一种基于电磁和红外的特征选择方法及目标识别方法

摘要

本发明涉及一种基于电磁和红外的特征选择方法及目标识别方法，包括如下步骤：对获取的电磁信号和红外图像数据进行预处理；从预处理后的数据中获得第i个特征的样本数据矩阵D；从矩阵D中随机选择样本R中，分别找到其同一类和不同类k个最近邻样本；计算类内和类外两个样本之间的距离；计算所有样本所有特征的权重；迭代多次，更新特征的权重；比较权重与阈值的大小；循环上述步骤，计算样本中所有特征的权重，经过阈值筛选，获得经过特征选择后的矩阵。本发明可以极大去除冗余特征而保留最重要的特征，可以既提高计算效率又提升了目标识别率。

说明书

技术领域

本发明涉及的雷达、红外识别领域，尤其是一种一种基于电磁和红外的特征选择方法及目标识别方法。

背景技术

目标识别对于防御系统和安全应用来说非常重要。然而，依靠单个传感器提供的目标信息已经无法满足需求，亟需使用各类传感器来提供全面的目标特征和准确的信息。基于地基、空基等雷达、红外传感器平台，获得目标高维、异质、异构等全面的多源数据，可以提取丰富的目标特征来提高目标识别率。但与此同时，如果将所有高维特征输入分类器，不仅会使运算变得复杂，处理速度大大下降；而且在有限样本的情况下，过多的特征可能会导致分类精度降低。因此，根据所需识别数据特性对特征进行选择以降低特征维度是有必要的。

特征选择技术作为一种降维技术，旨在通过去除不相关、冗余或嘈杂的特征，选择最小的特征子集，最大限度地提高模型的性能，使其更简单、更快。在过去几十年中，各种降维技术已得到开发应用，其中快速主成分分析(PCA)和线性判别分析(LDA)是两种典型的特征选择方法。PCA是将原始数据以线性方式无监督地由高维空间映射到对应低维空间中，寻找使得数据信息重构损失最小的线性子空间，可能会删除包含判别信息的维度并导致识别精度低。LDA是一种有监督的方法，寻求使类间与类内散布矩阵迹之比最大化。但是，对于具有非常高维数据的任务，LDA方法可能会遇到奇异性问题。Relief算法根据类间距离和类内距离选择特征只能进行二分类，Relief-F改进了Relief算法，用于多类分类，可计算提取特征权重，根据权重对特征的重要性排序，选择排序靠前的特征，从而消除了冗余特征，提高了目标识别率。

发明内容

本发明针对上述问题，提出了一种基于电磁和红外的特征选择方法及目标识别方法，可以极大去除冗余特征而保留最重要的特征，可以既提高计算效率又提升了目标识别率。

本发明提供如下技术方案：一种基于电磁和红外的特征选择方法，其包括如下步骤：对获取的电磁信号和红外图像数据进行预处理；从预处理后的数据中获得第i个特征的样本数据矩阵D；从样本数据矩阵D中随机选择样本R

雷达信号和红外图像数据为原始分类数据，需要进行预处理。对于雷达回波数据需要进行脉冲压缩和杂波消除等预处理操作以获得目标时域信号。同时，接收到的雷达时域信号与红外图像比较复杂，不同的参数数据不在一个数量级上。红外图像数据和雷达获得的电磁信号为原始分类数据，进行归一化变换：

X

基于雷达和红外预处理后的数据，提取目标多维度特征信息，然后采用特征选择算法对重要特征进行选择；本发明方法的关键思想是估计每个特征的权重。样本数据矩阵D是N×I的分类样本的矩阵，其中N为总样本数，I为每个样本的总特征数；每个样本有一个目标类型标签c，c∈(1,C]，C是类别数量。

从样本数据矩阵D中随机选择样本R，从同一类中找到它的k个最近邻样本H

计算两个样本之间距离时，假设标准欧几里得距离空间中的特征由向量A

计算类分布概率，

对于n个样本的所有特征，迭代次数m，特征权重W[A]：

其中，从样本数据矩阵D中随机选择样本R，从同一类中找到它的k个最近邻样本H

整个过程迭代m次更新权重W(A)，

其中，从样本数据矩阵D中随机选择样本R，从同一类中找到它的k个最近邻样本H

设置特征权重阈值δ，比较权重W(A)与阈值δ大小，判定：

W(A)大于等于阈值时为选择的特征，W(A)小于阈值时为冗余特征。

一种基于电磁和红外的目标识别方法，利用上述方法的特征进行目标识别。

通过上述描述可以看出，本方案针对目标特征冗余性很大的雷达和红外等多源传感器海量数据，通过预处理、特征选择等方式，提高了目标识别率，与PCA、LDA等典型的特征选择算法相比，在计算效率、算法性能等方面具有优势。

附图说明

图1为本发明具体实施方式的流程图。

图2为32维度的特征的权重图。

图3为选出的9个特征的权重图。

图4为基于所有特征获得的目标识别率。

图5为基于选出的9个特征获得的目标识别率。

图6为三种特征选择法的目标识别率对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明具体实施方式中的技术方案进行清楚、完整地描述，显然，所描述的具体实施方式仅仅是本发明一种具体实施方式，而不是全部的具体实施方式。基于本发明中的具体实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。

如图所示，本方案的基于电磁和红外的特征选择方法，包括如下步骤：

对获取的电磁信号和红外图像数据进行预处理；红外图像数据和雷达获得的电磁信号为原始分类数据，进行归一化变换：

X

基于雷达和红外预处理后的数据，提取目标多维度特征信息，然后采用特征选择算法对重要特征进行选择。假设D是N×I的分类样本的矩阵，其中N为总样本数，I为每个样本的总特征数，电磁、红外第i个特征样本D

计算类内和类外两个样本之间的距离；假设标准欧几里得距离空间中的特征由向量A

计算所有样本所有特征的权重时，先计算类分布概率，

其中P(c)是类别c的概率，P(Class(R))为随机选取的某样本的类别的比例。

对于n个样本的所有特征，迭代次数m，特征权重W[A]：

其中，从样本数据矩阵D中随机选择样本R，从同一类中找到它的k个最近邻样本H

整个过程迭代m次更新权重W(A)，

其中，从样本数据矩阵D中随机选择样本R，从同一类中找到它的k个最近邻样本H

比较权重与阈值的大小；设置特征权重阈值δ，比较权重W(A)与阈值δ大小，判定：

W(A)大于等于阈值时为选择的特征，W(A)小于阈值时为冗余特征。

循环上述步骤，计算样本中所有特征的权重，经过阈值筛选，获得经过特征选择后的矩阵D′。

一种基于电磁和红外的目标识别方法，采用上述方法获得的特征对目标识别。

本具体实施方式中，基于雷达预处理数据，提取目标时域、频域、时频域、多普勒域、特征谱域等20维度的特征信息；基于红外预处理图像，提取目标图像特征、统计特征、辐射特征等12维度特征，共计32维度的特征，基于上述方法，获得目标特征权重，权重范围[-0.02，0.12]，如图2所示。设置特征权重阈值δ＝0.003，选择特征权重值W>δ的特征，共选出9个特征，特征编号分别是21，5，15，19，20，28，29，22，25，如图3所示。

通过图4和图5可以看出采用本方法选取特征前后的识别率的不同，图4是不采用任何特征选择方法，采用提取的1～32维度的特征导入支持向量机分类器中，进行目标识别，可以看到直到选用了24个特征，目标识别率才达到最大值0.988。图5是采用本方法选择9个维度的特征，目标识别率达到1，体现了本发明方法在识别率上的提升。

针对雷达和红外等多源传感器海量数据，目标特征冗余性很大，本发明的方法与PCA、LDA等典型的特征选择算法相比，在计算效率、算法性能等方面具有优势。以某组雷达和红外数据为例，采用支持向量机分类器下，三种特征选择算法获得的目标识别率，如图6所示。采用PCA特征选择算法，至少需要选择9个特征，目标识别率才能达到其最大值；采用LDA算法，至少选择7个特征，才能达到其目标识别率；采用本方案的方法法，选择排在最靠前的一个特征即达到其识别率最大值。通过以上示例可以看出，采用Relief-F算法，可以极大去除冗余特征而保留最重要的特征，可以既提高计算效率又提升了目标识别率。

尽管已经示出和描述了本发明的具体实施方式，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些具体实施方式进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。