基于直推式学习和迁移学习方法改进的支持——向量机分类方法及应用研究

摘要

支持向量机(Support Vector Machine, SVM)是一种基于小样本学习理论的有效分类方法，近年来已成为国内外机器学习的一个研究热点。本文以SVM为基础，对直推式支持向量机(Transductive Support Vector Machine, TSVM)算法和基于迁移学习的支持向量机进行了研究，并给出了这两种方法的改进算法。
　　本文首先阐述了SVM方法的研究现状和SVM在雷达辐射源分类中的应用，然后介绍了SVM的理论基础和迁移学习的基本概念。接下来介绍了TSVM算法以及渐近直推式支持向量机(ProcessingTransductive Support Vector Machine, PTSVM)算法，并针对 PTSVM算法训练时间过长的缺点，引入 K近邻和缓存的思想，在算法的每次迭代过程中对多个无标签样本进行处理，这种做法可以大大减少算法的训练时间。
　　KMMSVM算法先用核均值匹配(Kernel Mean Match，KMM)计算每个源样本的权重值，然后选取源样本权重值大于阀值的源样本，最后用这些源样本训练 SVM分类器并对目标样本进行分类。当源样本数目较大时，KMMSVM算法训练时间较长。针对这个缺点，本文将集成学习与KMMSVM结合起来，构建多个KMMSVM基分类器，然后将单个基分类器的结果以一定的方式集成起来。由于每个基分类器的训练样本只包含少量源样本，所以算法的训练时间大大减少了，同时基分类器结果的集成提高了算法的分类正确率。
　　最后将文中基于动态 K近邻和缓存改进的PTSVM算法和基于集成学习的KMMSVM算法应用于雷达辐射源数据中。先对雷达辐射源数据进行特征提取，将经过预处理的雷达仿真数据作为实验的数据集，然后用雷达数据集对改进后的算法与原算法进行对比，实验表明，改进后的方法优于原来的方法。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 支持向量机的研究现状

1.2 支持向量机在雷达辐射源分类中的应用

1.3 本文的主要工作和组织结构

第二章 相关理论与技术

2.1 支持向量机

2.2 迁移学习

2.3 本章小结

第三章 基于动态 K 近邻和缓存改进的 PTSVM

3.1 直推式支持向量机

3.2 基于动态 K 近邻和缓存改进的 PTSVM

3.3 实验结果

3.4 本章小结

第四章 基于集成学习改进的 KMMSVM 算法

4.1 KMMSVM 算法

4.3 基于集成学习改进的 KMMSVM 算法

4.4 实验与分析

4.5 本章小结

第五章 特征提取和雷达辐射源识别的实验

5.1 特征提取

5.2 雷达辐射源分类识别实验结果分析

5.3 本章小结

第六章 结论

6.1 工作总结

6.2 进一步研究

致谢

参考文献