[发明专利]一种基于支持向量机的航海雷达目标快速检测方法有效
申请号: | 201910500476.4 | 申请日: | 2019-06-11 |
公开(公告)号: | CN110221266B | 公开(公告)日: | 2022-12-13 |
发明(设计)人: | 卢志忠;文保天;吴鑫;李磊;胡佳幸;黄玉;骈根 | 申请(专利权)人: | 哈尔滨工程大学 |
主分类号: | G01S7/41 | 分类号: | G01S7/41;G01S13/89 |
代理公司: | 暂无信息 | 代理人: | 暂无信息 |
地址: | 150001 黑龙江省哈尔滨市南岗区*** | 国省代码: | 黑龙江;23 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 支持 向量 航海 雷达 目标 快速 检测 方法 | ||
1.一种基于支持向量机的航海雷达目标快速检测方法,其特征在于,包含以下步骤:
步骤1:确定分类器模型:
离线开展现场观测试验,选取单一扫描线上的两类径向回波样本,一类为含有目标雷达回波的样本,另一类为不含目标的纯海杂波雷达回波的样本;选取两个径向回波特征参数,径向回波特征参数包括:方差系数、峰度、均值和拟合相关系数,利用支持向量机进行训练,获取分类器模型;样本的选取满足:径向回波数据长度大于离线开展现场观测试验中的最大的船只目标尺寸;含目标的径向回波需包含离线开展现场观测试验中不同尺寸的船只目标,纯海杂波的径向回波需包含不同情况下的杂波区域,包括海天背景、人为干扰、自然干扰;样本为离线开展现场观测试验中能够准确表示有无目标的数据;
利用支持向量机进行训练,获取分类器模型包括:
步骤1.1:定义一个分类函数f(X),将含有目标雷达回波样本的分类标记y计为1,不含目标的纯海杂波样本的分类标记y计为-1,y=1的点代入f(X)得到大于0的值,y=-1的点代入f(X)得到小于0的值,根据f(X)得到几何间隔:
分类函数的计算公式为:
f(x)=ωTx+b
式中:ω表示权重向量,b为偏置,x表示n维向量;
几何间隔的计算公式为:
式中:为函数间隔,γ表示点到超平面的垂直距离,y表示分类标记,ω表示权重向量,b为偏置;
步骤1.2:令取的最大值,并确保所有大于得到最优超平面,并将最优超平面最大形式转化为等同的最小形式:
最优超平面公式:
s.t.yi(ωTxi+b)≥1,i=1,2,3...,n
式中:ω表示权重向量,b为偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记;
将最大形式转化为等同的最小形式:
s.t.yi(ωTxi+b)≥1,i=1,2,...,n
式中:ω表示权重向量,b为表示偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记;
步骤1.3:定义一个拉格朗日函数L(ω,b,α),其中αi≥0,定义一个关于ω的函数θp(ω),计算出最优值p*:
拉格朗日函数的计算公式为:
式中:ω表示权重向量,b为偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记标,αi表示拉格朗日乘子,n表示线的条数;
关于ω的函数计算公式为:
式中:L(ω,b,α)表示拉格朗日函数;
求解的最优值的计算公式为:
式中:ω表示权重向量,b表示偏置,αi表示拉格朗日乘子;
步骤1.4:分别对参数ω和b求偏导并令结果都为0,将得到的结果代入拉格朗日函数,
分别关于ω和b求偏导的计算公式为:
式中:ω表示权重向量,b表示偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数;
把分别关于ω和b求偏导的计算公式带入拉格朗日函数得到计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的总数,xj表示为输入的第j条线的n维向量,yj表示yi的转置,αj表示为αi的转置;
步骤1.5:对步骤1.4中得到的公式采用SMO算法,计算得到α=(α1,α2,…,αm),代入到对ω求偏导得到的公式,得到ω的值;将f(X)≤0中的最大点和f(X)≥0中的最小点求平均,令求得的平均值为0,得到b:
得到的ω和b的计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数;
步骤1.6:在分类器中添加松弛因子εi,得到新的最优超平面,重复步骤1.3到1.5得到新的分类器,ω和b不变:
新的最优超平面计算公式为:
s.t.yi(ωTxi+b)+εi-1≥0,i=1,2,3...,n
式中:ω表示权重向量,C表示惩戒参数,xi表示第i条线的n维向量,yi表示第i条线的分类标记,n表示线的条数;
新的分类器计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数,xj表示输入的第j条线的n维向量,yj表示yi的转置,αj表示为αi的转置,C表示惩戒参数;
步骤1.7:选取高斯核函数将原始空间非线性特征转换为高维空间线性特征,得到最终的决策函数:
选取的高斯核函数为:
式中:xi表示第i条线的n维向量,xj表示输入的第j条线的n维向量,σ表示函数的宽度参数,表示高维空间;
目标函数求解计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数,C表示惩罚参数,xj表示输入的第j条线的n维向量,yj表示yi的转置,αj表示为αi的转置;
决策函数的计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数,αj表示为αi的转置,b表示偏置,x表示输入的n维向量,表示高维空间;
步骤1.8:将步骤1中的样本的两类径向回波特征数据输入到步骤1.7中得到的决策函数中,获得最终分类器模型;
步骤2:将待测数据的步骤1中的径向回波特征参数输入到分类器模型中:
获取雷达单一扫描线上的待测数据,包括回波径向距离、强度,计算待测数据的步骤1中选择的两种径向回波特征参数的值,并输入到步骤1获取的分类器模型中,最终得到对应的决策函数值K;
步骤3:判断有无目标:
将得到的决策函数值K和分类器的阈值进行比较,判断该扫描线上是否存在目标,当K大于0时,判定为有目标,当K小于0时,判定为无目标。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于哈尔滨工程大学,未经哈尔滨工程大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910500476.4/1.html,转载请声明来源钻瓜专利网。