基于改进One‑Class SVM算法的多模复合探测目标识别方法

摘要

本发明提供一种基于改进One‑Class SVM算法的多模复合探测目标识别方法，针对经过预处理的被动毫米波探测器、长外红探测器及FMCW雷达在稳态扫描状态时的输出信号，选择具有较高区分度的特征作为分类特征，利用改进的One‑Class SVM算法对训练数据进行训练，构造具有较高目标识别率的分类器。提取待测试信号特征，并将处理后的特征数据送入分类器中进行目标识别，得到判决结果。本发明考虑到当前高速实时信号处理系统的快速发展和复合探测数据处理信息量大的特点，从特征层融合的角度出发，运用样本和特征加权的One‑Class SVM算法，显著提高多模复合探测器的目标识别率。

说明书

技术领域

本发明属于目标识别技术领域，特别是一种基于样本和特征加权的改进One-Class SVM算法的多模复合探测目标识别方法与系统。

背景技术

复合探测技术的根本原则就是利用各传感器例如雷达、辐射计以及红外探测器的各自优势，通过对传感器信息按照某种规则进行融合判决，取得对目标更加准确的识别。在数据融合领域，特征层融合在实时性和信息量上位于数据层和决策层之间，且随着高速实时处理技术的快速发展，成为数据融合处理的趋势。

复合探测器目标识别问题属于单分类问题，王洪波等人在单分类支持向量机的学习方法研究中介绍的单分类支持向量机有效解决了单分类问题，不足之处在于对训练数据集的所有特征值均采用一样的重要性，而在现实中，样本和特征值的重要性是有所偏重的，不利于目标的识别。

发明内容

本发明的目的在于提供一种改进One-Class SVM算法的多模复合探测目标识别方法，有效提高探测目标的识别率。

为实现上述目的，本发明所采用的技术方案如下：

一种基于改进的One-Class SVM算法的末敏复合探测技术，包括下述步骤：

第一步，信号特征的提取。被动毫米波探测器和长红外探测器分别提取其输出信号的时间宽度、峰值电压作为目标特征，而FMCW雷达通过图像识别的模板匹配方式，提取一维距离像的模板匹配度作为目标特征，最终确定特征向量；；

第二步，判决函数构造。首先改进算法初始化问题，在松弛变量前乘以样本重要性权数，然后构造朗格朗日函数，根据KKT条件求得拉格朗日算子最优解，进而求得超球半径和超球球心，得到改进算法的判决函数；

第三步，核函数的修正。对核函数中特征向量的五个特征值进行不同的重要性加权，得到修正的高斯核函数；

第四步，训练模型。利用训练集通过迭代的方式得到改进算法的SVM模型；

第五步，目标判决。对待识别信号提取特征得到特征向量，代入SVM模型中判决输出。

本发明与现有技术相比，其显著优点为：

(1)FMCW雷达输出信号选取一维距离像的模板匹配度作为特征值，有效克服了回波信号绝对幅度对误差结果的影响，并具有良好的目标与非目标、完整目标与非完整目标的区分度。

(2)特征层数据融合保留了适量的原始信息，同时提高了抗干扰能力，对数据处理的要求也比数据层融合大大降低。

(3)样本重要性的修正，重要性较高的训练样本在认定为错误样本时，具有更高的惩罚因子系数，提高目标识别率。

(4)特征值重要性的修正，在核函数中对每一个特征值的重要性单独加权，使得核函数在对向量的调整过程中，更加细致和合理。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是本发明基于改进的One-Class SVM算法的多模复合探测目标识别方法的流程图。

图2是毫米波及红外探测器钟形脉冲信号特征示意图。

图3是FMCW雷达信号一维距离像最小模板匹配度示意图。

图4是超球法的原理示意图。

图5是改进SVM模型的训练流程图。

图6是目标数据判决流程图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

结合图1-图6，本发明基于改进的One-Class SVM算法的高识别率末敏复合探测方法，步骤如下：

步骤1、信号特征的提取。如图2所示，被动毫米波探测器和长红外探测器的输出信号为钟形脉冲。从时域的角度分析，选取被动毫米波探测器信号的时间宽度x₁、峰值电压x₂及红外信号的时间宽度x₃、峰值电压x₄作为目标特征。而FMCW雷达信号较为复杂，通过图像识别的模板匹配方式，提取一维距离像的模板匹配度x₅作为目标特征。

(1)假设FMCW雷达目标的一维距离像为{s_i,i＝1,2,...N}，利用参数法构造目标一维距离像归一化模板{T_i,i＝1,2,...,M}。另外采用滑动加窗的方式，选取目标一维距离像中长度为M的数据集S_M；

(2)采用D的误差表达方式

求解S_M的模板匹配度D，作为特征值x₅，如图3所示，模板匹配度对于目标具有良好的区分度。

最终得到训练数据为N为样本个数，y_i为的类别参数，其中特征向量待识别目标数据集为M为待识别目标个数。

步骤2、构造判决函数。如图4所示，将已经提取特征的训练数据作为样本，划定一个尽量小的边界，边界外的数据为奇异值，重要性较高的训练样本在认定为错误样本时，具有更高的惩罚因子系数。改进的One-Class SVM算法的初始化问题为：

式中，R为超球半径，c为超球球心，ξ_i为松弛变量，v为边界支持向量数量约束参数，即边界支持向量数量占样本数的百分比，vN为最大边界支持向量数，l_i为人工定义的松弛变量的系数，用于对样本重要性加权，l_i越大，则样本的重要性越强，越不允许样本出现在超球的范围之外。

支持向量对应的松弛变量ξ_m＝0，满足：

构造拉格朗日函数：

根据KKT条件，分别对参数R、c和ξ_i求偏微分并使结果为0：

将(4)式代入(3)式中，可转换为其对偶问题：

根据上式，可以求得最优解利用支持向量和可以求得R^*和c^*，根据式(2)和式(4)可得：

将R^*和c^*代入式(1)中，则改进算法的判决函数为：

步骤3、核函数对的修正。选用高斯核函数，并进行特征值重要性的修正。高斯核函数实际上是对向量的每一个特征值进行了一样的加权，即认为向量的所有特征值均拥有一样的重要性。要实现对特征值的非等值加权，需在核函数中对每一个特征值的重要性单独加权。被动毫米波探测器和长红外探测器输出信号的特征参数中，目标信号的时间宽度信息比幅度信息更加稳定，应采用更高的重要性系数；FMCW雷达的一维距离像受目标方位角等因素影响较大，所以其目标特征参数的重要性较低。设定向量中每一个特征值的加权系数为h_i，则高斯核函数可修正为：

步骤4、训练模型。如图5改进SVM算法的训练流程，首先利用训练集通过迭代的方式求解出改进算法的SVM模型。

步骤5、目标判决。对待识别信号提取特征得到i＝1,2,…,M，M为待识别目标数量，如图6所示，将目标数据代入该模型判决输出，得到识别结果。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。