支持向量机方法及其在机载毫米波雷达目标识别中的应用研究

论文摘要

本文研究支持向量机方法及其在机载毫米波雷达目标识别中的应用。首先阐述了本文的研究背景,回顾了雷达目标识别的基本研究内容与难点问题,分析了利用支持向量机来解决雷达目标识别实用化难题的潜在优势。介绍了支持向量机的原理,并对支持向量机的模式分类的研究现状进行了综述。第二章针对支持向量机的训练算法进行改进,研究了支持向量的预选取问题。首先分析了支持向量的特点,指出了支持向量集和训练样本集之间的等价关系。然后针对目前预选取算法存在的缺陷,在结合雷达目标识别本身特点的基础上,提出了一种基于密度法的支持向量预选取算法。该算法不需要事先判定样本集合是否线性可分,具有较强的抗击噪音点和孤立点干扰的能力,并且计算简单,易于实现。最后的实验结果证明了这种算法的有效性。第三章针对支持向量机训练算法改进的另一思路——支持向量机增量学习展开研究。首先给出了支持向量机最优解的KKT条件,分别就训练样本、新增样本与KKT条件之间的关系进行分析,在此基础上分析了样本增加后支持向量集的变化情况。然后针对现有增量学习淘汰算法存在的缺陷,分析了利用密度法对非边界向量进行淘汰所具有的优势,提出了一种新的基于密度法的增量学习淘汰算法。最后给出了增量学习算法的具体学习过程,以及基于密度法的淘汰准则。实验结果表明,相比较常规支持向量机学习方法,本章所提的增量学习算法显著减少了对历史数据的存储,在不明显降低训练精度的同时显著提高了训练速度。第四章针对雷达目标识别存在大量无标签样本的实际情况,重点研究直推式支持向量机的应用问题。首先介绍了直推式支持向量机模型,指出了直推式学习所要解决的问题。然后分析了直推式学习的特点,介绍了Joachims提出的直推式支持向量机学习算法,以及Chen Yisong等人提出的渐进直推式支持向量机学习算法。接下来针对渐进直推式支持向量机学习算法存在的缺陷,分别从算法速度和算法性能两个方面进行了改进。最后为了进一步提高性能,利用KNN对无标签样本集进行删减,去掉对学习作用不大的无标签样本,再对有标签样本集和剩余的无标签样本集利用改进的渐进直推式支持向量机学习算法进行学习与分类。雷达目标实测数据实验结果证明了本章所提算法的有效性。第五章针对现有的高分辨雷达目标检测算法的缺陷,将高分辨雷达目标检测问题等效为真假目标识别问题,并借鉴处理异常值问题的思想,首次将1类支持向量机引入高分辨雷达真假目标识别之中,为解决高分辨雷达真假目标识别问题提供了一条崭新的思路。首先介绍了黄德双等人提出的基于目标散射点位置相关的高分辨雷达目标检测算法,分析了其在算法设计上的不足之处。然后分析了真假目标识别问题的数据特点,指出了2类支持向量机在处理真假目标识别问题时存在的困难。接下来简单介绍了现有的1类支持向量机算法,给出了其算法原理,并详细分析了参数变化对分类面的影响,指出实现1类支持向量机算法的主要途径都是对正类样本进行数据域描述。最后针对现有的1类支持向量机对数据域描述的不足,结合高分辨雷达目标数据分布的特点,提出了一种聚类式的1类支持向量机模型,通过对训练的正类样本的聚类分组,用多个小的超球来代替原来的1个大的超球,从而更准确的实现了对数据域的描述;同时针对存在多类真目标的情况,提出了对每一类真目标分别进行处理的方法,以满足后续真目标类型识别的需要。第六章针对雷达目标识别实用化软件系统开发的难点问题,结合雷达目标识别技术研究的特点,设计并开发了一个具有模块化设计优点的雷达目标识别软件平台。该平台集成了本文的研究算法,并利用实际工程项目的实测数据对算法的性能进行了验证。最后对全文的工作进行了总结,指出了进一步的研究方向。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 研究背景
• 1.3 雷达目标识别的基本内容
• 1.4 雷达目标识别的困难
• 1.5 雷达目标识别的分类器设计
• 1.6 支持向量机的原理
• 1.6.1 统计学习理论的基本概念
• 1.6.2 线性支持向量机
• 1.6.3 非线性支持向量机
• 1.6.4 支持向量机的核函数
• 1.6.5 支持向量机的特点
• 1.7 支持向量机的研究现状
• 1.7.1 支持向量机的训练算法研究
• 1.7.2 支持向量机的模型选择研究
• 1.7.3 支持向量机的多类问题研究
• 1.7.4 支持向量机的变形算法
• 1.7.5 支持向量机的应用研究
• 1.8 本文的主要工作与结构安排
• 第二章 支持向量预选取算法研究
• 2.1 引言
• 2.2 支持向量的特点分析
• 2.3 基于密度法的支持向量预选取算法
• 2.3.1 算法的原理
• 2.3.2 密度的定义
• 2.3.3 边界向量的确定
• 2.3.4 算法的主要步骤
• 2.4 实验结果及分析
• 2.4.1 仿真数据
• 2.4.2 实测数据
• 2.5 小结
• 第三章 支持向量机增量学习算法研究
• 3.1 引言
• 3.2 支持向量机增量学习分析
• 3.2.1 支持向量机的KKT条件
• 3.2.2 增量学习后支持向量集的变化分析
• 3.3 支持向量机增量学习淘汰算法
• 3.4 支持向量机增量学习算法
• 3.4.1 符号定义
• 3.4.2 学习过程
• 3.4.3 淘汰规则
• 3.5 实验结果及分析
• 3.6 小结
• 第四章 直推式支持向量机分类学习算法研究
• 4.1 引言
• 4.2 直推式支持向量机
• 4.3 直推式支持向量机学习算法
• 4.4 渐进直推式支持向量机学习算法
• 4.5 改进的渐进直推式支持向量机学习算法
• 4.5.1 标注可信度的定义
• 4.5.2 一种改进的渐进直推式支持向量机学习算法
• 4.6 结合K 近邻法的改进的渐进直推式支持向量机学习算法
• 4.6.1 K 近邻法简介
• 4.6.2 原理分析
• 4.6.3 算法的主要步骤
• 4.7 实验结果及分析
• 4.8 小结
• 第五章 基于1类支持向量机的高分辨雷达真假目标识别
• 5.1 引言
• 5.2 基于目标散射点位置相关的高分辨雷达目标检测算法
• 5.2.1 基于第一检测门限的检测
• 5.2.2 基于位置信息的相关检测器
• 5.2.3 算法的主要步骤
• 5.3 2 类支持向量机算法简介
• 5.4 1 类支持向量机算法简介
• 5.4.1 1 类支持向量机的原理
• 5.4.2 参数变化对分类面的影响
• 5.5 高分辨雷达真假目标识别的1 类SVM 分类器构造
• 5.5.1 K -均值算法简介
• 5.5.2 高分辨雷达真假目标识别的聚类式的1 类SVM 模型
• 5.5.3 多类真目标情况下的处理
• 5.6 实验结果及分析
• 5.7 小结
• 第六章 机载毫米波雷达目标识别软件平台的设计与开发
• 6.1 引言
• 6.2 雷达目标识别软件平台的需求分析
• 6.3 雷达目标识别软件平台的总体设计
• 6.4 基于外场实测数据的SVM 算法性能验证
• 6.5 小结
• 第七章 结束语
• 致谢
• 参考文献
• 作者在攻读博士学位期间发表（撰写）的论文
• 作者在攻读博士学位期间参与的科研项目
• 作者在攻读博士学位期间的获奖情况