[发明专利]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

摘要

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。

主权项

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(xi,xj)、径向基核函数映射结果Ker_rbf(xi,xj)，其中xi、xj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(xi,xj)＝W·Ker_rbf(xi,xj)+(1‑W)·Ker_k(xi,xj)得到训练样本的高维核特征空间映射结果Ker(xi,xj)；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≤βi,βj≤C且其中β1,β2,...,βN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＜βi＜C的训练样本作为支持向量；基于对应的Ker(xi,xj)计算各支持向量与所有训练样本的核距离D(SVn,xi)＝Ker(SVn,SVn)‑2Ker(SVn,xi)+Ker(xi,xi)，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。