散射中心分布特征提取与核方法分类器关键技术研究

论文摘要

本文以“973”国家安全重大基础研究项目“雷达自动目标识别新机理、新方法研究”为背景,着重从特征提取和分类器设计两个方面研究高分辨雷达目标分类识别的理论与关键技术,主要涉及以下三方面内容:基于散射中心参数估计的分布特征提取、高分辨雷达目标分类中支持向量机参数优化和支持向量数据描述单类分类器向多类分类推广。(1)基于散射中心参数估计的分布特征提取方面针对传统估计方法分辨力低、估计的散射点位置特征无法直接用于目标分类的问题,提出了一种基于散射中心径向相对位置估计的分布特征提取方法,该方法首先通过回波预测目标散射中心个数,然后对散射中心的幅度和位置信息进行高分辨估计,并依据估计结果提取散射中心间相对距离信息组成特征向量。经仿真实验验证,所提取的分布特征与传统方法中位置特征相比更稳定,并在一定角度范围内具有旋转和平移不变性,最后基于该特征提取方法实现了对三类目标的有效识别,并与已有方法进行比较,验证了该方法的有效性和稳健性。(2)高分辨雷达目标分类中支持向量机分类器参数优化方面针对以往基于遗传算法支持向量机参数优化中适值函数选取与研究背景结合不紧密且缺乏理论指导、参数优化时参数搜索范围靠人工盲目指定、遗传算法不能根据遗传迭代进展情况自适应调整造成收敛过快或过慢等问题,开展了以下几个方面研究:首先,从估计精度、运算时间代价、稳健性等方面比较了常用泛化误差估计方法的性能,选出了适合高分辨雷达目标分类的泛化误差估计方法,得到了遗传算法的适值函数。其次,基于高分辨一维距离像,分析了参数与支持向量机泛化能力的关系,为后续参数优化中参数搜索范围确定提供了参考依据,避免了人工指定的盲目性。最后,提出了一种基于改进遗传算法的支持向量机参数优化和特征提取方法,可同时优化核函数参数、惩罚因子、组合核系数、以及遗传算法的交叉率和变异率。并可以根据遗传算法迭代情况自适应调整交叉变异率。通过对三类目标高分辨一维距离像的分类实验,验证了所提出优化方法的有效性。(3)在支持向量数据描述单类分类器向多类分类推广研究方面支持向量数据描述是一种单类分类器,不能直接用于多类分类,针对此问题,开展了以下研究:首先比较了支持向量数据描述、最近邻数据描述、K近邻数据描述、K均值聚类数据描述等常用数据描述方法的性能,然后简单研究了核函数参数对支持向量数据描述分类边界的影响,最后基于最小距离规则和阈值处理策略提出了一种支持向量数据描述多类分类算法(SVDD_MDRTS),实现了支持向量数据描述从单类分类器向多类分类的推广。采用仿真实验,分析了核函数参数、噪声等因素对SVDD_MDRTS算法性能的影响,结果表明存在最优参数值使算法性能最佳且算法具有较好的抗噪性能。采用高频电磁散射数据对SVDD_MDRTS算法的分类性能进行了验证,设定几种测试条件,从识别混淆矩阵和识别ROC曲线等方面验证了不同条件下算法的性能,并将SVDD_MDRTS与SVM、NN多类分类器在识别性能和测试时间两方面进行了比较,结果表明SVDD_MDRTS具有更好的分类性能、测试和训练时间更短。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题的背景和意义
• 1.2 国内外研究状况
• 1.2.1 基于散射中心参数估计目标识别国内外研究现状
• 1.2.2 支持向量机目标分类国内外研究现状
• 1.2.3 支持向量数据描述国内外研究现状
• 1.3 本文主要工作
• 1.4 论文内容安排
• 第二章 基于散射中心相对距离估计的分布特征提取研究
• 2.1 引言
• 2.2 基于散射中心模型的雷达目标回波建模
• 2.3 散射中心个数估计
• 2.4 一种基于散射中心相对距离估计的目标识别方法
• 2.4.1 散射中心位置估计与相对距离特征提取
• 2.4.2 散射中心相对距离特征提取可行性分析
• 2.4.3 基于散射中心相对距离的目标识别算法流程
• 2.5 仿真实验
• 2.5.1 实验数据
• 2.5.2 仿真结果
• 2.6 本章小结
• 第三章 核映射方法和两种核方法分类器
• 3.1 引言
• 3.2 核方法基本概念
• 3.3 Mercer核和Mercer核展开定理
• 3.4 两种基于核方法的分类器
• 3.4.1 支持向量机理论
• 3.4.2 支持向量数据描述
• 3.5 两种核方法分类器优点及问题分析
• 3.5.1 支持向量机优点及有待解决的问题
• 3.5.2 支持向量数据描述方法优点及有待解决的问题
• 3.6 本章小结
• 第四章 高分辨雷达目标分类中支持向量机分类器参数优化研究
• 4.1 引言
• 4.2 支持向量机分类器泛化误差估计方法
• 4.3 各种上界估计方法在高分辨雷达目标分类中性能分析和比较
• 4.4 一维距离像识别中参数与SVM泛化能力关系及搜索范围确定
• 4.4.1 核函数参数与支持向量机分类器泛化能力关系
• 4.4.2 惩罚因子C与支持向量机分类器泛化能力关系
• 4.4.3 组合核的支持向量机分类器泛化能力分析[74]
• 4.4.4 小结
• 4.5 基于改进遗传算法的支持向量机参数优化与特征提取方法
• 4.5.1 传统支持向量机参数优化方法及局限性
• 4.5.2 基于改进遗传算法的SVM参数优化与特征提取方法
• 4.5.3 BenchMark/UCI数据分类实验验证
• 4.5.4 基于高分辨一维距离像分类实验验证
• 4.6 本章小结
• 第五章 支持向量数据描述多类分类算法研究
• 5.1 引言
• 5.2 支持向量数据描述与其它数据描述方法性能比较
• 5.3 核函数参数对支持向量数据描述分类边界的影响
• 5.4 支持向量数据描述多目标分类研究
• 5.4.1 支持向量数据描述两类分类推广算法
• 5.4.2 支持向量数据描述多类分类推广中关键问题分析
• 5.4.3 最小距离分类准则和阈值策略
• 5.4.4 基于最小距离分类规则和阈值策略的SVDD多类分类算法
• MDRTS算法性能分析'>5.4.5 SVDD_MDRTS算法性能分析
• MDRTS算法验证'>5.4.6 基于高频电磁散射数据的SVDD_MDRTS算法验证
• 5.5 本章小结
• 结束语
• 致谢
• 参考文献
• 作者在学期间取得的学术成果
• 附录A KKT（Karush-Kuhn-Tucker）条件