一种提高雷达HRRP识别和拒判性能的新方法

在支持向量域描述的基础上,提出了多核支持向量域描述．针对支持向量域描述核函数形式过于简单的缺点,将支持向量域描述由单个高斯核扩展为多个高斯核线性组合的形式．扩展后的多核支持向量域描述方法可以表述为半正定规划问题,因此可以收敛到全局最优解．新方法采用了更加复杂的核函数形式,能够更加灵活地描述训练样本在高维特征空间的边界分布情况,从而获得了比支持向量域描述更高的识别率和更低的虚警率．     

一种约减支持向量域描述算法RSVDD

为加快支持向量域描述(SVDD)的训练速度,提出基于约减集的约简支持向量域描述算法RSVDD．由于描述边界仅由支持向量决定,且支持向量多分布在描述边缘附近,该算法采用每个样本到中心的距离作为支持向量的一种可能性度量,选取距离较大的部分样本作为约减集参与SVDD训练．人造数据和基准集数据上的仿真实验表明了RSVDD的有效性和优越性,保证了目标类和奇异值类的分类精度,缩减了训练规模和训练时间．     

空间支持向量域分类器

构造了一种空间支持向量域分类器(SSVDC)．在训练阶段分别对正负两类样本进行支持向量域描述,根据描述边界将数据空间划分为互不相交区域,并设定相应的分类准则．在测试阶段,分别计算待识别样本与两个最小包围超球球心的距离,根据其与超球半径的大小关系确定待识别样本所处区域,并采取相应分类准则完成分类．UCI数据集上的多个数值实验表明,与支持向量机(SVM),支持向量域分类器(SVDC)相比,SSVDC具有好的鲁棒性,训练时间可缩短为SVM的20.6％,分类精度比SVDC提高45.9％．     

基于模糊域和支持向量机的故障诊断方法

将模糊域分布和支持向量机相结合，提出了一种故障诊断的新方法，该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别．利用模糊域分布可以很好地刻画信号的时频局部化特征，与时一频平面特征提取相比，又可大大降低数据维数．对于不同类型的核函数分布，将其诊断结果进行比较，试验结果表明，基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果．     

使用聚类稳定性分析方法增强单类学习算法

针对传统单类学习模型对多模态或多密度分布数据描述能力不足的问题,将集成聚类和聚类稳定性分析引入单类学习.首先将确定聚类簇个数与确定聚类簇分布统一到同一个增强单类学习框架中,之后各聚类簇互为正负类分别建起立多个单类分类模型,最后采用最大融合体积方法融合其决策边界.以经典的支持向量数据描述(SVDD)为例,设计了基于集成聚类的稳定支持向量数据描述算法——ECS-SVDD.在标准UCI数据集和一个真实恶意程序行为数据集上的实验结果表明,ECS-SVDD的性能较单个支持向量数据描述及同类单类学习方法更优.该方法可直接推广到其他最小包含体积集合类型的单类学习算法上,以增强单类学习算法处理多模态和多密度分布数据的能力.     

基于核的单类分类器研究

以统计学习理论为背景,以核方法为基础的两类典型单类分类算法：单类支持向量机（OCSVM）和支持向量数据域描述（SVDD）,均以降低VC维为目标,其中前者通过寻找一个远离原点的超平面,使目标数据所在的正半空间尽量最小;而后者通过寻找一个包含大部分目标数据的最小超球,实现体积最小化.围绕上述两算法,已有大量改进形式出现.本文以此为主线,分别从模型构建、模型改进和数据预处理的角度,进行了回顾和阐述,并对各算法的特点给出了相应的总结.     

基于支持向量描述的人工免疫检测算法

为了提高人工免疫中检测器生成算法的有效性,需要设计一种对"自己"进行有效描述的算法.本文给出了一种基于支持向量描述(SVDD)的人工免疫检测算法,该算法首先通过核函数将输入空间映射到一个高维空间,在这个高维空间构造一个包含所有"自己"细胞的的球体;在球面上的样本点即为SVDD所求得的支持向量,球体之外的数据即为"非己"细胞.在UCI的标准数据集和入侵检测数据集上进行实验,证实该算法的有效性.     

基于特征空间降维的溶剂脱水分离过程监控

针对传统化工过程中检测变量具有的非线性和非高斯性等特点,提出将改进的核主元分析（KPCA）和支持向量数据描述（SVDD）相结合的化工过程故障诊断方法.根据Mexican hat小波在提取非线性非平稳信号细微特征方面的优势,将该小波函数引入到KPCA中以增强核函数的非线性映射和抗噪能力.在映射后的特征空间中进行均值聚类分析,选择每个聚类中展现特征中心的数据,使运算复杂度明显降低,提高了监控实时性.采用SVDD描述经过聚类降维后的特征空间分布,提出新的监控指标描述过程的非高斯特性.将该方法应用在一个实际的溶剂脱水化工精馏过程中,仿真结果验证了该方法能够及时有效地检测系统产生的故障.     

一种新的雷达HRRP自适应划分角域建模方法

基于雷达方位渐变高分辨距离像(HRRP)的连续性,提出了一种自适应递归划分角域的建模方法,利用自适应高斯分类器和高斯过程分类器,从雷达数据中提取连续HRRP序列中包含的非线性结构信息;提出了一种判定角域边界的准则,递归地对雷达数据自适应划分角域．实测数据仿真试验证明了该方法优于传统的等间隔划分角域建模法．     

基于高分辨距离像子带融合的目标识别新算法

针对雷达高分辨距离像(HRRP)目标识别问题,提出一种最大相关系数投票准则子带融合识别算法。对目标回波进行子带划分,分别进行幂变换预处理获得子带距离像,通过实验证明HRRP不同频段的子带距离像均含有目标信息,可以从中提取特征信息用于目标识别。理论分析表明新算法计算复杂度低,可实际应用于雷达自动目标识别。实验仿真显示,新方法不仅能够利用回波信息提高识别率,还具有拒判功能,可提高目标识别的准确度。     

基于核函数的多极化HRRP识别

针对多极化雷达高分辨距离像(HRRP)识别中数据量大、分布复杂和识别算法复杂的问题,提出了基于核函数的识别方法.该方法首先定义了两种基于多极化HRRP的核函数,然后将其分别应用到核主分量分析(KPCA)中降维和提取特征,最后采用最近邻(1NN)分类器和支持矢量机(SVM)分类器对目标进行分类.该方法可以在不丢失极化信息的情况下,将多极化HRRP作为一个整体进行识别,降低了识别算法的复杂度.多极化HRRP数据的仿真实验结果显示,该方法的识别率比单极化HRRP提高7%～10%;与其他多极化HRRP识别方法相比,该方法不仅降低了提取特征的维数,而且还提高了识别性能.     

基于SKO—KPCA和SVM的雷达目标HRRP特征提取与识别

将依赖数据变化的自适应SKO技术和迭代算法引入KPCA算法中,结合SVM分类技术,提出了基于SKO—IKPCA和SVM的雷达目标HRRP特征提取与识别方法。讨论了HRRP预处理、迭代KPCA算法和SKO／FKO技术的实现方法,将SKO／FKO技术应用到KPCA的核优化中,并用人工合成数据对其优化性能进行了测试与比较,应用该方法对su-27、F-16及M2000等三类飞机目标的实测HRRP数据进行了特征提取与识别实验。结果表明,所提方法具有较好的稳定性和可靠性,能有效地优化雷达目标主元特征的提取,提高目标的识别性能。     

基于目标子空间的雷达自动识别系统

分析了HRRP空间RATR方法的冗余噪声匹配问题．探讨基于目标子空间的RATR方法．与HRRP空间相比,目标子空间理论上不存在冗余噪声,能够更加准确地反映目标的结构特征．对外场ISAR实测数据的处理表明,此目标子空间算法的识别结果比传统的HRRP空间算法的效率更高,比常规方法具有明显的优越性．