基于支持向量机和K近邻的联合分类研究

论文摘要

主动声纳的应用领域随着科技的快速发展也逐渐广泛,水下目标识别作为一项极其关键的声纳技术也得到了发展,然而,相对于其他几项声纳技术,主动目标识别的发展仍显得缓慢。制约它发展的因素有很多,如何有效的提取目标特征并设计性能良好的分类器是主动目标识别的关键问题。在统计学习理论基础上发展起来的支持向量机,在小样本学习问题中展现出优秀的学习性能、很强的适应性以及很高的泛化性。水下目标识别领域获取实际目标回波的样本非常困难,样本数量非常少,支持向量机是水下目标识别领域理想的分类工具。本文在系统研究了支持向量机基本理论、分类算法以及其分类性能的基础上发现：SVM在样本混淆严重的分界面附近,容易出错。K近邻分类器可充分利用分类面附近的样本信息,它将每类样本的所有支持向量作为代表点以提高支持向量机分类面附近样本的正确分类率,从而提高支持向量机的分类性能。本文深入研究了支持向量机和K近邻分类器联合分类,并将联合分类器应用于水下目标识别领域。本文分别应用小波包能量分解,WVD时频分析以及分数阶傅里叶变换获取目标的可鉴别特征向量,并应用主成分分析对WVD时频分析特征以及分数阶傅里叶变换特征进行特征降维。将三种特征提取方法和支持向量机与K近邻联合分类器应用于实际水池缩尺两类悬浮目标和掩埋目标的识别,实验结果表明本文采用的特征提取方法是有效的,SVM-KNN联合分类器效果好于单一的SVM和K近邻分类器。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 水下目标识别的内容
• 1.2 研究的背景和意义
• 1.3 水下目标识别研究现状
• 1.4 SVM与KNN的发展历史及研究现状
• 1.5 本文研究的主要内容
• 第2章 统计学习理论和支持向量机
• 2.1 引言
• 2.2 统计学习理论的核心
• 2.2.1 函数集的VC维
• 2.2.2 结构风险最小化（Structural Risk Minimization）
• 2.3 支持向量机基本原理
• 2.4 用于分类的支持向量机
• 2.4.1 线性支持向量分类机
• 2.4.2 非线性支持向量分类机
• 2.4.3 多分类支持向量机
• 2.4.4 核函数的选取
• 2.5 本章小结
• 第3章 支持向量机和K近邻的联合分类研究
• 3.1 引言
• 3.2 支持向量机的优点和不足
• 3.2.1 支持向量机的优点
• 3.2.2 支持向量机的不足
• 3.3 支持向量机和K近邻的联合分类
• 3.3.1 SVM分类
• 3.3.2 KNN分类
• 3.3.3 SVM-KNN联合分类
• 3.4 本章小结
• 第4章 目标回波信号特征提取
• 4.1 引言
• 4.2 基于主成分分析的特征空间降维处理
• 4.3 小波包分解
• 4.3.1 小波包分解理论
• 4.3.2 特征向量的构成
• 4.4 Wigner-Ville分布
• 4.4.1 Wigner-Ville分布的定义
• 4.4.2 Wigner-Ville分布的能量分布性质
• 4.4.3 特征向量的构成
• 4.5 分数阶傅里叶变换
• 4.5.1 量纲归一化
• 4.5.2 离散FRFT算法实现
• 4.5.3 特征向量的构成
• 4.6 本章小结
• 第5章 实验结果
• 5.1 悬浮两类目标的识别
• 5.1.1 实验概况
• 5.1.2 实验处理结果及分析
• 5.2 掩埋两类目标识别
• 5.2.1 实验概况
• 5.2.2 实验处理结果及分析
• 5.3 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