基于支持向量机的水中目标识别技术研究

摘要

统计学习理论是由Vapnik等人提出的一种小样本统计理论，为研究小样本情况下的统计模式识别和更为广泛的机器学习问题建立了一个较好的理论框架。在这一理论基础上发展起来的新型模式识别方法——支持向量机(SVM)能够较好地解决小样本情况下的模式识别问题。本文根据水中目标识别的发展现状以及存在的问题，深入地研究了基于支持向量机的水中目标识别技术理论，并对实测水中目标进行了分类试验，从理论和应用两方面取得了一定的成果。论文的主要研究内容和创新如下： 1.分析了舰船辐射噪声的基本特性，包括舰船辐射噪声源类型、谱特性；研究了基于高阶统计量与小波变换的舰船辐射噪声特征。 2.研究了基于舰船辐射噪声的11/2维谱、21/2维谱以及小波变换的特征构建方法；构建出舰船辐射噪声11/2维谱、21/2维谱子带分布特征以及小波域的尺度—能量特征，并在这些特征的基础上构建出舰船辐射噪声综合特征向量。 3.在分析特征优化方法的基础上，提出采用K-L变换的方法对舰船辐射噪声综合特征向量进行特征优化。试验结果表明：优化后的特征向量可以有效的增强类内紧密性和类间可分性。 4.开展了基于支持向量机的水中目标分类识别算法研究；提出了针对于三类水中目标的支持向量机分类识别算法；对实际舰船目标进行分类试验并取得了较好的识别效果。 5.研究了支持向量机的改进算法—最小二乘支持向量机，以解决传统二次规划支持向量机训练速度慢、算法复杂等问题；提出了基于最小二乘支持向量机的三类水中目标分类识别算法，通过试验验证了算法的有效性与可行性。

目录

文摘

英文文摘

第一章绪论

第二章舰船辐射噪声特性分析及分析方法

第三章舰船辐射噪声综合特征分析及特征构建

第四章舰船辐射噪声特征优化问题的研究

第五章水中目标支持向量机分类识别算法的研究

第六章全文总结

参考文献

发表论文与参加科研情况

致谢

西北工业大学业学位论文知识产权声明书及西北工业大学学位论文原创性声明