论文部分内容阅读
雷达目标识别是现代雷达发展的重要方向之一,具有广泛的军事和民用价值。高分辨距离像包含了较多的目标结构信息,从而为我们提供了一种可靠的目标识别手段。核方法是目前模式识别领域研究的一个焦点,它对于解决非线性问题具有许多独特优势;流形学习是近年来出现的一种新型的机器学习理论,其旨在发现高维数据集分布的内在规律性。本文对以上两种机器学习理论进行研究,针对已有算法的不足进行推广和改进,并应用于基于高分辨距离像的雷达目标识别。论文的主要工作和创新之处概括如下:1.在对核鉴别分析(Kernel Discriminant Analysis,KDA)及其变形算法进行深入研究的基础上,提出一种最优核鉴别分析(Optimal Kernel DiscriminantAnalysis,OKDA)算法用于雷达目标距离像特征提取。实验结果表明,OKDA具有较好的识别性能以及良好的类内聚合性。2.研究基于核不相关鉴别分析的雷达目标距离像特征提取。通过对统计不相关特性进一步分析并引入核函数,推导出核不相关Fisher准则,并提出两种核不相关鉴别分析算法——直接核不相关鉴别分析(Direct Kernel UncorrelatedDiscriminant Analysis,DKUDA)和基于广义奇异值分解的核不相关鉴别分析(Kernel Uncorrelated Discriminant Analysis Based on Generalized Singular ValueDecomposition,KUDA/GSVD),用于从雷达目标距离像中提取统计不相关的鉴别特征。与不相关鉴别分析(Uncorrelated Discriminant Analysis,UDA)和核不相关鉴别分析(Kernel Uncorrelated Discriminant Analysis,KUDA)相比,这两种算法大大减少了运算量,而且能有效解决奇异性问题。3.研究基于流形学习理论的雷达目标距离像特征提取。在对几种经典的流形学习算法进行分析总结的基础上,提出一种有监督的非线性流形学习算法——监督核近邻保持投影(Supervised Kernel Neighborhood Preserving Projections,SKNPP),用于对雷达目标距离像进行特征提取。SKNPP在近邻保持投影(Neighborhood Preserving Projections,NPP)的基础上引入样本的类别信息,并利用核函数将其推广到非线性形式而得到。该算法不但保留了高维空间中类内样本之间的几何结构,而且可以获得对数据流形的非线性逼近。4.提出了基于核不相关鉴别近邻嵌入(Kernel Uncorrelated DiscriminativeNeighborhood Embedding,KUDNE)和核不相关鉴别局部保持投影(KernelUncorrelated Discriminative Locality Preserving Projections,KUDLPP)的雷达目标距离像特征提取方法。KUDNE和KUDLPP是在统计不相关约束条件下,分别将监督核近邻保持投影(SKNPP)和监督核局部保持投影(Supervised Kernel LocalityPreserving Projections,SKLPP)与核鉴别分析(KDA)相结合而得到的。这两种算法在保留类内样本之间固有几何关系的同时,使投影后样本的类间散射最大,而且使生成的特征空间具有最小的冗余度。5.研究基于核非线性分类器的雷达目标识别方法。对支持向量机(SupportVector Machine,SVM)、KND(Kernel-Based Nonlinear Discriminator)以及KNR(Kernel-Based Nonlinear Representor)的分类原理及学习过程进行了深入研究和比较,并将其应用于雷达目标距离像分类。KND和KNR是两种新型的核非线性分类器,与SVM相比,它们不但能提高雷达目标识别速度,而且能得到满意的识别精度。