(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110532917.6 (22)申请日 2021.05.17 (65)同一申请的已公布的文献号 申请公布号 CN 113269203 A (43)申请公布日 2021.08.17 (73)专利权人 电子科技大 学 地址 611731 四川省成 都市高新西区西源 大道2006号 (72)发明人 周代英　宋苏杭　钱凯　 (74)专利代理 机构 成都点睛专利代理事务所 (普通合伙) 51232 代理人 孙一峰 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01) G06F 30/27(2020.01) G01S 7/41(2006.01) (56)对比文件 CN 109002854 A,2018.12.14 CN 102982342 A,2013.0 3.20 CN 10952 2956 A,2019.0 3.26CN 112183617 A,2021.01.0 5 WO 2009058915 A1,20 09.05.07 WO 2019194693 A1,2019.10.10 CN 111324791 A,2020.0 6.23 D.Zhou等.N onlinear Subprofi le Space for Radar Hr rp Recogn ition. 《Progres s In Electroma gnetics Researc h Letters》 .2012, 第33卷 刘英杰等.基 于A–V–P的网络舆情信息情感 维度空间的模型构建. 《情 报资料工作》 .2017, (第6期), 牟杭.多输入 多输出振动系统状态空间建模 方法研究. 《中国优秀博硕士学位 论文全文数据 库(硕士)工程科技 Ⅱ辑》 .2019,(第2期), 洪骏远.Grassmann流形上的隐式数据扩增 及其应用. 《中国优秀博硕士学位 论文全文数据 库(硕士)信息科技 辑》 .2019,(第12期), 刘冠廷.基于哈希的多 源图像子块检索及应 用. 《中国优秀博硕士学位 论文全文数据库(硕 士)信息科技 辑》 .2020,(第1期), Yi-Hong Chu等.Density Co nscious Subspace Clusteri ng for High -Dimensi onal Data. 《 IE EE Transacti ons on Knowledge and Data Engi neering》 .2010,第2 2卷(第1期), 审查员 尤鑫 (54)发明名称 一种用于多旋翼无人机识别的子空间特征 提取方法 (57)摘要 本发明属于目标识别技术领域， 具体的说是 涉及一种用于多旋翼无人机识别的子空间特征 提取方法。 本发 明首先通过对每类无人机的雷达 回波数据集进行聚类处理， 然后， 将样本数据与 各类无人机目标聚类中心间的马氏距离组成一 个聚类距离矢量， 由聚类距离矢量构建奇异值加 权子空间， 提取目标特征， 完成对多旋翼无人机 的识别。 由于引入聚类距离， 增强了样本的空间分布结构信息， 同时， 在构建子空间时， 采用奇异 值进行加权， 更加突出主投影分量的作用， 从而 改善了对目标的识别率。 权利要求书1页 说明书2页 CN 113269203 B 2022.03.25 CN 113269203 B 1.一种用于多旋翼无 人机识别的子空间特 征提取方法， 其特 征在于， 包括以下步骤： S1、 设多旋旋翼无人机的雷达回波训练数据序列为n维列矢量xij， i＝1,2, …g， j＝1, 2…Ni， 其中， i表示无人机的类别， g表示类别数， Ni表示第i类无人机目标的训练样本数， 则 总的训练样本数为 S2、 将第i类 无人机目标的训练样本 数据集进行C均值聚类， 得到M个聚类中心： ci1,ci2… ciM， 其中， cik表示第i类目标的第k个聚类中心， k ＝1,2,…M； S3、 计算第i类目标第j个训练样本与第r类目标第k个聚类中心crk的马氏距 离dij,rk， r＝ 1,2,…g： 其中， T表示矩阵转置， xrkj表示属于第r类目标第个k聚类的第j个训练样本数据， ∑rk表 示第r类目标第k个聚类的训练样本 集的协方差矩阵， Lrk表示第r类目标第k个聚类的训练样 本个数， 则Lr1+Lr2+…LrM＝Nr， Nr为第r类的所有训练样本数； 将第i类目标第j个训练样本与第r类目标的M个聚类中心距离组成一个M维的列矢量 dij,r： dij,r＝[dij,r1 dij,r2  …  dij,rM]T 再将dij,1、 dij,2、…dij,g列矢量按如下 方式组成矢量dij： 其中， dij称为聚类距离 矢量， 长度为g ×M； S4、 将所有目标的聚类距离 矢量按列组成如下矩阵D： 计算矩阵D的协方差矩阵C： C＝E{(D‑E{D})(D‑E{D})T} 其中E{·}表示取均值； S5、 对协方差矩阵C进行奇异值分解， 并将奇异值按大到小的顺序排列： λ1≥λ2…≥λM 取前l个最大奇异值和对应的左奇异矢量u1、 u2…ul组成投影矩阵A， l< M： A＝[ λ1u1 λ2u2  …  λlul] 将A定义为奇异值加权聚类距离子空间； 将训练样本xij到每类目标聚类中心间的距离 矢量向A投影， 得到l维的特 征矢量zij： zij＝AT(dij‑E{D})。权　利　要　求　书 1/1 页 2 CN 113269203 B 2一种用于多旋翼无人机 识别的子空间特征提取方 法 技术领域 [0001]本发明属于目标识别技术领域， 具体的说是涉及 一种用于多旋翼无人机识别的子 空间特征提取方法。 背景技术 [0002]随着无人机在军事、 民用等领域的广 泛应用的同时， 也带来了很大的安全问题， 如 非法入侵私人区域、 碰撞飞机、 恐怖袭击等。 因此， 准确识别出无人机的类型在反无人机作 战中具有非常重要的实际意 义。 [0003]目前， 本征子空间方法是一种识别无人机 的有效方法， 主要通过无人机目标的雷 达回波数据集进行本征分解， 由主投影分量构建子空间， 提取目标特征。 但是， 常规由主投 影分量构成的子空间， 每一投影分量的权重相同， 另外， 样本的空间分布信息并没有有效利 用， 因此， 基于常规本征子空间的多旋翼无 人机识别方法有 进一步提高目标识别率的余 地。 发明内容 [0004]针对上述问题， 本发明提出了一种用于多旋翼无人机识别的奇异值加权聚类距离 子空间特征提取方法， 通过引入聚类距离， 充分利用样本空间分布信息， 同时， 采用奇异值 对主投影分量加权， 更加 突出主投影分量的作用， 从而进一步改善了对无人机目标 的识别 率。 [0005]本发明的技 术方案是： [0006]一种用于多旋翼无 人机识别的子空间特 征提取方法， 包括以下步骤： [0007]S1、 设多旋旋翼无人机的雷达回波训练数据序列为n维列矢量xij， i＝1,2, …g， j＝ 1,2…Ni， 其中， i表示无人机的类别， g表示类别数， Ni表示第i类无人机目标的训练样本数， 则总的训练样本数为 [0008]S2、 聚类： 将第i类无人机 目标的训练样本数据集进行C均值聚类， 得到M个聚类中 心： ci1,ci2…ciM， 其中， cik表示第i类目标的第k个聚类中心， k ＝1,2,…M； [0009]S3、 计算聚类距离： 计算第i类目标第j个训练样本与第r类目标第k个聚类中心crk 的马氏距离dij,rk， r＝1,2, …g： [0010] [0011] [0012]其中， T表示矩阵转置， xrkj表示属于第r类目标第个k聚类的第j个训练样本数据， ∑rk表示第r类目标第k个聚类的训练样本集的协方差矩阵， Lrk表示第r类目标第k个聚类的 训练样本个数， 则Lr1+Lr2+…LrM＝Nr， Nr为第r类的所有训练样本数； [0013]将第i类目标第j个训练样本与第 r类目标的M个聚类中心距离组成一个M维的列矢说　明　书 1/2 页 3 CN 113269203 B 3