基于核方法和流形学习的雷达目标距离像识别研究

论文摘要

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。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 雷达目标识别系统模型
• 1.3 雷达目标识别方法简述
• 1.4 基于距离像的雷达目标识别技术研究概况
• 1.4.1 特征提取方法概述
• 1.4.2 目标分类技术概述
• 1.5 论文的主要内容和创新之处
• 第二章 雷达目标距离像及其特性
• 2.1 引言
• 2.2 目标散射中心模型
• 2.3 高分辨距离像及其特性
• 2.3.1 高分辨距离像
• 2.3.2 高分辨距离像特性
• 2.4 距离像实验数据
• 2.4.1 仿真数据描述
• 2.4.2 实测数据描述
• 2.4.3 实验数据预处理
• 2.5 本章小结
• 第三章 基于最优核鉴别分析的距离像特征提取
• 3.1 引言
• 3.2 核方法基本思想
• 3.3 核鉴别分析
• 3.3.1 核Fisher准则
• 3.3.2 KDA
• 3.3.3 GDA
• 3.3.4 KDDA
• 3.4 最优核鉴别分析
• 3.4.1 OKDA算法推导
• 3.4.2 OKDA算法实现
• 3.5 目标识别实验
• 3.5.1 仿真数据实验
• 3.5.2 实测数据实验
• 3.5.3 实验结论
• 3.6 本章小结
• 第四章 基于核不相关鉴别分析的距离像特征提取
• 4.1 引言
• 4.2 统计不相关鉴别矢量集
• 4.3 直接核不相关鉴别分析
• 4.3.1 核不相关Fisher准则
• 4.3.2 DKUDA算法推导
• 4.3.3 DKUDA算法实现
• 4.4 基于广义奇异值分解的核不相关鉴别分析（KUDA/GSVD）
• 4.4.1 KUDA/GSVD算法推导
• 4.4.2 KUDA/GSVD算法实现
• 4.5 目标识别实验
• 4.5.1 仿真数据实验
• 4.5.2 实测数据实验
• 4.5.3 实验结论
• 4.6 本章小结
• 第五章 基于监督核近邻保持投影的距离像特征提取
• 5.1 引言
• 5.2 流形学习
• 5.2.1 流形和流形学习
• 5.2.2 几种流形学习算法
• 5.3 NPP简介
• 5.4 监督核近邻保持投影
• 5.4.1 SNPP
• 5.4.2 SKNPP算法推导
• 5.4.3 SKNPP算法实现
• 5.5 目标识别实验
• 5.5.1 仿真数据实验
• 5.5.2 实测数据实验
• 5.5.3 实验结论
• 5.6 本章小结
• 第六章 基于KUDNE和KUDLPP的距离像特征提取
• 6.1 引言
• 6.2 核不相关鉴别近邻嵌入
• 6.2.1 KUDNE算法推导
• 6.2.2 KUDNE算法实现
• 6.3 LPP简介
• 6.4 核不相关鉴别局部保持投影
• 6.4.1 KUDLPP算法推导
• 6.4.2 KUDLPP算法实现
• 6.5 目标识别实验
• 6.5.1 仿真数据实验
• 6.5.2 实测数据实验
• 6.5.3 实验结论
• 6.6 本章小结
• 第七章 核非线性分类器
• 7.1 引言
• 7.2 支持向量机
• 7.2.1 统计学习理论
• 7.2.2 线性可分SVM
• 7.2.3 线性不可分SVM
• 7.2.4 非线性SVM
• 7.3 函数逼近和逆问题
• 7.4 KND
• 7.4.1 最佳鉴别
• 7.4.2 KND
• 7.4.3 KND的自适应训练及稀疏表示
• 7.5 KNR
• 7.5.1 最优逼近
• 7.5.2 KNR
• 7.5.3 KNR的自适应训练和稀疏表示
• 7.6 三种分类器的比较
• 7.7 目标识别实验
• 7.7.1 仿真数据实验
• 7.7.2 实测数据实验
• 7.7.3 实验结论
• 7.8 本章小结
• 第八章 总结与展望
• 8.1 全文总结
• 8.2 工作展望
• 致谢
• 参考文献
• 攻博期间的研究成果