CN107301427A - 基于概率阈值的Logistic‑SVM目标识别算法 - Google Patents

Abstract

本发明公开了一种基于概率阈值的Logistic‑SVM目标识别算法，属于目标识别领域；该算法以智能弹药被动探测为研究背景，针对经过预处理的探测器输出信号，选择具有较高区分度的特征作为分类特征，在进行识别方法的选择后，完成信号特征的分类与识别。本发明考虑到已有分类方法存在的复杂度与识别度矛盾的特点，采用改进的Logistic‑SVM分类算法，降低复杂度的同时保证了较高的识别度。

Description

基于概率阈值的Logistic-SVM目标识别算法

技术领域

本发明涉及目标识别技术，特别是一种基于概率阈值的Logistic-SVM目标识别算法。

背景技术

以坦克为主要代表的各式装甲目标在现代战场上占据越来越重要的地位，并开始主导陆地战场，所以对此类装甲目标实施准确有效的打击成为目前弹药武器的主要发展方向。毫米波技术与微波技术相比，具有精度高、抗干扰能力强、低仰角探测性能好、体积小、重量轻等优势；与红外和激光技术相比，具有抗烟尘能力强、可有效识别环境中的金属目标等优势。国内外开展了大量有关智能弹药毫米波探测器的干扰技术研究，因此抗波形干扰的信号特征提取与识别技术变得格外重要。

信号特征识别问题属于单分类问题，Logistic回归算法和SVM算法都是常见的分类算法。论文“一种基于Logistic回归模型的ATR算法性能评估方法”中介绍了一种基于Logistic回归的分类方法；Logistic回归相对来说模型更简单，好理解，实现起来，特别是大规模线性分类时比较方便，但是针对非线性可分问题时，易引入更多的冗余高次项，导致模型复杂度大幅提高。论文“Tracking of object with SVM regression”中介绍了一种基于SVM分类的追踪方法；这种方法复杂度高，支持数量较多时计算法较大，导致了分类速度必然较慢。且在处理非线性可分问题时，采用核函数方法，严重依赖样本数据，而样本数据往往存在一定偏差，导致结果出现误差。

发明内容

本发明的目的在于提供一种基于概率阈值的Logistic-SVM目标识别算法，有效降低算法整体复杂度的同时，取得较高的识别性能。

实现本发明目的的技术解决方案为：一种基于概率阈值的Logistic-SVM目标识别算法，步骤如下：

步骤1、选定样本集的特征参量；

步骤2、仿真获取训练样本集、交叉验证集和测试集，训练样本集、交叉验证集和测试集中均含有目标仿真信号和波形诱骗假目标仿真信号；

步骤3、利用步骤1和步骤2中的特征参量、训练样本集、交叉验证集和测试集对Logistic回归模型和SVM进行训练、验证和测试；

步骤4、输入待分类信号样本；

步骤5、利用Logistic回归算法获得P(Y＝1|x)和P(Y＝0|x)，其中，P(Y|X)为二阶逻辑斯谛回归模型的条件概率分布， x∈Rⁿ为输入，Y∈{0,1}为输出，w∈Rⁿ为权值向量，b∈R为偏置；

步骤6、进行判定，当P(Y＝1|x)和P(Y＝0|x)的差值绝对值超过概率判别阈值P_t，将实例x划分到概率值较大的一类；

当P(Y＝1|x)和P(Y＝0|x)的差值低于概率判别阈值P_t，忽略Logistic回归的判定结果，利用SVM对目标信号重新分类；

步骤7、综合步骤6中的结果，当目标信号属于目标信号类，则识别该目标；当目标信号属于波形诱骗假目标仿真信号类，则屏蔽该信号。

本发明与现有技术相比，其显著优点为：(1)本发明对误差较大的样本形成样本集时具有较好的容错能力；(2)比较已有的Logistic分类算法，本发明具有更高的分类精度；(3)比较已有的SVM分类算法，本发明具有更简单的系统结构，需要的计算量大大减少。

附图说明

图1是本发明基于概率阈值的Logistic-SVM目标识别算法流程图。

图2是训练选择特征参数示意图。

图3是Logistic识别结果图。

图4是Logistic识别结果的概率分布图。

图5是SVM识别结果图。

图6是基于概率阈值的Logistic-SVM探测概率P和F1示意图。

图7是基于概率阈值的Logistic-SVM平均识别时间示意图。

具体实施方式

结合图1，一种基于概率阈值的Logistic-SVM目标识别算法，步骤如下：

步骤1、选定样本集的特征参量[c₁,c₂,c₃,...,c_n]；

步骤2、仿真获取训练样本集T_tr、交叉验证集T_cv、测试集T_te，训练样本集T_tr、交叉验证集T_cv和测试集T_te中均含有目标仿真信号和波形诱骗假目标仿真信号；

步骤3、利用步骤1和步骤2中的特征参量[c₁,c₂,c₃,...,c_n]、训练样本集T_tr、交叉验证集T_cv和测试集T_te对Logistic回归模型和SVM进行训练、验证和测试；

步骤4、输入待分类信号样本T；

步骤5、利用Logistic回归算法获得P(Y＝1|x)和P(Y＝0|x)，其中，P(Y|X)为二阶逻辑斯谛回归模型的条件概率分布， 其中，x∈Rⁿ为输入，Y∈{0,1}为输出，w∈Rⁿ为权值向量，b∈R为偏置。

步骤6、进行判定，当P(Y＝1|x)和P(Y＝0|x)的差值绝对值超过概率判别阈值P_t，将实例x划分到概率值较大的一类；

当P(Y＝1|x)和P(Y＝0|x)的差值低于概率判别阈值P_t，忽略Logistic回归的判定结果，利用SVM对目标信号重新分类；

步骤7、综合步骤6中的结果，当目标信号属于目标信号类，则识别该目标；当目标信号属于波形诱骗假目标仿真信号类，则屏蔽该信号。

进一步的，步骤3中SVM分类过程中采用了FCSVM算法，具体为：

设s_j为训练后产生的N个支持向量，构成向量集S＝{s_j|s_j∈S,j＝1,...N}，将S分解为2个支持向量子集P和Q，P＝{s_k|s_k∈S,l＝1,...,m}，Q＝{s_k|s_k∈S,l＝m+1,...,N}；将所有样本x_i和支持向量s_j通过非线性函数Φ映射到一个高维特征空间H，则X关于P和Q在特征空间H中的内积矩阵为K_m和K_n，定义一个变换矩阵W^T，满足K_n＝W^TK_m，其中

取满足Mercer条件的核函数K(x_i,s_j)＝Φ(x_i)Φ(s_j)，令K_ij＝Φ(x_i)Φ(s_j)则

设SVM的分类函数为符号函数f(x)，其具体形式如下：

其中，α_j为Lagrange乘子，且满足α_j＞0，y_j为s_j的类标示，且y_j∈{+1,-1}，c是类标示阈值；则改进后的精简的分类函数为

其中，

K_t＝(K_t,1,K_t,2,...,K_t,m)^T

下面结合具体实施例和附图对本发明进行详细说明。

实施例

结合图1，一种基于概率阈值的Logistic-SVM末敏弹被动探测器目标识别算法，步骤如下：

步骤1、信号特征的提取。如图2所示，受干扰源发射功率的影响，波形诱骗有源假目标干扰信号的峰值、脉宽、最大斜率、全局斜率(即信号从最小值点上升至最大值点的斜率)、积分值(信号从最小值点至最大值点的积分)均有可能出现变形，故选择特征参数[P_e,T,K_v,K_w]，其中，P_e为峰值、T为脉宽、K_v为最大斜率、K_w为全局斜率。考虑到应用在智能弹药领域，所有的信号判决结果都需在信号峰值附近得到，这样才能对装甲目标中心实施有效打击，所以此处的脉宽T修改为门限P_e'上升到峰值P_e处的时间宽度，门限P_e'为峰值的一半。

步骤2、仿真生成装甲目标和波形诱骗干扰信号的训练集T_tr、交叉验证集T_cv、测试集T_te，其中一类为装甲目标仿真信号类，另一类为波形诱骗假目标仿真信号类。

步骤3、利用步骤1和步骤2中的特征参量、训练样本集、交叉验证集和测试集对Logistic回归模型和SVM进行训练、验证和测试；

步骤4、输入待分类信号样本T。

步骤5、利用Logistic回归算法获得识别结果。输入待分类信号样本T后，Logistic得到的识别结果如图3所示，识别时间为0.02200007s，已知测试集所含样本个数为2000个，所以单个识别时间约为11μs，F1为0.83，F1为性能评价指标，探测概率为0.87。识别结果的概率分布如图4所示。为了对结果进行比对，仿真SVM识别结果如图5所示，单个样本识别时间月约为15.5μs，F1为0.894，若准确率为P，召回率为R，那么当F1较高时，表明性能较好，探测概率为0.91。

步骤6、进行判定，当P(Y＝1|x)和P(Y＝0|x)的差值绝对值超过概率判别阈值P_t，将目标信号划分到概率值较大的一类。

当P(Y＝1|x)和P(Y＝0|x)的差值低于概率判别阈值P_t，忽略Logistic回归的判定结果，利用SVM对目标信号重新分类。根据Logistic识别结果的概率分布，从0到1依次选择判决阈值P_t，对低于该值的样本进行SVM再判别，获得的模型的训练时间为4.239s。输入待分类信号样本T后，不同阈值P_t下的探测概率如图6所示，运行时间如图7所示。

由图6可知，随着概率阈值的增大，探测概率P和F1均增大，但是又由图7可知平均单个样本的识别时间也变长。当概率阈值取0时，则所有数据均只进行Logistic分类，所以探测概率P、F1和平均识别时间均和Logistic的结果近似一致；当概率阈值取1时，则所有数据都进行了Logistic和SVM分类，所以最终的探测概率P和F1近似SVM分类结果，甚至高于SVM的分类结果，但是平均识别时间则达到两者的平均识别时间之和；当概率阈值取0.5时，此时F1为0.873，探测概率P为0.896，而平均识别时间仅为13.12μs。综上，选取0.5作为阈值。

步骤7、根据步骤6的识别结果，判别目标。

Claims (2)

1.一种基于概率阈值的Logistic-SVM目标识别算法，其特征在于，步骤如下：

步骤1、选定样本集的特征参量；

步骤2、仿真获取训练样本集、交叉验证集和测试集，训练样本集、交叉验证集和测试集中均含有目标仿真信号和波形诱骗假目标仿真信号；

步骤3、利用步骤1和步骤2中的特征参量、训练样本集、交叉验证集和测试集对Logistic回归模型和SVM进行训练、验证和测试；

步骤4、输入待分类信号样本；

步骤5、利用Logistic回归算法获得P(Y＝1|x)和P(Y＝0|x)，其中，P(Y|X)为二阶逻辑斯谛回归模型的条件概率分布， x∈Rⁿ为输入，Y∈{0,1}为输出，w∈Rⁿ为权值向量，b∈R为偏置。

步骤6、进行判定，当P(Y＝1|x)和P(Y＝0|x)的差值绝对值超过概率判别阈值P_t，将实例x划分到概率值较大的一类；

当P(Y＝1|x)和P(Y＝0|x)的差值低于概率判别阈值P_t，忽略Logistic回归的判定结果，利用SVM对目标信号重新分类；

步骤7、综合步骤6中的结果，当目标信号属于目标信号类，则识别该目标；当目标信号属于波形诱骗假目标仿真信号类，则屏蔽该信号。

2.根据权利要求1所述的基于概率阈值的Logistic-SVM目标识别算法，其特征在于，步骤3中SVM分类过程中采用了FCSVM算法，具体为：

设s_j为训练后产生的N个支持向量，构成向量集S＝{s_j|s_j∈S,j＝1,...N}，将S分解为2个支持向量子集P和Q，P＝{s_k|s_k∈S,l＝1,...,m}，Q＝{s_k|s_k∈S,l＝m+1,...,N}；将所有样本x_i和支持向量s_j通过非线性函数Φ映射到一个高维特征空间H，则X关于P和Q在特征空间H中的内积矩阵为K_m和K_n，定义一个变换矩阵W^T，满足K_n＝W^TK_m，其中

取满足Mercer条件的核函数K(x_i,s_j)＝Φ(x_i)Φ(s_j)，令K_ij＝Φ(x_i)Φ(s_j)则

设SVM的分类函数为符号函数f(x)，其具体形式如下：

其中，α_j为Lagrange乘子，且满足α_j＞0，y_j为s_j的类标示，且y_j∈{+1,-1}，c是类标示阈值；则改进后的精简的分类函数为

其中，

K_t＝(K_t,1,K_t,2,...,K_t,m)^T。