技術特征：

1.基于多尺度核稀疏保持投影的一維距離像識別方法，其特征在于，包括訓練階段和測試階段，所述訓練階段的步驟如下：

(1)對一維距離像訓練樣本集X＝[x₁,x₂,...,x_N]，提取其歸一化幅度特征集再進行平移對齊操作，得到平移對齊后的幅度特征集H＝[h₁,h₂,...,h_N]，N為樣本容量；

(2)利用高斯核函數(shù)對幅度特征進行多尺度核空間映射，得到訓練樣本多尺度核空間特征向量集M為尺度總數(shù)；

(3)對進行稀疏保持投影，得到多尺度核稀疏特征向量集

(4)對進行串行特征融合，得到多尺度核空間稀疏保持融合特征向量集Q＝[q₁,q₂,...,q_N]；

(5)采用支持向量機分類器對Q進行學習；

所述測試階段的步驟如下：

(6)對一維距離像測試樣本y，提取其歸一化幅度特征并與訓練樣本進行平移對齊，得到平移對齊后的幅度特征h_y；

(7)利用高斯核函數(shù)對幅度特征h_y進行多尺度核空間映射，得到測試樣本多尺度核空間特征向量集H_y＝[h_y1,h_y2,...,h_yM]；

(8)對H_y＝[h_y1,h_y2,...,h_yM]進行稀疏保持投影，得到多尺度核稀疏特征向量集C_y＝[c_y1,c_y2,...,c_yM]；

(9)對C_y＝[c_y1,c_y2,...,c_yM]進行串行特征融合得到多尺度核空間稀疏保持融合特征向量q_y；

(10)采用步驟(5)學習完成的支持向量機分類器對q_y進行分類，得到一維距離像測試樣本y的目標類別。

2.根據(jù)權利要求1所述基于多尺度核稀疏保持投影的一維距離像識別方法，其特征在于，在步驟(1)中，提取訓練樣本的歸一化幅度特征的公式如下：

$\stackrel{\‾}{h_k}=\left|x_k\right|/\left|\right|\left|x_k\right||{|}_2,k=1,2,\mathrm{..}N$

上式中，|·|表示取模，||·||₂表示取2范數(shù)。

3.根據(jù)權利要求1所述基于多尺度核稀疏保持投影的一維距離像識別方法，其特征在于，在步驟(1)中，對幅度特征進行平移對齊操作的過程為，從第二個訓練樣本開始，以第一個訓練樣本幅度特征為基準進行基于最大相關性準則的平移對齊處理，其中和的互相關系數(shù)為：

${\mathrm{\ρ}}_{\stackrel{\‾}{h_i},\stackrel{\‾}{h_1}}=\frac{\<\stackrel{\‾}{h_i},\stackrel{\‾}{h_1}\>}{\sqrt{\<\stackrel{\‾}{h_i},\stackrel{\‾}{h_i}\>\·\<\stackrel{\‾}{h_1},\stackrel{\‾}{h_1}\>}}$

令不動，則平移p個距離單元，p滿足：

$p=\underset{p}{\arg }max\left({\mathrm{\ρ}}_{\stackrel{\‾}{h_i},\stackrel{\‾}{h_1}}\right)$

上式中，表示求取和的內積，i＝2,…,N。

4.根據(jù)權利要求1所述基于多尺度核稀疏保持投影的一維距離像識別方法，其特征在于，步驟(2)的具體過程如下：

采用的高斯核函數(shù)：

$G(h_a,h_b)=\exp (-\frac{\left|\right|h_a-h_b|{|}_2}{2{{\mathrm{\σ}}_m}^2}),m=1,2,...,M$

上式中，a,b＝1,2,…,N，σ_m為尺度m下的高斯核參數(shù)，在尺度m下得到H＝[h₁,h₂,...,h_N]的N×N維核矩陣K：

K_a,b＝G(h_a,h_b)

上式中，K_a,b表示核矩陣K的第a行b列元素；

對核矩陣K進行高維空間上的中心化得到矩陣對進行主成分分析，得到特征值矩陣中最大的l個特征值構成的特征值矩陣Λ_l對應的特征向量矩陣U_l＝[α₁,α₂,...,α_l]，l≤N，由U_l構成核空間投影矩陣，在尺度m下對H＝[h₁,h₂,...,h_N]進行核空間特征提?。?/p>

$z_j={U_l}^T\widetilde{h_j}=\left[\begin{array}{c}\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\α}}_{1,k}G(h_k,h_j)\\ \underset{k=1}{\overset{N}{\Σ}}{\mathrm{\α}}_{2,k}G(h_k,h_j)\\ ...\\ \underset{k=1}{\overset{N}{\Σ}}{\mathrm{\α}}_{l,k}G(h_k,h_j)\end{array}\right]$

上式中，(·)^T表示轉置運算，α_l,k表示U_l中特征向量α_l的第k個元素，表示h_j在尺度m下的核空間映射，j＝1,2,…,N，由此可以得到在尺度m下的核空間特征向量集Z_m＝[z₁,z₂,...,z_N]；

同理可求得其他各尺度下的核空間特征向量集，由此構成訓練樣本多尺度核空間特征向量集

5.根據(jù)權利要求1所述基于多尺度核稀疏保持投影的一維距離像識別方法，其特征在于，步驟(3)的具體過程如下：

對于任意尺度m下的訓練樣本核空間特征向量z_s，s＝1,2,…,M，用除其自身以外的剩余訓練樣本核空間特征向量對其進行稀疏表示，通過求解約束優(yōu)化問題，得到稀疏表示系數(shù)向量

${\stackrel{\‾}{r}}_s=\underset{r_s}{\mathrm{argmin}}\left|\right|r_s|{|}_1$

s.t.||Z_mr_s-z_s||₂≤ε

1＝e^Tr_s

上式中，e表示所有元素均為1的列向量，r_s＝[r_s,1,...,r_s,s-1,0,r_s,s+1,...,r_s,M]^T為稀疏表示系數(shù)向量，r_s,t表示訓練樣本核空間特征向量z_t對重構z_s的貢獻量，t≠s，ε為松弛量，||·||₁表示取1范數(shù)；

計算所有訓練樣本核空間稀疏表示系數(shù)向量得到鄰接矩陣求解廣義本征方程：

Z_m(R+R^T-RR^T)Z_m^Tw＝λZ_mZ_m^Tw

上式中，λ表示未知本征值，w表示λ對應的本征向量，取其前d個最大本征值對應的本征向量集w_d作為稀疏保持投影矩陣，則在尺度m下核稀疏特征向量集C_m：

C_m＝w_d^TZ_m

同理計算其他尺度下的核稀疏特征向量集，構成多尺度核稀疏特征向量集

6.根據(jù)權利要求1所述基于多尺度核稀疏保持投影的一維距離像識別方法，其特征在于：在步驟(5)中，所述支持向量機分類器采用線性核支持向量機分類器。