论文部分内容阅读
现代战争已演变为以电子战、信息战为中心的高技术战争,由此对感知和处理战场态势有了更高要求。雷达自动目标识别(Radar Automatic Target Recognition,RATR)领域伴随着新军事变革需求应运而生,在现代战争中可提高攻防能力、为指挥自动化和目标检测预警等方面提供有力支撑,因而决定RATR技术在现代军事高科技领域的突出地位。高分辨雷达可实现最高层次的目标识别,其目标回波中可提取诸如高分辨距离像(High Resolution Range Profile,HRRP)回波特征、合成孔径雷达(Synthetic Aperture Radar,SAR)像或逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)像等特征。而相比于SAR/ISAR像,HRRP能提供目标纵向长度和散射点沿距离向的分布信息,更容易获得,且HRRP是一维特征对运算或存储的要求更低。本文紧密围绕基于HRRP的雷达目标识别这一课题,利用飞行目标的电磁计算数据,对基于HRRP的多目标识别技术进行了深入研究。首先针对HRRP目标数据域重合严重的问题,提出基于支持向量数据描述(Support Vector Data Description,SVDD)的模型优化算法。揭示了现有SVDD模型应用于数据域重合严重的HRRP多目标识别时的不足;基于支持向量机(Support Vector Machine,SVM)理论揭示了最小二乘(Least Square,LS)算法通过最小化样本到分界面的距离以挖掘样本分布信息;由此提出孪生支持向量数据描述(TSVDD)方法;最后基于HRRP多目标识别和UCI公共数据集的实验结果验证了所提TSVDD算法对识别目标域重合严重的数据目标时,能很好地平衡识别率和虚警率。其次,针对HRRP多目标识别时SVDD分类域过大的问题,提出基于SVDD模型的边界优化算法。基于核方法构建SVDD的几何模型,将其判别方法角度化简化了SVDD模型判别函数;提出基于SVDD模型的(Pruning Support Vector Data Description,PSVDD)算法,利用LSSVM提取正负类样本的分布特性,去切割和优化SVDD模型分界面,保证了切割的深度;利用GA(Genetic Algorithm,GA)选择最优的切割方向,提出自适应PSVDD(Adaptive Pruning Support Vector Data Description,APSVDD)算法;基于HRRP和UCI数据集的实验结果表明所提APSVDD算法能在尽可能多的囊括目标的同时排除非目标,即保证识别率的同时降低了虚警率,提高识别性能。再次,针对HRRP多目标识别时样本数据有限的问题,提出了基于SVDD模型挖掘数据的方法,充分挖掘并利用已有样本信息。将LUPI(Learning Using Privileged Information,LUPI)思想引入到SVDD模型,利用HRRP数据的二阶中心距将目标类样本大致分为两类,获得其特权信息,再通过松弛变量将该特权信息引入SVDD模型中,以校正SVDD模型,提出拓展的SVDD模型(Extended Support Vector Data Description,ESVDD)算法;进而将LUPI思想引入到SVDD-neg模型中,提出ENSVDD方法,令其能处理负类样本信息,对正负类样本有更紧凑的描述;基于HRRP数据的实验结果表明所提ESVDD和ENSVDD算法相比已有算法,即使在样本量较低或信噪比较低的情况,仍具有很高的识别性能。随后,针对HRRP多目标识别时可能出现的数据多源化问题,提出基于大间隔支持向量数据描述(Large Margin Support Vector Data Description,LMSVDD)的的多核学习(Multiple Kernel Learning,MKL)方法。基于大间隔思想,理论上详细分析了LMSVDD方法;基于LMSVDD这种闭合分类器,提出多种多核学习(MKL)算法,分别为基于固定准则的FSMKL方法,基于核对齐准则的APMKL、ASMKL、ACMKL和ADMKL方法,基于梯度下降准则的RGMKL方法,以及基于SILP规划的SPMKL方法;基于三种UCI公共数据集Ionosphere、Iris和Wine的实验结果表明MKL算法在融合多种核函数投影特征情况下能够提高识别率,相比于单核学习,多核学习的优越性和泛化性更强。最后,针对HRRP多目标识别时可能出现的增量样本问题,提出基于增量学习的多目标识别方法。介绍了基于支持向量机(Support Vector Machine,SVM)模型的增量学习(Incremental Support Vector Machine,IncSVM)方法,阐述基于KKT恒定条件下增量学习思想;基于闭合分类器LMSVDD,提出IncLMSVDD(Incremental Large Margin Support Vector Data Description,IncLMSVDD)方法,IncLMSVDD旨在基于KKT条件恒定准则采取逐点学习策略,当样本属性发生迁移时更新LMSVDD模型;基于Toy、UCI和HRRP数据集的实验结果表明面对增量样本时所提IncLMSVDD算法相比原有LMSVDD算法具有更高识别效率,同时保持相同的识别性能。