基于改進高斯核函數的雷達高分辨距離像目標識別算法研究

摘 要:針對支持向量機的核函數選擇問題，在保形變換方法的基礎上，分析了確定數據分布特征的重要性，給出了判斷數據呈高斯分布的方法。利用支持向量機的高斯核函數，提出一種基于改進的高斯核函數雷達目標高分辨距離像的研究方法。該方法對SVM的高斯核函數進行改進，并進行核函數選擇。通過改進的高斯核函數與多項式核函數進行比較，在Matlab環境下采用兩種方法對高分辨距離像進行仿真，仿真方法驗證并改進了高斯核函數的有效性。

關鍵詞:高分辨距離像; 支持向量機; 高斯核函數; 廣義高斯分布

中圖分類號:TN957.52文獻標識碼:A

文章編號:1004-373X(2010)15-0001-04

Target Recognition Algorithm of Radar High Resolution Range Profile

Based on Improved Gaussian Kernel Function

ZHAO Nai-jie， LI Hui，JIN Bao-long

(Department of Electronic Engineering， Northwestern Polytechnical University， Xi’an 710129， China)

Abstract: Aiming at kernel function selection of support vector machine(SVM)， the method to determine Gaussian distribution of the data is introduced by analyzing feature of data distribution based on the proposed conformal transformation method. A target recognition algorithm of radar high resolution range profile based on improved Gaussian kernel function is proposed by using Gaussian kernel function of support vector machine. The method improved SVM Gaussian kernel function and carried out the kernel function selection. Through comparing the improved Gaussian kernel function with the polynomial kernel functions， two methods are used to simulate high resolution range profile in the Matlab environment， the simulation method validate the effectiveness of Gaussian kernel function.

Keywords: high range resolution profile;SVM;Gaussian kernel function; generalized Gaussian distribution

0 引 言

傳統模式識別方法都是在樣本數目足夠多的前提下進行研究的，所提出的各種方法只有在樣本數趨于無窮大時其性能才能有理論上的保證。然而在許多實際應用中樣本數目通常是有限的，如何在有限樣本情況下使得到的分類器能夠具有較好的分類性能和泛化性能，支持向量機(Support Vector Machine，SVM)的出現為解決這一問題提供了新思路。

SVM是20世紀90年代由Vapnik等人提出的一種新的學習機[1]，它擁有較好的推廣能力和非線性處理能力，尤其在處理高維數據時，可有效地解決“維數災難”問題，在人臉檢測、網頁分類、數據融合、函數估計等領域得到了廣泛應用[2]。由于SVM 是一種基于核的機器學習方法，核函數決定了學習機的復雜度，所以核及相關參數選擇得好壞直接影響到了SVM 的性能。對于一個選定的核函數來講，其參數選擇方法目前已有一些研究[3-6]，其中交叉驗證法(Cross-Validation)或留一法(Leave-One-Out)被認為是較為準確的方法[7]，但其計算復雜度較高。……