1.基于主成分分析的多重分形特征飞机目标分类方法包括以下步骤：

(1)从雷达回波数据中选择m组回波数据作为时域训练样本集，X＝{x1,x2,…,xi,…,xm},xi表示第i个时域训练样本信号；从雷达回波数据中选择n组回波数据作为时域测试样本集：X′＝{x1′,x2′,…,xj′,…,xn′},xj′表示第j个时域训练样本信号；

(2)由时域训练样本集X经过分数阶傅里叶变换得到分数阶Fourier域飞机回波的训练样本集Y＝{y1,y2,…,yi,…,ym}，yi表示第i个分数阶Fourier域时域训练样本，分数阶Fourier域样本总数为m；由时域测试样本集X′经过分数阶傅里叶变换得到分数阶Fourier域飞机回波的测试样本集Y′＝{y1′,y2′,…,yj′,…,yn′}，yj′表示第j个分数阶Fourier域时域测试样本，分数阶Fourier域测试样本集数量为n；

(3)设定合理的分数阶傅里叶变换阶数P的计算步长和范围，P＝[p1,p2,…,pi,…,pk]，pi为分数阶傅里叶变换阶数，pi-pi-1＝0.02，且p1＝0，pk＝2，在阶数p的范围内确定分数阶Fourier域飞机目标回波的最优变换阶数popr，进而确定最优飞机目标回波的最优分数阶Fourier域，并在最优分数阶Fourier域计算飞机目标回波信号，在最优分数阶Fourier域，训练数据为Z＝{z1,z2,…,zi,…,zm}，zi表示第i个训练样本，最优分数阶Fourier域训练样本总数为m，测试数据为Z′＝{z1′,z2′,…,zj′,…,zn′}，zj′表示第j测试样本，最优分数阶Fourier域测试样本总数为n；

(4)在最优分数阶Fourier域分析飞机目标回波的多重分形特性，其中包括质量指数τ(q)与分形尺度的关系、多重分形谱f(σ)和奇异指数σ之间的关系，σ表示不同多重分形小区域内的生长概率；

(5)在最优分数阶Fourier域对飞机目标回波进行多重分形分析的基础上，提取训练样本多重分形特征，组成训练特征向量，Tr＝[tr1,tr2,…,trk,…,trm]，Tr维数为m×10，其中trk为第k个最优分数阶Fourier域训练样本的特征向量，在最优分数阶Fourier域对飞机目标回波进行多重分形分析，并提取测试样本多重分形特征，组成测试特征向量，Te＝[te1,te2,…,tek,…,ten]，Te维数为n×10，其中tek为第k个最优分数阶Fourier域测试样本的特征向量，trk＝[trk1,trk2,…,trk10]′，trk1为多重分形谱质量指数对称度，trk2为多重分形谱宽度，trk3最大、最小概率子集分形维数差，trk4多重分形谱非对称指数，trk5质量指数曲线截距，trk6～trk8拟合多重分形谱曲线的一次、二次及常数项系数，trk9～trk10质量指数曲线的拟合截距与斜率，tek＝[tek1,tek2,…,tek10]′，所对用的测试特征向量集合与训练特征集合相同；

(6)对最优分数阶Fourier域多重分形特征向量Tr＝[tr1,tr2,…,trm]和Te＝[te1,te2,…,ten]进行归一化，得到归一化后的特征向量Tr′＝[tr1′,tr2′,…,trm′]和Te′＝[te1′,te2′,…,ten′]；

(7)对归一化的多重分形特征向量进行主成分分析，根据设定阈值提取特征用于飞机目标的分类研究，阈值的设定影响特征向量的的选取；

(8)利用多重分形特征对飞机目标进行分类研究，利用训练特征向量Tr′＝[tr1′,tr2′,…,trm′]对分类器进行训练，将测试向量Te′＝[te1′,te2′,…,ten′]输入到训练后的分类器，识别出输入的测试样本的飞机类别。

2.根据权利要去1所述的基于主成分分析的多重分形特征飞机目标分类方法，其特征在于，步骤2中飞机目标回波的分数阶傅里叶变换由下式确定：Kp(u,t)＝Aaexp[jπ(u2cotα-2utcscα+t2+t2cotα)]，f(t)表示时域的飞机目标回波数据，fp(u)为分数阶Fourier域的飞机目标回波。

3.根据权利要去1所述的基于主成分分析的多重分形特征飞机目标分类方法，其特征在于，步骤3中最优分数阶Fourier变换阶数可由如下三阶Renyi信息熵公式确定：v＝-1/2∑klog(|FRFTP(K)|3)

其中，FRFT(k)代表分数阶傅里叶变换后的飞机目标信号，pi为分数阶傅里叶变换阶数P＝[p1,p2,…，pk]，V为对应于飞机目标回波信号的三阶Renyi信息熵，V＝[v1,v2,…,vi,…,vk]，若vi＝max(V)，i≤k，则最优分数域变换阶数popr＝pi。

4.根据权利要求1所述的基于主成分分析的多重分形特征飞机目标分类方法，其特征在于，步骤4中质量指数和多重分形谱可按如下步骤进行：

4a)质量指数τ(q)求解公式，如下所示：

从lnΓ(q,ε)-lnε曲线的斜率可以得到τ(q)，pi(ε)为雷达回波小区域内的生长概率，N为雷达飞机目标回波划分小区域的总数；

4b)多重分形谱：f(σ)＝σ×q-τ(q)，σ称为奇异指数，表示不同分形小区域的分形概率。

5.根据权利要求1所述的基于主成分分析的多重分形特征飞机目标分类方法，其特征在于，步骤5中提取的多重分形特征，按照如下步骤进行：

5a)计算质量指数对称度Rτ

Rτ＝|max(τ(q))/min(τ(q))|；

5b)多重分形谱宽度Δσ

Δσ＝σmax-σmin；

5c)最大、最小概率子集分形维数差Δf

Δf＝|f(σmin)-f(σmax)|；

5d)多重分形谱非对称指数Rσ

5e)质量指数曲线的截距

τ(q)min＝τ(q)|q＝-40；

5f)多重分形谱曲线的一次项、二次项及常数项系数

f(σ)＝aσ2+2bσ+c，

即取:f1(σ)＝b，f2(σ)＝a，f0(σ)＝c；

5g)质量指数曲线的拟合截距与斜率

τ(q)＝kq+b，

即取：τ1(q)＝k，τ2(q)＝b。

6.根据权利要求1所述的基于主成分分析的多重分形特征飞机目标分类方法，其特征在于，步骤6中对特征向量进行归一化，按如下公式进行：其中，Tr′i表示归一化后的第i个样本的多重分形特征向量，max(Trij)表示第i个样本第j个特征向量的最大值，Te′i表示归一化后的第i个样本的多重分形特征向量，max(Teij)表示第i个样本第j个特征向量的最大值。

7.根据权利要求1所述的基于主成分分析的多重分形特征飞机目标分类方法，其特征在于，步骤8选择的支持向量机作为分类器，其具体步骤如下所示：

8a)设定SVM的训练参数，其中包括核函数的惩罚系数、操作系数和可容忍偏差

8b)支持向量机采用如下所示的高斯核函数，如下所示：

K(xi,xj)＝exp(-||xi-xj||2/σ2)。