CN107576949A - 基于密度权重和混合核函数的svdd雷达目标一维距离像识别方法 - Google Patents

Abstract

本发明公开了一种基于密度权重和混合核函数的SVDD雷达目标一维距离像识别方法，属于雷达目标识别领域。由于K型核函数具有泛化能力强，有利于提取训练数据的全局特性，避免了径向基核函数复杂的指数运算，同时具有多项式核函数计算量小和径向基核函数逼近精度高的优点。而径向基核函数具有很好的局部特性，因此本发明将K型核函数与径向基核函数进行组合替代传统的SVDD算法中的核函数；同时，本发明采用基于截断距离的局部密度算法在高维核特征空间中计算支持向量与训练样本数据之间的局部密度，根据密度的分布，调整超闭球的形状，有效的提高了雷达一维距离像单类目标的识别性能。

Description

基于密度权重和混合核函数的SVDD雷达目标一维距离像识别 方法

技术领域

本发明适用于雷达目标识别领域，具体涉及一种基于密度权重和混合核函数的SVDD雷达目标一维距离像识别。

背景技术

雷达高分辨距离像(High Resolution Range Profile，HRRP)是待识别目标散射点子回波沿雷达视线方向上投影向量和，反映了目标散射点在雷达视线上的分布情况。相对于低分辨率雷达所获得的目标雷达散射截面积(Radar cross-section，RCS)而言，能够获得更多关于目标的结构和形状等信息；相对于合成孔径雷达(Synthetic ApertureRadar，SAR)图像和逆合成孔径雷达(Inverse Synthetic Aperture Radar，ISAR)图像而言，具有易于获取和存储量小等特点，因而在雷达自动目标识别领域(Radar AutomaticTarget Recognition，RATR)受到了广泛应用。

支持向量数据描述(SVDD)是一种基于贝叶斯最优决策理论的单类分类器，其基本思想是通过非线形变换将数据点映射到高维特征空间，寻求一个包含大部分高维特征空间数据点的最小超闭球(超球体)。由于SVDD算法具有复杂度低、扩充性强，以及对训练样本数据规模上要求不高等优点，已经广泛应用于故障诊断、异常检测、目标识别等多种领域。随后提出了很多SVDD改进算法，如基于聚类的SVDD目标识别算法、基于密度权重的SVDD目标识别算法、基于多核的SVDD目标识别算法等等。

基于密度权重的SVDD目标识别类型的算法都是在数据域根据训练数据的相对分布位置，计算局部密度作为SVDD惩罚因子的权重来实现的。但是SVDD算法是将训练样本数据依据核函数映射到高维特征空间，原始数据域的密度分布并不完全等价于在高维特征空间中的密度分布，影响了SVDD算法支持向量的选择和超闭球的形状，导致识别性能的下降。同时核函数的选择是SVDD算法的核心，一旦核函数选定，映射的高维特征空间就固定不变，SVDD算法的计算，支持向量的选择都是在该空间中完成。传统SVDD算法通常是以径向基核函数为核函数，但径向基核函数存在计算量大、泛化性能较弱等缺点，从而导致整个识别算法性能的下降。

发明内容

本发明的发明目的在于：针对上述存在的问题，提出了一种基于密度权重和混合核函数的SVDD雷达目标一维距离像识别方法，以提高雷达一维距离像单类目标的识别性能。

本发明的基于密度权重和混合核函数的SVDD雷达目标一维距离像识别方法包括下列步骤：

步骤1：设置支持向量数据描述SVDD算法的核函数：

设置K型核函数Ker_k(p,q)、径向基核函数Ker_rbf(p,q)，由Ker_k(p,q)、Ker_rbf(p,q)的加权求和得到组合核函数Ker(p,q)＝W·Ker_rbf(p,q)+(1-W)·Ker_k(p,q)，其中W∈(0,1)为组合核函数系数，p、q为对应的自变量，即雷达目标一维距离像数据；

如待处理的雷达目标一维距离像数据为g维列向量，则其中，p_m、q_m表示p、q的任一维，λ＞0反应了K型核函数的宽度。

径向基核函数Ker_rbf(p,q)表达式通常为：σ反应了径向基型核函数的宽度。

步骤2：对训练样本(雷达目标一维距离像数据)进行高维核特征空间映射处理：

遍历所有训练样本，计算任意训练样本间的K型核函数映射结果Ker_k(x_i,x_j)、径向基核函数映射结果Ker_rbf(x_i,x_j)，其中x_i、x_j表示训练样本集的任意训练样本，i,j＝1,2,…,N，N表示训练样本数；

由Ker(x_i,x_j)＝W·Ker_rbf(x_i,x_j)+(1-W)·Ker_k(x_i,x_j)得到训练样本的高维核特征空间映射结果Ker(x_i,x_j)；

步骤3：计算支持向量数据描述SVDD算法的边界：

在满足约束条件A的前提下，对优化目标进行求解得到SVDD算法的边界；

所述约束条件A为：0≤β_i,β_j≤C且其中β₁,β₂,...,β_N为每个训练样本对应的拉格朗日系数，C为预设的惩罚参数，且C＞0；

步骤4：计算每个训练样本的核距离系数：

将拉格朗日系数满足0＜β_i＜C的训练样本作为支持向量；

基于对应的组合核函数Ker(x_i,x_j)计算各支持向量与所有训练样本的核距离D(SV_n,x_i)＝Ker(SV_n,SV_n)-2Ker(SV_n,x_i)+Ker(x_i,x_i)，其中下标n为支持向量标识符；

对各支持向量的核距离进行概率分布的归一化处理，将归一化处理结果作为支持向量的训练样本的核距离系数，并将非支持向量的训练样本核距离系数置为0；

其中，对任意支持向量的核距离D(SV_n,x_i)进行概率分布的归一化处理具体为：

根据公式得到归一化处理结果其中 N_SV表示支持向量的数目；在计算时，为了避免核距离D(SV_n,x_i)为0的情况(即训练样本x_i就是支持向量SV_p)，当x_i＝SV_n时，令核距离D(SV_n,x_i)为当前支持向量SV_n到其它训练样本(除SV_n外的所有训练样本)的核距离的最小值；

步骤5：对待识别对象z(雷达目标一维距离像数据)进行识别处理：

对待识别对象z进行高维核特征空间映射处理：

计算待识别对象z的K型核函数Ker_k(z,z)、径向基核函数Ker_rbf(z,z)；

由Ker(z,z)＝W·Ker_rbf(z,z)+(1-W)·Ker_k(z,z)得到待识别对象z的高维核特征空间映射结果Ker(z,z)；

计算第一距离d(z)(待识别对象z与超球体球心的距离)：

计算第二距离d_{ker_density}(z)(基于密度分布的待识别对象z到超球体球心的距离)：

对第一、二距离进行加权求和，得到融合距离测度result(z)，基于所述融合距离测度result(z)判断待识别对象z是否位于SVDD算法的边界外，若是，则待识别对象z为非真实目标数据；否则为真实目标数据。优选的方式为：将对应各支持向量的超球体半径(支持向量与超球体球心的距离得到对应超球半径)的均值作为真实目标数据与非真实目标数据的判决阈值，若result(z)大于该判决阈值，则z为非真实目标数据；否则为真实目标数据。

综上所述，由于采用了上述技术方案，本发明的有益效果是：由于K型核函数具有泛化能力强，有利于提取训练数据的全局特性，避免了径向基核函数复杂的指数运算，同时具有多项式核函数计算量小和径向基核函数逼近精度高的优点。而径向基核函数具有很好的局部特性，因此本发明将K型核函数与径向基核函数进行组合替代传统的SVDD算法中的核函数；同时，本发明采用基于截断距离的局部密度算法在高维核特征空间中计算支持向量与训练样本数据之间的局部密度，根据密度的分布，调整超闭球的形状，有效的提高了雷达一维距离像单类目标的识别性能。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式对本发明作进一步地详细描述。

实施例

为了验证本发明的有效性，进行如下仿真实验。

对5种仿真飞机目标的一维距离像数据进行了识别，包括AH64、AN26、B52、B1B、F15五种型号的飞机。雷达带宽为400MHZ，工作频率为6GHz。在目标姿态角0°～30°范围内每隔0.1°的一维距离像中，取AH64一维距离像的0°、0.2°、0.4°、...、30°作为训练样本数据；将AN26、B52、B1B、F15一维距离像的0°～15°范围的一维距离像分别与AH64中0°～30°范围内余下的样本数据组合成测试数据。

对5种目标的识别采用现有的SVDD和本发明提出的基于密度权重和混合核函数的SVDD雷达目标一维距离像识别算法进行对比，其中参数设定：径向基核函数的参数固定σ＝10，惩罚因子参数固定C＝0.1；K型核函数的参数λ＝0.001，组合核函数系数W＝0.01，融合距离测度result(z)的加权系数δ设置为0.7，即result(z)＝δ·d(z)+(1-δ)·d_{ker_density}(z)，分别在(0,1)、(0,1)、[0.7,1)内取λ,W,δ,步长分别为0.001、0.01、0.01，使用网格搜索法找到算法的最佳识别率，识别结果如表1所示。

表1两种方法对5种仿真飞机目标一维距离像的识别结果(％)

可以看出，AH64作为训练数据，剩余的AH64样本数据和AN26、B52、B1B、F15组成测试数据时，本发明基于密度权重和混合核函数的SVDD雷达目标一维距离像识别方法在同样σ、C的情况下，识别率都高于传统的SVDD算法。因此，可以得出结论，本发明的基于密度权重和混合核函数的SVDD雷达目标一维距离像识别方法比单一的SVDD算法具有更好的识别效果。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (3)

1.基于密度权重和混合核函数的SVDD雷达目标一维距离像识别方法，其特征在于，包括下列步骤：

步骤1：设置支持向量数据描述SVDD算法的核函数：

设置K型核函数Ker_k(p,q)、径向基核函数Ker_rbf(p,q)，由Ker_k(p,q)、Ker_rbf(p,q)的加权求和得到组合核函数Ker(p,q)＝W·Ker_rbf(p,q)+(1-W)·Ker_k(p,q)，其中W∈(0,1)为组合核函数系数，p、q为对应的自变量；

步骤2：对训练样本进行高维核特征空间映射处理：

遍历所有训练样本，计算任意训练样本间的K型核函数映射结果Ker_k(x_i,x_j)、径向基核函数映射结果Ker_rbf(x_i,x_j)，其中x_i、x_j表示训练样本集的任意训练样本，i,j＝1,2,…,N，N表示训练样本数；

由Ker(x_i,x_j)＝W·Ker_rbf(x_i,x_j)+(1-W)·Ker_k(x_i,x_j)得到训练样本的高维核特征空间映射结果Ker(x_i,x_j)；

步骤3：计算支持向量数据描述SVDD算法的边界：

在满足约束条件A的前提下，对优化目标进行求解得到SVDD算法的边界；

所述约束条件A为：0≤β_i,β_j≤C且其中β₁,β₂,...,β_N为每个训练样本对应的拉格朗日系数，C为预设的惩罚参数，且C＞0；

步骤4：计算每个训练样本的核距离系数：

将拉格朗日系数满足0＜β_i＜C的训练样本作为支持向量；

基于对应的Ker(x_i,x_j)计算各支持向量与所有训练样本的核距离D(SV_n,x_i)＝Ker(SV_n,SV_n)-2Ker(SV_n,x_i)+Ker(x_i,x_i)，其中下标n为支持向量标识符；

对各支持向量的核距离进行概率分布的归一化处理，将归一化处理结果作为支持向量的训练样本的核距离系数，并将非支持向量的训练样本核距离系数置为0；

步骤5：对待识别对象z进行识别处理：

对待识别对象z进行高维核特征空间映射处理：

计算待识别对象z的K型核函数Ker_k(z,z)、径向基核函数Ker_rbf(z,z)；

由Ker(z,z)＝W·Ker_rbf(z,z)+(1-W)·Ker_k(z,z)得到待识别对象z的高维核特征空间映射结果Ker(z,z)；

计算第一距离

计算第二距离

对第一、二距离进行加权求和，得到融合距离测度result(z)，基于所述融合距离测度result(z)判断待识别对象z是否位于SVDD算法的边界外，若是，则待识别对象z为非真实目标数据；否则为真实目标数据。

2.如权利要求1所述的方法，其特征在于，对任意支持向量的核距离D(SV_n,x_i)进行概率分布的归一化处理具体为：

根据公式得到归一化处理结果

其中N_SV表示支持向量的数目；在计算step1(n)时，若x_i＝SV_n，则令核距离D(SV_n,x_i)为支持向量SV_n到除SV_n外的所有训练样本的核距离的最小值。

3.如权利要求1或2所述的方法，其特征在于，步骤5中，将对应各支持向量的超球体半径的均值作为真实目标数据与非真实目标数据的判决阈值，若result(z)大于所述判决阈值，则z为非真实目标数据；否则为真实目标数据。