改进的SVM在多类目标识别中的应用研究

水中目标识别分类技术因其在国防军事中的特殊地位，一直备受海内外学者的关注。本文基于支持向量机(SVM)技术，对水中目标识别分类问题进行了深入的研究。在分析了支持向量机的基本理论、方法的基础上，构建了结合工程实际的的快速算法，完成了基于支持向量机的三类水中目标以别分类方法，对实测水中目标辐射噪声进行了特征提取和分类实验，取得了满意的效果。本论文的主要研究成果和创新如下： 1、分析了水中目标辐射噪声的基本特性，包括辐射噪声源类型、时域特性和谱特性，特别说明了水中目标辐射噪声具有“三非”特性的特点，即信道传输与接收系统多表现为非线性，噪声信号具有非高斯和非平稳性的特点。 2、基于高阶统计量理论，分别研究了双谱和1 1/2维谱、倒双谱及其降维谱的理论方法，分析了水中目标辐射噪声的1 1/2维谱和倒双谱的降维谱的特征，构建了三类水中目标辐射噪声的50维的1 1/2维谱子带能量特征和25维的倒双谱的降维谱的“时域”能量特征。 3、基于小波变换理论，研究了三类水目标辐射噪声在5级变换尺度下的特征差异，定义了水中目标辐射噪声的尺度—能量衰减因子，构建了5维水中目标辐射噪声的尺度—能量特征。 4、结合大规模训练样本的实际，研究了在训练时间和内存占用方面都有出色表现的SMO快速训练算法。在此基础上，对该算法的缓存策略进行改进，产生了Cache-SMO算法。 5、对比研究了几种常用的多类分类算法，结合水中目标识别分类的实际情况，构建了基于决策树方法的SVM分类模型。 6、基于决策树方法的SVM分类模型，分别利用研究的标准二次规划算法和Cache-SMO算法完成了水中目标分类的对比实验，结果表明采用Cache-SMO算法的分类识别率较之标准二次规划算法略有下降，但在缩短训练时间方面有极大的改讲。