目标航迹关联的时序SVM信息融合方法研究

论文摘要

信息融合是以多学科理论为基础,对按时序从各个信息源获得的数据在一定准则下加以自动分析、综合、判断,辅助人们完成所需要的估计和决策任务而进行的数据处理过程。将信息融合技术应用于雷达目标识别,对于未来战争需要有着深远的研究价值。 本文讨论的信息融合是针对雷达目标识别航迹关联问题。雷达的目标航迹关联是一个多元分类问题,且难于事先获取先验知识和样本数据,从观测时序的角度,将该问题分解成若干二元分类问题。而支持向量机推理方法正能很好的解决二元分类问题。 本文在分析且归纳信息融合过程和目前雷达目标识别方法的基础上,阐述并将支持向量机推理方法引入雷达目标航迹关联问题中,并结合该问题的时序性,对支持向量机的推理方法做了改进,按观测时序来逐渐扩展样本数据集,使得样本数据的选择和分类同时进行,对支持向量机推理方法进行了改进,提出了一种基于时序支持向量机(SVMt)的数据分类方法来解决雷达目标航迹关联问题。论述了时序支持向量机的原理、数据分类的准则和算法。 最后通过仿真实验验证了时序支持向量机方法的有效性和适应性。

论文目录

• 第1章 绪论
• 1.1 引言
• 1.2 研究问题以及相关技术
• 1.2.1 问题的提出
• 1.2.2 信息融合技术
• 1.2.2.1 信息融合技术的定义
• 1.2.2.2 信息融合技术的层次结构
• 1.2.3 支持向量机分类技术
• 1.2.3.1 支持向量机的基本原理
• 1.2.3.2 SVM算法策略
• 1.3 课题的目的和意义
• 1.4 课题选用方法（SVM）的研究现状
• 1.5 本文研究内容和结构安排
• 第2章 目标识别中的信息融合和支持向量机技术
• 2.1 引言
• 2.2 信息融合的特点与结构、层次、方法
• 2.2.1 信息融合的特点
• 2.2.2 信息融合的结构形式
• 2.2.3 信息融合的层次
• 2.2.4 雷达目标识别中的常用信息融合分类方法
• 2.2.4.1 统计模式识别方法
• 2.2.4.2 模糊模式识别方法
• 2.2.4.3 基于模型和基于知识的模式识别方法
• 2.2.4.4 神经网络模式识别方法
• 2.3 支持向量机（SVM）理论
• 2.3.1 支持向量机特点
• 2.3.2 支持向量机算法
• 2.3.2.1 分类超平面的结构
• 2.3.2.2 线性可分的情况
• 2.3.2.3 线性不可分的情况
• 2.3.2.4 非线性支持向量机
• 2.3.2.5 多值分类
• 2.4 本章小结
• 第3章 基于SVM的特征层雷达目标航迹识别
• 3.1 引言
• 3.2 特征层雷达目标航迹融合识别
• 3.3 特征层雷达目标航迹融合识别问题描述
• 3.3.1 雷达航迹分类
• 3.3.2 问题的描述
• 3.3.3 特征层雷达目标航迹融合识别问题分析
• 3.4 基于最近邻域（Newly Neighboring）法的航迹融合识别
• 3.4.1 最近邻相关法（NN法）
• 3.4.2 NN法融合实现算法
• 3.5 基于支持向量机（SVM）的航迹融合识别
• 3.5.1 目标航迹关联的相关规定
• 3.5.2 支持向量机分类流程
• 3.6 本章小结
• 第4章 基于时序SVM的特征层雷达目标航迹识别
• 4.1 引言
• 4.2 特征层雷达目标航迹融合识别问题时序性分析
• 4.3 改进的基于时序支持向量机（SVMt）的航迹融合识别算法
• 4.3.1 航迹关联的SVMt算法的前期准备
• 4.3.2 航迹关联的SVMt算法实现
• 4.4 本章小结
• 第5章 仿真与实验工作
• 5.1 建立仿真实验
• 5.2 实验结果分析
• 结论
• 参考文献
• 攻读硕士期间所发表论文和取得的科研成果
• 致谢