基于分類的最優時頻分布設計與目標識別方法
【技術領域】
[0001] 本發明涉及一種基于分類的最優時頻分布設計與目標識別方法，屬于目標識別技 術領域。
【背景技術】
[0002] 在目標識別領域，特征提取算法與分類器設計是其中最關鍵的兩個環節。特征提 取算法的好壞將直接影響分類器設計的難易程度，進而影響到目標識別系統的準確度。特 征一般可分為點特征、線特征和區域紋理特征等，用于描述目標特點的集合。特征值越多， 則對目標的描述越詳細，通常情況下目標識別系統的準確度越高；但是隨著特征值的增加， 同一類目標數據（或者圖像）的特征值也會出現分化，此時再增加特征值并不會提高目標 識別系統的準確度，相反，還可能會降低目標識別系統的準確度。
[0003] 特征提取算法大多采用各種變換方法來獲取數據中的特征值，該特征值在分類器 設計中是否有貢獻，以及貢獻大小往往靠設計者的經驗來判斷。目前，特征提取算法與分 類器設計是兩個孤立的環節，特征提取算法獲取的特征值往往并不一定有利于分類器的設 計，也不能提高目標識別系統的準確度。因此需要設計一個結合分類器設計的特征提取算 法，一方面能夠提取高價值的特征值，另一方面也有利于分類器設計，最終有利于提高目標 識別系統的準確度。
[0004] 現有技術中，在目標識別領域的專利中，關于特征提取的有：申請號為 CN201110257384. 1的基于Radon(拉東）變換和極諧波變換的不變矩目標識別方法，申 請號為CN201210148117.5的基于雷達目標距離像時頻特征提取的雷達目標識別方法，以 及申請號為CN200910076361. 3的一種基于關鍵點的仿射不變矩的目標識別方法等；但 是這幾個專利都是采用固定的變換方法，因此在目標識別上具有一定的局限性，若有幾 類目標在該變換域上的特征基本相同，則無法實現這幾類目標的識別。另外，申請號為 CN201410371180. 4的基于匹配字典和壓縮感知的雷達一維距離像目標識別方法，其是從目 標中提取字典，并利用字典信息來識別目標，但是該方法是直接從信號本身來提取特征序 列，而不是通過時頻變換來實現，大部分的非線性信號在時域或者頻域上的特征差異并不 明顯，而是在時頻域上有一定的差異，因此無法直接從時域或者頻域上獲取可用于分類的 特征序列，只能通過時頻域上來提取特征序列。而申請號為CN201410065364. 8的一種基于 DSmT和HMM的序列飛機目標識別方法，其是從分類器設計角度來實現目標識別，本發明并 不涉及。
【發明內容】
[0005] 本發明的目的在于提供一種基于分類的最優時頻分布設計與目標識別方法，將特 征提取算法與分類器設計兩個孤立的環節，通過最佳核函數的尋優過程實現有機的結合， 使得特征提取算法獲取的特征值有利于分類器的設計，有效提高目標識別系統的準確度。
[0006] 為了達到上述目的，本發明所提供的基于分類的最優時頻分布設計與目標識別方 法，包含設計過程和識別過程；
[0007] 所述的設計過程包含以下步驟：
[0008] SA1、計算訓練集信號的模糊函數及模糊函數均值；
[0009] SA2、選擇二維徑向高斯核函數為基于分類的最優時頻分布的最佳核函數；
[0010] SA3、通過迭代搜索計算最佳核函數；
[0011] SA4、對訓練集信號進行最佳核函數下的時頻變換，并提取用于分類的特征值；
[0012] SA5、設計訓練集信號的分類器，對訓練集信號的特征值進行分類。
[0013] 所述的SA1中，具體包含以下步驟：
[0014] SA11、計算訓練集信號在直角坐標系中的模糊函數及模糊函數均值；
[0015] 其中，模糊函數.
可以表示為對第c類第i個訓練集信號的瞬時自相關 函數
關于時間t的Fourier變換：
[0017] 第c類訓練集信號的模糊函數均值為：
[0019] 其中，I表示第c類中訓練集信號的數量；
[0020] SA12、將直角坐標系中的模糊函數轉換為極坐標系中的模糊函數；
[0021] 極坐標系與直角坐標系的轉換關系為：
[0024] 將上述坐標轉換公式帶入直角坐標系中第c類第i個訓練集信號的模糊函數，經 化簡可得到極坐標系中的模糊函數為：
[0026] 將上述坐標轉換公式帶入直角坐標系中第c類訓練集信號的模糊函數均值，經化 簡可得到極坐標系中的模糊函數均值為：
[0028] 所述的SA2中，具體包含以下步驟：
[0029] 所述的二維徑向高斯核函數在直角坐標系中表示為：
[0031] 其中，σ (φ)控制徑向高斯核函數在徑向角φ方向的擴展，稱為擴展函數；φ為 徑向與水平方向的夾角；
[0032] 所述的二維徑向高斯核函數在極坐標系中表示為：
[0034] 所述的SA3中，具體包含以下步驟：
[0035] SA31、計算最佳核函數的Fisher信息可分離度：
Vu.
[0037] 上述運算表示遍歷Φ的取值范圍，當函數^取最大值時，此時的Φ值即為（i>CD， Sb 否則需要通過改變擴展函數對最佳核函數進行更新，并重新計算最佳核函數的Fisher信 息可分離度；其中，Sw表示為類間離散度，Sb表示為總類內離散度，分別定義為：
[0040] 其中，Μ · | |F表示矩陣取Frobenius范數，即取矩陣的每個元素的平方和；
[0041] SA32、最佳核函數的Fisher信息可分離度Φε：)需要滿足如下約束條件：
[0043] 其中，1彡α彡5,參數α的值控制著交叉項抑制與自項抑制之間的平衡；
[0044] SA33、將極坐標中的最佳核函數轉換為直角坐標系中的最佳核函數；具體為：將SA12中的坐標轉換公式帶入極坐標系中的最佳核函數，經化簡可得到直角坐標系中的最佳 核函數為：
[0046] 所述的SA4中，具體包含以下步驟：
[0047] 對模糊函數和最佳核函數的乘積做二維FFT運算，計算出每個訓練集信號的時頻 分布，即將模糊函數A在τ-ν平面變化成時頻域t-f平面：
[0049] 計算每類訓練集信號時頻分布的均值：
[0051] 所述的SA5中，將每類訓練集信號時頻分布的均值作為特征值進行分類，或者采 用降維方法來提取特征值進行分類。
[0052] 所述的識別過程包含以下步驟：
[0053] SB1、對模糊函數和最佳核函數的乘積做二維FFT運算，計算出每個測試集信號的 時頻分布，從而對測試集信號進行最佳核函數的時頻變換，提取用于分類的特征值；
[0054] SB2、根據設計過程中得到的訓練集信號的分類器，對測試集信號進行目標分類與 識別。
[0055] 與現有技術相比，本發明提供的基于分類的最優時頻分布設計與目標識別方法， 具有以下優點和有益效果：
[0056] 1、本發明通過訓練集信號完成最佳核函數的設計和計算，該最佳核函數是基于數 據的最優值，有利于目標分類和識別；
[0057] 2、本發明提供了最佳核函數的搜索方法以及尋優過程；
[0058] 3、本發明中的最佳核函數的搜索時間雖然較長，但是只是在訓練過程中時間較 長，一旦完成訓練，在測試和應用過程中不需要對最佳核函數進行搜索計算，因此不影響目 標分類與識別的實時性要求。
[0059] 4、本發明將特征提取算法與分類器設計兩個孤立的環節，通過最佳核函數的尋優 過程實現有機的結合，使得特征提取算法獲取的特征值有利于分類器的設計，有效提高目 標識別系統的準確度。
【附圖說明】
[0060] 圖1為本發明中的基于分類的最優時頻分布設計與目標識別方法的流程圖。
【具體實施方式】
[0061 ] 以下結合附圖，詳細說明本發明的一個優選實施例。
[0062] 信號的時頻變換方法是分析非線性信號的重要工具，同時也可以利用時頻變換體 現出來的特征差異來實現目標識別。但是時頻變換后得到的特征序列并非是作為目標識別 所需的最佳特征序列，因此本發明提出了一種基于分類的最優時頻分布設計與目標識別方 法來提取作為目標識別的最佳特征序列，可提高目標識別概率。
[0063] 如圖1所示，為本發明提供的基于分類的最優時頻分布設計與目標識別方法，包 含設計過程和識別過程；其中識別過程與常用的目標識別方法相同，而本發明的核心則在 于設計過程中的時頻變換核函數設計，以及同時利用該核函數進行時頻變換來實現目標識 別。
[0064] 所述的設計過程包含以下步驟：
[0065] SA1、計算訓練集信號的模糊函數及模糊函數均值；
[0066] SA2、選擇二維徑向高斯核函數為基于分類的最優時頻分布的最佳核函數；
[0067] SA3、通過迭代搜索計算最佳核函數；
[0068] SA4、對訓練集信號進行最佳核函數下的時頻變換，并提取用于分類的特征值；
[0069] SA5、設計訓練集信號的分類器，對訓練集信號的特征值進行分類。
[0070] 所述的SA1中，具體包含以下步驟：
[0071] SA11、計算訓練集信號在直角坐標系中的模糊函數及模糊函數均值；
[0072] 其中，模糊函數.
可以表示為對第c類第i個訓練集信號的瞬時自相關 函數..<