[發明專利]基于密度權重和混合核函數的SVDD雷達目標一維距離像識別方法

有效

• 申請號: 201710728138.7
• 申請日: 2017-08-23
• 公開（公告）號: CN107576949B
• 公開（公告）日: 2020-03-27
• 發明（設計）人: 周代英;但瑞;李文輝
• 申請（專利權）人: 電子科技大學
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 周劉英

1.基于密度權重和混合核函數的SVDD雷達目標一維距離像識別方法，其特征在于，包括下列步驟：

步驟1：設置支持向量數據描述SVDD算法的核函數：

設置K型核函數Ker_k(p,q)、徑向基核函數Ker_rbf(p,q)，由Ker_k(p,q)、Ker_rbf(p,q)的加權求和得到組合核函數Ker(p,q)＝W·Ker_rbf(p,q)+(1-W)·Ker_k(p,q)，其中W∈(0,1)為組合核函數系數，p、q為對應的自變量；

步驟2：對訓練樣本進行高維核特征空間映射處理：

遍歷所有訓練樣本，計算任意訓練樣本間的K型核函數映射結果Ker_k(x_i,x_j)、徑向基核函數映射結果Ker_rbf(x_i,x_j)，其中x_i、x_j表示訓練樣本集的任意訓練樣本，i,j＝1,2,…,N，N表示訓練樣本數；

由Ker(x_i,x_j)＝W·Ker_rbf(x_i,x_j)+(1-W)·Ker_k(x_i,x_j)得到訓練樣本的高維核特征空間映射結果Ker(x_i,x_j)；

步驟3：計算支持向量數據描述SVDD算法的邊界：

在滿足約束條件A的前提下，對優化目標進行求解得到SVDD算法的邊界；

所述約束條件A為：0≤β_i,β_j≤C且其中β₁,β₂,...,β_N為每個訓練樣本對應的拉格朗日系數，C為預設的懲罰參數，且C＞0；

步驟4：計算每個訓練樣本的核距離系數：

將拉格朗日系數滿足0＜β_i＜C的訓練樣本作為支持向量；

基于對應的Ker(x_i,x_j)計算各支持向量與所有訓練樣本的核距離D(SV_n,x_i)＝Ker(SV_n,SV_n)-2Ker(SV_n,x_i)+Ker(x_i,x_i)，其中下標n為支持向量標識符；

對各支持向量的核距離進行概率分布的歸一化處理，將歸一化處理結果作為支持向量的訓練樣本的核距離系數，并將非支持向量的訓練樣本核距離系數置為0；

步驟5：對待識別對象z進行識別處理：

對待識別對象z進行高維核特征空間映射處理：

計算待識別對象z的K型核函數Ker_k(z,z)、徑向基核函數Ker_rbf(z,z)；

由Ker(z,z)＝W·Ker_rbf(z,z)+(1-W)·Ker_k(z,z)得到待識別對象z的高維核特征空間映射結果Ker(z,z)；

計算第一距離

計算第二距離

其中，表示訓練樣本x_i、x_j的核距離系數；

對第一、二距離進行加權求和，得到融合距離測度result(z)，基于所述融合距離測度result(z)判斷待識別對象z是否位于SVDD算法的邊界外，若是，則待識別對象z為非真實目標數據；否則為真實目標數據。

2.如權利要求1所述的方法，其特征在于，對任意支持向量的核距離D(SV_n,x_i)進行概率分布的歸一化處理具體為：

根據公式得到歸一化處理結果

其中N_SV表示支持向量的數目；在計算step1(n)時，若x_i＝SV_n，則令核距離D(SV_n,x_i)為支持向量SV_n到除SV_n外的所有訓練樣本的核距離的最小值。

3.如權利要求1或2所述的方法，其特征在于，步驟5中，將對應各支持向量的超球體半徑的均值作為真實目標數據與非真實目標數據的判決閾值，若result(z)大于所述判決閾值，則z為非真實目標數據；否則為真實目標數據。