基于支持向量机的空中飞机目标分类在线学习方法

技术领域

本发明属于雷达技术领域，更进一步涉及一种空中飞机目标分类在线学习方法，可用于对空中飞机目标分类的原SVM模型进行实时、自动地更新，提升雷达的自动化和智能化水平。

背景技术

直升机、螺旋桨飞机和喷气式飞机微动部件的物理结构和运动参数各不相同，会对雷达回波产生不同的微多普勒调制。通过提取突显三类飞机微多普勒调制差异的特征，将其输入到设计好的分类器模型进行训练，可以完成空中飞机目标分类任务。首先，窄带雷达工作中，采集的每个样本需要成百上千个脉冲积累，因此短时间内获得的样本总数较少。其次，飞机在运动过程中，由于姿态和距离不断变化，导致样本在空间中非线性分布。而SVM是一种定义在特征空间中取得两类样本最大间隔的二分类模型，可有效解决小样本、非线性分类问题。因此，SVM分类器模型常被用于空中飞机目标分类任务。然而实际工作中，前期难以获得充足且完备的训练数据库，限制了对空中飞机目标的分类性能。现有基于微多普勒效应的空中飞机目标分类方法需要定期将新采集到的样本与原样本集合并为新训练样本集，重新训练SVM模型，从而完成模型的更新。但该方法需要频繁的人工干预，并且无法在新样本到来时，及时完成对模型的更新。一种更可行的思路是使用基于SVM的在线学习方法。当新样本到来时，自动更新现有模型，提升其对空中飞机目标的分类正确率。

李玮璐学者在发表的毕业论文“基于JEM效应的飞机目标分类方法研究”中介绍了基于微多普勒效应的飞机目标分类方法。该方法的具体步骤是：第一步，获取充足且完备的雷达回波目标微动信号作为训练样本集；第二步，对各训练样本进行特征提取；第三步，利用训练样本集的特征矩阵训练SVM模型；第四步，获取雷达回波目标微动信号作为测试样本集；第五步，对各测试样本进行特征提取；第六步，将测试样本集的特征矩阵输入训练好的SVM模型得到分类结果。

该方法一方面直接利用新增训练样本集训练SVM模型，可以在采集到新增训练样本集时，将该样本集的特征矩阵输入到SVM模型进行训练，快速更新现有模型，提高学习效率。另一方面，将初始训练样本集和新增训练样本集合并为新训练集，将新训练集的特征矩阵输入到SVM模型进行训练，由于该训练集具有飞机目标样本在特征空间中相对完备的分布信息，因此学得的SVM模型具有良好的分类性能。但是该方法存在两方面的不足：一是由于新增训练样本集中包含的样本较少，不能反映飞机目标在特征空间中的真实分布情况，若直接利用新增训练样本集训练SVM模型，所得SVM模型的分类性能较差，不能提升现有模型的分类性能；二是当采集到足够的新样本时，需要工作人员定期合并新旧样本集，再重新训练分类模型，将导致学习效率低下且浪费人力物力资源。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于支持向量机的空中飞机目标分类在线学习方法，以快速更新支持向量机SVM模型，提升对空中飞机目标的分类正确率，同时避免频繁的人工干预，节省时间空间资源。

实现本发明目的技术方案包括如下：

建立包含微动目标雷达回波信号的初始训练样本集，并对其进行特征提取，得到初始训练样本集的特征矩阵F

建立包含微动目标雷达回波信号的新增训练样本集，并对其进行特征提取，得到新增训练样本集的特征矩阵F

建立包含微动目标雷达回波信号的测试样本集，并对其进行特征提取，得到测试样本集的特征矩阵F

将初始训练样本集的特征矩阵F

将新增训练样本集的特征矩阵F

若是，则将预训练模型作为新的SVM模型，

否则，创建空的新保留集，根据自适应的支持向量机增量学习算法，利用预训练模型，从原保留集和新增训练样本集的特征矩阵中筛选出用于训练和维护SVM模型分类超平面的样本特征向量，将其加入到新保留集，并使用新保留集训练SVM模型，获得新的SVM模型；

将测试样本集的特征矩阵F

本发明与现有技术相比，具有以下优点：

第一，由于本发明在利用自适应的支持向量机增量学习算法时，考虑了原保留集和新增样本集对分类超平面的影响，构建的新保留集中包含了原保留集和新增样本集中用于构建和维护SVM模型分类超平面的样本，丰富了不同类别目标在特征空间中的分布信息，使得本发明能通过更新模型提升对空中飞机目标的分类正确率。

第二，由于本发明使用了自适应的支持向量机增量学习算法，根据原保留集和新增样本集的特征矩阵到当前分类超平面的几何距离，建立了自适应的在线学习样本选择模型，能够有效地筛选出参与在线训练的边界样本，减少了对冗余信息的计算消耗，使得本发明可以快速、自动地更新SVM模型，并获得接近离线学习方法对空中飞机目标的分类正确率。

附图说明

图1是本发明的实现流程图；

图2是本发明的仿真实验结果图。

具体实施方式

下面结合附图对本发明的实施例做进一步详细的描述。

参照图1，本实例具体实现包括步如下骤：

步骤1，生成初始训练样本集、新增训练样本集、测试样本集。

1.1)获取D个类别的P个微动目标雷达回波信号作为初始训练样本集，其中，D≥3，P≥150；

1.2)获取D个类别的P'个微动目标雷达回波信号作为新增训练样本集，其中，D≥3，P'≥90；

1.3)获取D个类别的Q个微动目标雷达回波信号作为测试样本集，其中，D≥3，Q≥1500。

步骤2，对初始训练样本集进行特征提取，得到P×5维的初始训练样本集的特征矩阵F

2.1)对初始训练样本集中P个回波信号分别进行快速傅里叶变换，得到P个初始训练样本的多普勒域信号，U

2.2)按照下式，根据初始训练样本的多普勒域信号计算幅值归一化后初始训练样本的多普勒域信号：

其中，X

2.3)按照下式，根据幅值归一化后初始训练样本的多普勒域信号计算初始训练样本的频域波形熵特征：

其中，E

2.4)按照下式，根据幅值归一化后初始训练样本的多普勒域信号计算初始训练样本的频域p阶中心矩特征：

其中，Mp

2.5)根据第n个初始训练样本的频域波形熵特征E

F

2.6)分别为初始训练样本集内各个样本设置类别标签值L

L

步骤3，根据初始训练样本集的类别标签集L

3.1)将初始训练样本集的特征矩阵F

3.2)设置SVM分类器核函数为高斯核函数；

3.3)将初始训练样本集的类别标签集L

步骤4，对新增训练样本集进行特征提取，得到P'×5维的新增训练样本集的特征矩阵F

4.1)对新增训练样本集中P'个回波信号分别进行快速傅里叶变换，得到P'个新增训练样本的多普勒域信号，U

4.2)根据新增训练样本的多普勒域信号计算幅值归一化后新增训练样本的多普勒域信号：

其中，X

4.3)根据幅值归一化后新增训练样本的多普勒域信号计算新增训练样本的频域波形熵特征：

其中，E

4.4)按照下式，根据幅值归一化后新增训练样本的多普勒域信号计算新增训练样本的频域p阶中心矩特征：

其中，Mp

4.5)根据第n'个新增训练样本的频域波形熵特征E

F

4.6)分别为新增训练样本集内各个样本设置类别标签值L

L

步骤5，获得新的SVM模型。

5.1)将P'×5维新增训练样本集的特征矩阵F

5.2)根据新增训练样本集的预测标签集和类别标签集L

5.3)判断新增训练样本集的分类正确率是否为100％，若是，则将预训练模型作为新的SVM模型，否则，执行5.4)；

5.4)分别创建空的新保留集和空的新保留标签向量集；

5.5)将原保留集中的支持向量和新增训练样本的特征矩阵中不满足当前模型卡罗需-库恩-塔克KKT条件的样本特征向量输入到新保留集；

5.6)从初始训练样本集的标签向量集L

5.7)分别计算原保留集和新增训练样本集的特征矩阵中各样本特征向量到分类超平面的距离，分别得到原保留集和新增样本集中所有样本特征向量到分类超平面的几何距离集合G

其中，

5.8)根据上述参数

其中

5.9)从原保留集的非支持向量集中筛选出到分类超平面的几何距离小于等于θ

5.10)根据上述参数G

其中，a'和b'分别表示集合

5.11)从满足原模型KKT条件的新增训练样本特征向量集中筛选出与分类超平面的几何距离小于等于θ

5.12)设置SVM模型核函数为高斯核函数，将新保留集和新保留标签向量集输入支持向量机，获得新的SVM模型。

步骤6，对测试样本集进行特征提取，得到Q×5维的测试样本集的特征矩阵F

6.1)对测试样本集中Q个回波信号分别进行快速傅里叶变换，得到Q个测试样本集的多普勒域信号，U

6.2)按照下式，根据测试样本的多普勒域信号计算幅值归一化后测试样本的多普勒域信号：

其中，X

6.3)根据幅值归一化后测试样本的多普勒域信号计算测试样本的频域波形熵特征：

其中，E

6.4)按照下式，根据幅值归一化后测试样本的多普勒域信号计算测试样本的频域p阶中心矩特征：

其中，Mp

6.5)根据第m个测试样本的频域波形熵特征E

F

6.6)分别为测试样本集内的各个样本设置类别标签值L

L

步骤7，根据测试样本集的特征矩阵F

7.1)将测试样本集的特征矩阵F

7.2)根据测试样本集的预测标签集和类别标签集L

下面结合仿真实验对本发明的效果做进一步描述。

1.仿真条件：

本发明的仿真实验的硬件平台为：处理器为Intel(R)Core(TM)i7-10750H，主频为2.60GHz，内存16GB。

本发明的仿真实验的软件平台为：Windows 10操作系统和python 3.6。

本发明的仿真实验中所用数据集为仿真数据，使用的直升机、螺旋桨飞机、喷气式飞机旋翼物理参数如下表：

表中包含直升机、螺旋桨飞机、喷气式飞机三类飞机，每类飞机包含5种机型，共15种机型，L

仿真雷达的参数为：载频f

初始训练样本集中包含15种机型各10个样本，共150个。

新增训练样本集包含15种机型各90个样本，共1350个。

测试样本集包含15种机型各100个样本，共1500个。

2.仿真内容与结果分析：

本发明仿真实验是采用本发明和传统的飞机目标分类方法，分别进行仿真实验。仿真实验结果为20组数据的实验平均结果。

传统的飞机目标分类方法是：李玮璐学者在发表的“基于JEM效应的飞机目标分类方法研究”中介绍的基于微多普勒效应的飞机目标分类方法。

创建15个空的新增样本子集，按机型顺序依次从新增训练样本集中取三类飞机各30个样本，共90个样本放入到不同子集。

利用本发明方法进行在线学习，首先使用初始训练样本集训练SVM模型，得到预训练SVM模型，随后分15次输入不同的新增训练样本子集，得到预训练SVM模型和15组在线学习所得SVM模型在测试样本集上的分类正确率。

利用传统方法进行离线学习，首先使用初始训练样本集训练SVM模型，得到预训练SVM模型，随后分15次将不同的新增训练样本子集输入初始训练样本集，并使用扩充后的训练样本集重新训练SVM模型，得到预训练SVM模型和15组离线学习所得SVM模型在测试样本集上的分类正确率。

利用传统方法进行遗忘学习，首先使用初始训练样本集训练SVM模型，得到预训练SVM模型，随后分15次使用不同的新增训练样本子集训练新的SVM模型，得到预训练SVM模型和15组遗忘学习所得SVM模型在测试样本集上的分类正确率。

将本发明方法在线学习所得模型与传统方法离线学习、传统方法遗忘学习所得模型的分类性能实验结果进行比较，即将这三种方法均通过15次学习所得模型在测试样本集下的分类正确率结果绘制成曲线，如图2所示。图2中横坐标表示学习次数，纵坐标表示模型在测试样本集上的分类正确率。图2中以圆圈标示的实线表示采用本发明方法得到模型在测试样本集上的分类正确率随学习次数增加的变化曲线，以星号标示的实线表示采用离线学习方法得到模型在测试样本集上的分类正确率随学习次数增加的变化曲线，以加号标示的实线表示直接使用每次新增训练样本集训练所得模型在测试样本集上的分类正确率随学习次数增加的变化曲线。

由图2可见，本发明方法在线学习所得模型相比传统方法遗忘学习所得模型的分类性能更好，且随着新样本不断输入，本发明的分类性能不断增强，最终得到模型的分类性能相比初始模型提升了9.00％；本发明方法在线学习所得模型相比传统方法离线学习所得模型的分类性能相当。

综上所述，本发明不仅可在迅速、自动地完成对原模型的更新的同时，不断提升模型对空中飞机目标的分类性能，且由于筛除了原保留集和新增训练样本集中的冗余样本特征向量，其训练耗时和内存消耗更少，具有良好的实用性。