基于GSVD的核不相关辨别子空间与雷达目标识别

该文提出了一种基于广义奇异值分解的核不相关辨别子空间算法,并将其用于高分辨距离像雷达目标识别。新算法结合广义奇异值分解与核方法的优点,有效地解决了传统方法面临的矩阵奇异问题,同时进一步改善了目标的类可分性。其次,依据Fisher准则导出了距离像总散度矩阵零空间中不含有有用辨别信息的结论。利用这一结论,可以在求解核不相关最优辨别矢量之前对各散度矩阵进行预降维,以减小后续运算的计算复杂度。对3类飞机目标实测数据的识别结果表明了所提方法的有效性。

核不相关辨别子空间雷达目标一维像识别

针对不相关辨别分析方法在目标类别数较多时计算量大,且可能面临散度矩阵奇异的问题,提出了一种核不相关辨别子空间算法,并将其用于雷达目标一维距离像识别。新算法继承了原方法提取目标统计不相关辨别特征的优点,同时利用核机器学习理论与广义奇异值分解,有效解决了计算量与矩阵奇异的问题,并进一步改善了目标的类可分性。对ISAR实测飞机数据进行了分类,并与几种经典核非线性方法进行了比较,结果表明所提方法的识别性能得到了明显改善。