基于支持向量数据描述的雷达高分辨距离像目标识别研究

Radar target recognition using high resolution range profiles (HRRP) based on support vector data description (SVDD) will be deeply studied in both theory and application. The main contents include: (1) To study constructing of the SVDD kernel function and parameter optimization and selection, so that the sample data will be more closer to the spherical distribution in feature space by high-dimensional mapping. The SVDD classification border will contains the target sample more completely and the SVDD generalization performance will be improved. (2) To study constructing of the SVDD extended models, new SVDD extended models will more completely descript information of the target samples. (3) For the rejection problem in multi-target recognition, a dual space concept is proposed for the first time to divide the SVDD hypersphere space into the inner space and the extended space, then analyze the distribution characteristics of HRRP samples in the dual space, and the sample distribution models in the extended space will be constructed, radar HRRP recognition methods based on dual space SVDD will be proposed by using different discriminant rules in dual space respectively. (4) For the HRRP online recognition problem based on incomplete small scale sample set, the SVDD hypersphere spatial distribution characteristics of incremental samples and the influence of the incremental training sample on the SVDD generalization performance will be analyzed, then the HRRP online recognition methods with data enrolling, learning and modeling interactively and concurrently will be studied.

本项目从理论和应用两个层面，深入研究基于支持向量数据描述（SVDD）的雷达高分辨距离像（HRRP）目标识别。具体包括：（1）研究SVDD核函数构造和参数优化与选择，使样本数据经过高维映射，在特征空间中更趋近于球形分布，SVDD分类边界更完整包含目标类样本，提高SVDD方法的泛化性能。（2）研究SVDD拓展模型的构建，新的SVDD拓展模型将对目标类样本的描述更具完整性。（3）针对多目标识别时的拒判问题，首次提出将SVDD超球体空间划分为内空间和延拓空间的双空间概念，分析HRRP样本在双空间的分布特性，建立延拓空间分布模型，在双空间采用不同的最优判决准则，研究双空间SVDD多目标识别方法。（4）针对非完备小规模样本集下的HRRP在线识别问题，分析增量样本的SVDD超球空间分布特性和增量训练样本对SVDD泛化性能的影响，研究小规模样本条件下边录取、边训练、边判决的HRRP在线动态识别方法。

本项目针对基于支持向量数据描述（SVDD）的雷达高分辨距离像目标识别的理论和方法展开了深入的研究，取得了以下的研究成果：提出了椭球数据描述模型，这种广义的SVDD模型具有比传统SVDD更好的性能。提出了基于最小二乘的孪生SVDD模型，充分考虑了样本分布特性，缓解了分类器过拟合现象，提高了算法的泛化性能。提出了自适应剪切式SVDD模型，可以根据样本分布特点，选取最优的切割方向，实时动态地剪切SVDD 边界，提高了识别精度和泛化性能。提出了稳健SVDD模型，给每个样本赋予不同的错分权重，降低了异常样本对训练过程的影响，提高了SVDD的稳健性。提出了双空间判决SVDD的高分辨距离像多目标识别方法，将SVDD的超球空间通过边界面划分为内空间和延拓空间，目标的延拓样本分布使用三种模型进行描述，对紧缩样本和松弛样本采用不同的判决规则进行样本属性判定，提高了识别性能。提出了适于在线学习的增量SVDD方法，提出了多核增量SVDD方法，减少了在线增量样本的训练时间。提出了一种基于支持向量学习的核特征提取方法，可以给出主分量非常稀疏的表示。提出了基于特权信息学习的SVDD方法，将特权信息通过松弛变量嵌入进SVDD模型，可以克服传统 SVDD无法利用负类样本导致分类误差较大的不足。提出了基于多核学习的大间隔SVDD方法，构建多核模型，融合了多种核函数投影特征，具有比单核学习更好的识别性能。.本项目目前共发表学术论文22篇，其中SCI检索13篇，EI检索9篇。出版学术专著1部。共培养博士生4名（已毕业2名），硕士生1名（已毕业1名）。