)練分類器的樣本通過(guò)隨機(jī)選擇獲得。針對(duì)同一種分類器模型，不同的訓(xùn)練樣本可能會(huì)訓(xùn)練出不同的分類器參數(shù)，而這些參數(shù)不同的分類器的性能也可能相差很大。主動(dòng)學(xué)習(xí)的目的是在給定的訓(xùn)練樣本集中選擇一個(gè)訓(xùn)練樣本子集，當(dāng)用這個(gè)子集訓(xùn)練分類器時(shí)，可以獲得最優(yōu)的分類器。論文針對(duì)距離像識(shí)別中的主動(dòng)學(xué)習(xí)問(wèn)題，研究了基于局部線性重構(gòu)的主動(dòng)學(xué)習(xí)算法，并在該算法的理論框架下，使

6、用拉普拉斯矩陣代替局部線性重構(gòu)矩陣來(lái)描述樣本的局部結(jié)構(gòu)，以最優(yōu)重構(gòu)的方法來(lái)選擇訓(xùn)練樣本，得到了基于拉普拉斯直推優(yōu)化設(shè)計(jì)的主動(dòng)學(xué)習(xí)算法，并比較了幾種主動(dòng)學(xué)習(xí)算法在距離像識(shí)別中的效果。
　　非平衡學(xué)習(xí)是模式識(shí)別理論在實(shí)際應(yīng)用中遇到的問(wèn)題，它更關(guān)注小類樣本的識(shí)別能力。當(dāng)用于訓(xùn)練分類器的樣本數(shù)量非平衡時(shí)，分類面會(huì)向小類樣本移動(dòng)，從而降低小類樣本的識(shí)別率。論文針對(duì)非平衡數(shù)據(jù)條件下的距離像識(shí)別問(wèn)題，提出基于代價(jià)敏感測(cè)地約束得分的半監(jiān)督特征選擇