基于雷达高分辨距离像目标识别的在线贝叶斯模型研究

摘要

雷达自动目标识别（RATR）是雷达技术与模式识别技术相结合的一个领域，具有很重要的应用价值，因此近年来受到人们的广泛关注；在雷达领域，雷达高分辨距离像（HRRP）能够包含目标丰富的结构信息，这对目标的识别分类具有重要意义，再加上其易于获得、处理和存储等特征，使得对其的研究成为本领域的热点。在模式识别领域，传统的机器学习分类算法，尤其是我们常用的支撑向量机（SVM）算法，大多数是在批量学习模式下设计和工作的，但实际情况中，经常会遇到数据集过大的情况，这样批量学习会耗费大量的时间和空间资源，导致学习效率低。本文主要围绕国家自然科学基金的相关项目，从最大间隔监督学习理论、贝叶斯统计模型、贝叶斯模型的在线技术等方面展开了相关的理论技术研究。论文主要研究内容概括如下：
　　1.针对雷达数据维度过高、存在特征冗余的问题，介绍了一种贝叶斯统计（数据降维）模型——最大间隔因子分析（MMFA）模型。该模型是将生成模型与判别模型统一在同一个贝叶斯框架下，对模型参数进行求解。此处，生成模型是因子分析（FA）模型，它可以描述数据在低维隐空间的信息，发掘其中具有的潜在共性特征，因此经常被用于数据的特征提取和降维。判别模型为隐变量支撑向量机（LVSVM）分类器。但是由于FA模型是一种非监督的模型，它所提取出的特征不一定适合于后端的分类，此处为了提高特征的可分性，我们将FA模型提取出的隐变量作为后端判别模型的输入，在模型求解过程中将FA模型和LVSVM分类器联合起来学习。由于受到后端分类器最大间隔的约束，此处确保了FA模型提取出特征在低维隐空间的可分性。在模型参数的求解中，我们采用的变分贝叶斯（VB）算法，该算法可以以较少的计算量估计模型参数，并且收敛性能好。
　　2.针对识别过程中，数据集过大、学习效率低的问题，提出一种在线变分贝叶斯（OnlineVB）算法。传统的变分贝叶斯（VB）算法在学习模型参数的时候需要用到所有的样本，当数据量过大的时候，算法学习效率会非常低，并且当有新样本加入的时候，批量学习方法需要放弃之前的学习成果，再次收集所有样本，重新训练模型，耗费大量时间和空间资源。因此我们提出了针对最大边界因子分析（MMFA）模型的在线方法——Online VB算法。该方法是将样本集随机分成很多大小相同的子样本集，采用随机梯度下降方法优化目标函数。在大样本情况下，该方法比传统VB方法收敛速度更快，求解过程中，Online VB算法将变量分为全局变量和局部变量分别进行求解，其中仅全局变量求解过程与传统VB略有不同。

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1 .1雷达自动目标识别意义

1 .2雷达高分辨距离像特征分析

1 .3在线学习算法研究

1 .4研究内容安排

第二章 最大间隔因子分析模型

2 .1引言

2 .2贝叶斯统计学习

2 .3支撑向量机

2 .4最大间隔因子分析模型

2 .5本章小结

第三章 变分贝叶斯算法求解最大间隔因子分析模型

3 .1引言

3 .2变分贝叶斯算法

3 .3模型参数估计

3 .4识别框架

3 .5实验结果分析

3 .6 本章小结

第四章 在线最大间隔因子分析模型

4 .1引言

4.2Online VB算法

4 .3模型参数估计

4 .4识别框架

4 .5实验结果分析

4 .6本章小结

第五章 总结与展望

5 .1工作总结

5 .2工作展望

参考文献

致谢

作者简介