基于QR分解的广义辨别分析用于雷达目标识别.pdf

《基于QR分解的广义辨别分析用于雷达目标识别.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第26卷第3期红外与毫米波学报Voi.26，No.32007年6月J.InfraredMiiiim.WavesJune，2007文章编号：1001-9014（2007）03-0205-04基于OR分解的广义辨别分析用于雷达目标识别刘华林，杨万麟（电子科技大学电子工程学院，四川成都610054）摘要：提出了一种基于OR分解的广义辨别分析算法，并将其用于雷达目标一维距离像识别.与传统用奇异值分解获取目标特征子空间的方式不同，新算法运用核修正格兰-施密特正交化过程直接提取最优投影变换矩阵，不仅有效地地保留了类内散度矩阵最具辨别力的零空间信息，同时使所求解在数值上更稳定.对

2、3种实测飞机数据的分类结果表明，所提方法不仅在识别性能上优于传统方法，而且在一定程度上降低了算法的计算复杂度，提高了系统的实时性能.关键词：雷达目标识别；广义辨别分析；核修正格兰-施密特正交化；特征提取；一维距离像中图分类号：TN957.54文献标识码：ARADARTARGETRECOGNITIONBASEDONGENERALIZEDDISCRIMINANTANALYSISOFORDECOMPOSITIONLIUHua-Lin，YANGWan-Lin（CoiiegeofEiectronicandEngineering，UESTofChina，Chengdu61005

3、4，China）Abstract：Anewgeneraiizeddiscriminantanaiysis（GDA）methodbasedonORdecompositionwasproposed，whichwouidbeusedinradartargetrecognitionwithone-dimensionairangeprofiie.DifferentfromthetraditionaiapproachofsoivingGDAbysinguiarvaiuedecomposition（SVD），thenewaigorithmutiiizeskerneimodifie

4、dGram-Schmidt（KMGS）orthogo-naiizationaigorithmtoextracttheoptimaitransformationmatrixdirectiy，whichcannotoniyeffectiveiyhoidthemostdis-criminantinformationinthenuiispaceofwithin-ciassscattermatrix，butaisomakethesoiutionmorestabieinnumeric.Experimentsonthreemeasuredairpiainsdatashowthat

5、theproposedmethodachievesbetterrecognitionperformancethantraditionaiGDA，whiieithasiowercostsincomputationpartiy，thereby，thereai-timeperformanceisimproved.Keyrds：radartargetrecognition；generaiizeddiscriminantanaiysis；kerneimodifiedGram-Schmidtorthogonaiization；featureextraction；one-dime

6、nsionairangeprofiie小，以提高目标的识别率.然而，雷达目标所处环境引言的复杂性，决定了目标之间的关系往往是非线性的，随着高分辨雷达及其成像技术的出现，近年来因此LDA的分类性能在实际应用中受到了限制.为［3］以一维距离像作为目标特征在雷达目标识别中得到此，业界利用近年发展起来的核机器学习理论，［1，2］了广泛的关注.一方面，一维距离像反映了目标在LDA的基础上推出了一类非线性算法，S.Mika［4］各散射中心的散射强度与相对位置在雷达视线上的提出了基于两类问题的核Fisher辨别分析（KF-分布，比低分辨雷达提供了更多可资利用的识别特DA）；G.B

7、audat将KFDA推广到多类情况，提出了［5］征；而另一方面，它又敏感于目标姿态角的变化，给广义辨别分析（GDA）；J.W.Lu提出了核直接辨［6］识别带来了困难.因此，如何提取稳健、有效的特征别分析（KDDA）等等.实践证明，上述核方法在分是基于一维距离像雷达目标识别的关键.类性能上要明显优于其线性形式.但最近研究发现，［3］线性辨别分析（LDA）是一种经典的特征提用奇异值分解（SVD）求解GDA等效特征方程时，若取方法，目的在于寻求一个最优投影变换矩阵，使异类内散度矩阵奇异，可能会忽略类内散度矩阵中最［6，7］类目标之间的距离增大而同类目标之间的距离减具辨