基于核方法和流形學(xué)習(xí)的雷達目標(biāo)距離像識別研究.pdf

1、雷達目標(biāo)識別是現(xiàn)代雷達發(fā)展的重要方向之一，具有廣泛的軍事和民用價值。高分辨距離像包含了較多的目標(biāo)結(jié)構(gòu)信息，從而為我們提供了一種可靠的目標(biāo)識別手段。核方法是目前模式識別領(lǐng)域研究的一個焦點，它對于解決非線性問題具有許多獨特優(yōu)勢；流形學(xué)習(xí)是近年來出現(xiàn)的一種新型的機器學(xué)習(xí)理論，其旨在發(fā)現(xiàn)高維數(shù)據(jù)集分布的內(nèi)在規(guī)律性。 本文對以上兩種機器學(xué)習(xí)理論進行研究，針對已有算法的不足進行推廣和改進，并應(yīng)用于基于高分辨距離像的雷達目標(biāo)識別。論文的主要工

2、作和創(chuàng)新之處概括如下： 1．在對核鑒別分析(Kernel Discriminant Analysis,KDA)及其變形算法進行深入研究的基礎(chǔ)上，提出一種最優(yōu)核鑒別分析(Optimal Kernel Discriminant Analysis,OKDA)算法用于雷達目標(biāo)距離像特征提取。實驗結(jié)果表明，OKDA具有較好的識別性能以及良好的類內(nèi)聚合性。 2．研究基于核不相關(guān)鑒別分析的雷達目標(biāo)距離像特征提取。通過對統(tǒng)計不相關(guān)特性進

3、一步分析并引入核函數(shù)，推導(dǎo)出核不相關(guān)Fisher準則，并提出兩種核不相關(guān)鑒別分析算法——直接核不相關(guān)鑒別分析(Direct Kernel Uncorrelated Discriminant Analysis,DKUDA)和基于廣義奇異值分解的核不相關(guān)鑒別分析(Kernel Uncorrelated Discriminant Analysis Based on Generalized Singular Value Decompositio

4、n,KUDA/GSVD)，用于從雷達目標(biāo)距離像中提取統(tǒng)計不相關(guān)的鑒別特征。與不相關(guān)鑒別分析(Uncorrelated Discriminant Analysis,UDA)和核不相關(guān)鑒別分析(Kernel Uncorrelated Discriminant Analysis,KUDA)相比，這兩種算法大大減少了運算量，而且能有效解決奇異性問題。 3．研究基于流形學(xué)習(xí)理論的雷達目標(biāo)距離像特征提取。在對幾種經(jīng)典的流形學(xué)習(xí)算法進行分析總

5、結(jié)的基礎(chǔ)上，提出一種有監(jiān)督的非線性流形學(xué)習(xí)算法——監(jiān)督核近鄰保持投影(Supervised Kernel Neighborhood Preserving Projections,SKNPP)，用于對雷達目標(biāo)距離像進行特征提取。SKNPP在近鄰保持投影(Neighborhood Preserving Projecfions,NPP)的基礎(chǔ)上引入樣本的類別信息，并利用核函數(shù)將其推廣到非線性形式而得到。該算法不但保留了高維空間中類內(nèi)樣本之間的

6、幾何結(jié)構(gòu)，而且可以獲得對數(shù)據(jù)流形的非線性逼近。 4．提出了基于核不相關(guān)鑒別近鄰嵌入(Kernel Uncorrelated Discriminative Neighborhood Embedding,KUDNE)和核不相關(guān)鑒別局部保持投影(KernelUncorrelated Discriminative Locality Preserving Projections,KUDLPP)的雷達目標(biāo)距離像特征提取方法。KUDNE和KU

7、DLPP是在統(tǒng)計不相關(guān)約束條件下，分別將監(jiān)督核近鄰保持投影(SKNPP)和監(jiān)督核局部保持投影(Supervised Kemel Locality Preserving Projections,SKLPP)與核鑒別分析(KDA)相結(jié)合而得到的。這兩種算法在保留類內(nèi)樣本之間固有幾何關(guān)系的同時，使投影后樣本的類間散射最大，而且使生成的特征空間具有最小的冗余度。 5．研究基于核非線性分類器的雷達目標(biāo)識別方法。對支持向量機(Support