论文摘要
雷达目标一距离像反映了目标的几何结构分布信息,相对二维像和三维像而言,易于获取,并且能够实现实时识别,成为了当前识别飞机等非协作目标的重要手段,具有广泛的军事和民用价值。支持向量机可以获得全局最小点以及具有较强的推广性,能够较好地解决雷达目标识别中的小样本学习的问题。因此本文利用支持向量机方法对雷达目标一维像进行了识别研究,主要研究内容包括:1、研究了一种非线性零空间支持向量机方法,通过引入核函数来处理一维距离像样本分布中的非线性问题,且采用零空间提取最具辨别力的特征信息,最后使用支持向量机方法进行分类识别,改善了识别性能。实验结果表明,非线性零空间支持向量机方法具有良好的识别性能。2、提出了一种全局局部特征融合支持向量机方法,分别采用Fisher辨别提取全局信息、局部保留映射提取局部特征信息,对这些全局和局部信息进行融合得到全面的样本特征信息,最后使用支持向量机对融合特征进行分类识别。实验证明,相对基于单一特征的方法,该方法的识别性能与抗噪性能得到了明显的改善。3、改进了一种基于组合核的支持向量机方法,分别选用具有全局性能与局部性能的核,融合成全局局部核,解决了常用核函数不能针对样本特征的差异进行核参数动态调整的问题,改善了识别性能。4、研究了一种基于模糊核的支持向量机方法,在模糊聚类的基础上,利用核方法对其进行非线性推广,并加入类动态调整因子,根据不同类别设定不同权值,解决了样本分布不均等问题,得到更为准确的数据样本描述,最后采用支持向量机进行分类识别,使识别性能与抗噪性能得到改善。