用于一维图像识别的支撑矢量机方法.pdf

《用于一维图像识别的支撑矢量机方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第21卷第2期红外与毫米波学报VoI.21，No.22002年4月J.InfraredMiIIim.WavesApriI，2002用于一维图像识别的支撑矢量机方法!张莉周伟达焦李成（西安电子科技大学雷达信号处理重点实验室，陕西，西安，710071）摘要研究了支撑矢量机的分类机理，并利用支撑矢量机对雷达目标一维像进行了识别.识别的结果表明了该方法的优越性，并显示它可以对残缺不全的样本进行识别.关键词雷达目标识别，神经网络，支撑矢量机.SUPPORTVECTORMACHIEFOR1-DIMAGERECOGITIO!ZHANGLiZHOUWei-daJIAOLi-Cheng（Natio

2、naIKeyLaboratoryforRadarSignaIProcessing，XidianUniverisity，Xi’an，Shaanxi710071，China）AbstractThecIassificationmechanismofsupportvectormachine（SVM）wasanaIyzedindetaiI.Theone-dimensionaIimageofradartargetwasrecognizedbySVM.TheresuItsofthesimuIationshowtheadvantageofSVMoverothermeth-ods.Keywords

3、radartargetrecognition，neuraInetwork，supportvectormachine.我们不得不进行特征再提取，这需要冒由于提取方引言法不当而删除了有用信息的风险.此项工作有待继当前模式识别已获得了广泛的应用，几乎遍及续深入研究.各个科学领域.现已提出了大量的模式分类方法，包本文从另一个角度，在分类器上展开工作.目前括贝叶斯决策分类［1］，神经网络［2］和进化算法［3］用于雷达一维像识别的分类器存在许多缺点：（1）等.由于雷达目标的运动比较复杂，包括平移、旋转训练时只考虑了逼近已有样本的分类曲面，而未涉等，得到的识别信号仅是间接地大致地对目标的反及推

4、广误差，即对未被采样到的样本的分类误差没映，所以雷达目标的识别一直是模式识别问题中的有考虑.这样的分类器对于样本获取代价较低的情难点.尤其对于军事目标识别，由于目标对像是非合况是适用的，而对军事目标，它的推广能力差的弱点作性的，要获得敌方目标各种角度各个姿态的雷达就会显露无疑（.2）计算复杂，对于高维样本处理能一维像几乎是不可能的，同时一般目标对像不仅具力弱（.3）收敛速度慢，容易陷入局部极小.支撑矢量机［7~9］是新近提出的一种学习机器，它不仅具有有伪装能力，而且具有反雷达能力，所以我们不仅缺乏样本数据，即使已获得的样本数据也是残缺不全较强的推广能力，适用于小样本训练的情况，而

5、且非的.针对上述情况，传统的雷达一维像识别方法把重常适合用于雷达目标识别，同时它又具有强大的处点放在目标特征提取上，即提取目标对像一维像中理能力，对高维样本的处理复杂度与对低维样本近有用的能真实反映目标的信息，如引入Garbor变似，并能巧妙地引入核函数来实现非线性映射，从而换［4］，子波变换［5］来进行时频域识别，以及用分形完成非线性处理.另外它的模型结构预先是不确定来进行特征提取［6］的，可根据学习的对像在训练过程中确定.本文用支.但是由于变换本身的冗余性，数据量大大增加，这无疑给数据量已经很大，计算复撑矢量机来进行雷达目标识别，不仅希望它较强的杂的识别方法又增加了难度.为了

6、减少计算复杂度，推广能力能改善由于样本不全，样本数据残缺带来!国家自然科学基金（批准号60073053，60133010，69831040）资助!TheproectsupportedbytheNationaINaturaIScienceFoundationof项目Chin（aNo.60073053，60133010，69831040）稿件收到日期2001-07-14，修改稿收到日期2001-09-10Received2001-07-14，revised2001-09-10120红外与毫米波学报21卷的性能降低，而且希望通过其强大的处理能力来提高训练和识别的计算速度.由于支撑矢量机

7、具有较强的高维样本处理能力，本文直接采用雷达目标原始一维像作为样本，而不进行变换，以免特征提取方法的不当而丢失有用信息.!支撑矢量机的分类机理分析!"!线性支撑矢量机的分类机理对两类模式的识别问题，假设已知一组训练样图1线性SVM分类机理本｛（x，y），⋯，（x，y）｝，其中xGRN，yG｛-1，11llFig.1TheclassificationmechanismoflinearSVM1｝，RN表示输入模式的特征空间.学习的目的就是l寻找判决函数（fx，!）中适当的参数!，使得