[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

本發明公開了一種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，屬于雷達目標識別領域。由于K型核函數具有泛化能力強，有利于提取訓練數據的全局特性，避免了徑向基核函數復雜的指數運算，同時具有多項式核函數計算量小和徑向基核函數逼近精度高的優點。而徑向基核函數具有很好的局部特性，因此本發明將K型核函數與徑向基核函數進行組合替代傳統的SVDD算法中的核函數；同時，本發明采用基于截斷距離的局部密度算法在高維核特征空間中計算支持向量與訓練樣本數據之間的局部密度，根據密度的分布，調整超閉球的形狀，有效的提高了雷達一維距離像單類目標的識別性能。

技術領域

本發明適用于雷達目標識別領域，具體涉及一種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。

背景技術

雷達高分辨距離像(High Resolution Range Profile，HRRP)是待識別目標散射點子回波沿雷達視線方向上投影向量和，反映了目標散射點在雷達視線上的分布情況。相對于低分辨率雷達所獲得的目標雷達散射截面積(Radar cross-section，RCS)而言，能夠獲得更多關于目標的結構和形狀等信息；相對于合成孔徑雷達(Synthetic ApertureRadar，SAR)圖像和逆合成孔徑雷達(Inverse Synthetic Aperture Radar，ISAR)圖像而言，具有易于獲取和存儲量小等特點，因而在雷達自動目標識別領域(Radar AutomaticTarget Recognition，RATR)受到了廣泛應用。

支持向量數據描述(SVDD)是一種基于貝葉斯最優決策理論的單類分類器，其基本思想是通過非線形變換將數據點映射到高維特征空間，尋求一個包含大部分高維特征空間數據點的最小超閉球(超球體)。由于SVDD算法具有復雜度低、擴充性強，以及對訓練樣本數據規模上要求不高等優點，已經廣泛應用于故障診斷、異常檢測、目標識別等多種領域。隨后提出了很多SVDD改進算法，如基于聚類的SVDD目標識別算法、基于密度權重的SVDD目標識別算法、基于多核的SVDD目標識別算法等等。

基于密度權重的SVDD目標識別類型的算法都是在數據域根據訓練數據的相對分布位置，計算局部密度作為SVDD懲罰因子的權重來實現的。但是SVDD算法是將訓練樣本數據依據核函數映射到高維特征空間，原始數據域的密度分布并不完全等價于在高維特征空間中的密度分布，影響了SVDD算法支持向量的選擇和超閉球的形狀，導致識別性能的下降。同時核函數的選擇是SVDD算法的核心，一旦核函數選定，映射的高維特征空間就固定不變，SVDD算法的計算，支持向量的選擇都是在該空間中完成。傳統SVDD算法通常是以徑向基核函數為核函數，但徑向基核函數存在計算量大、泛化性能較弱等缺點，從而導致整個識別算法性能的下降。

發明內容

本發明的發明目的在于：針對上述存在的問題，提出了一種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，以提高雷達一維距離像單類目標的識別性能。

本發明的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，即雷達目標一維距離像數據；

如待處理的雷達目標一維距離像數據為g維列向量，則其中，p_m、q_m表示p、q的任一維，λ＞0反應了K型核函數的寬度。

徑向基核函數Ker_rbf(p,q)表達式通常為：σ反應了徑向基型核函數的寬度。