基于支持向量机的水雷目标识别研究

论文摘要

支持向量机算法是以统计学习理论为基础的一种模式分类算法。由于其具有良好的计算有效性、健壮性和稳定性等特点，近年来获得较快的发展，被广泛应用到模式分类应用的很多领域中。本文在介绍水雷目标识别现状的基础上，详细描述了支持向量机的算法原理，针对水雷目标回波特征数据集的特点有针对性地提出了支持向量机的算法设置和训练过程；重点阐述了如何实现针对水雷目标数据的完整的支持向量机算法；并对支持向量机算法从训练精度和训练速度两方面进行了改进，应用于水雷目标识别数据分析之中；在文章的结尾部分列出了实验比较所得出的主要结果，以及相关问题的讨论；并对尚待讨论的问题和即将展开的研究工作进行了展望。水雷目标识别除了具有其特殊性外，也符合数据的一般统计过程。因此，本文从数据集的整理入手简单介绍了水雷目标特征提取方法；不同核函数的支持向量机方法，包括：目标回波特征向量简单线性核函数、多项式核函数和径向基核函数；以及行之有效的用于解决水雷目标分类问题的支持向量机软件实现方法，包括：数据格式的变换、数据矩阵的转变、模型参数的选取以及模型的确定、优化等。通过实验比较，与其它支持向量机核函数相比较，在水雷目标识别中径向基核函数支持向量机和高阶多项式核函数支持向量机效果较好，本文所建立的支持向量机分析流程简单、易操作，与建立在相同数据集上的目前较为流行的支持向量机算法流程相比，模型的训练速度和预测精度相当，甚至更为高效。综上所述，支持向量机作为处理水雷目标识别的新工具之一，有着较好的理论基础和极强的生命力，其本身必将在更广阔的水雷研究领域中发挥更大的作用。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 支持向量机和统计学习理论的研究现状
• 1.1.1 统计学习理论和支持向量机
• 1.1.2 统计学习理论发展概况
• 1.1.3 支持向量机的研究现状
• 1.2 水雷目标识别的发展
• 1.3 本论文的主要工作
• 第2章 支持向量机原理
• 2.1 支持向量机对水雷目标识别的研究前景
• 2.2 统计学习理论的核心思想
• 2.2.1 期望风险和经验风险
• 2.2.2 函数集的VC维
• 2.2.3 结构风险最小化原则
• 2.3 支持向量机方法
• 2.3.1 最优分类面
• 2.3.2 广义最优分类面
• 2.3.3 高维空间中的最优分类面和支持向量机
• 2.3.4 支持向量机优点
• 2.4 支持向量机算法步骤
• 2.5 支持向量机模型参数的确定
• 2.6 本章小结
• 第3章 支持向量机训练算法
• 3.1 选块算法
• 3.1.1 算法基本思想
• 3.1.2 算法描述
• 3.2 分解算法
• 3.2.1 算法基本思想
• 3.2.2 工作集的求解
• 3.2.3 算法描述
• 3.3 序列最小优化算法
• 3.3.1 算法基本思想
• 3.3.2 算法描述
• 3.3.3 基于启发式策略的Lagrange乘子的优化问题
• 3.3.4 序列最小优化算法的特点及优势
• 3.4 本章小结
• 第4章 支持向量机分析实例
• 4.1 数据预处理
• 4.1.1 数据预处理概述
• 4.1.2 特征提取
• 4.2 支持向量机方法
• 4.2.1 数据格式的转换
• 4.2.2 模型参数的选取
• 4.2.3 模型的优化和确定
• 4.2.4 连续误判点的讨论
• 4.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢
• 附录 A