本文针对支持向量数据描述(Support Vector Data Description,SVDD)中的在线学习问题,提出了一种增量支持向量数据描述(Incremental Support Vector Data Description,ISVDD)方法。首先,理论明确了增量学习机理在SVDD中的可行性,并深入分析了在线新增样本与已有样本集合的集合划分问题;同时从理论上给出了ISVDD中样本系数变化的依据,推导了ISVDD的理论过程。其次,为了提高理论完备性与应用可靠性,在六种条件下实现了样本属性之间的迁移,获得各个样本系数的变化量。ISVDD方法不仅继承了标准SVDD的优点,能够获得和标准SVDD同样的分类性能,并且显著减少了在线增量样本的训练时间,缓解了数据优化中对内存量的巨大需求。实验结果证明了本文方法的有效性和正确性。
现有高分辨距离像(high resolution range profile,HRRP)在线识别方法的训练过程往往需要大规模的训练样本集,难以在小规模样本条件下进行在线识别。针对小规模HRRP样本集的在线识别问题,推导了增量支持向量数据描述(incremental support vector data description,ISVDD)算法,并提出了基于ISVDD的HRRP在线识别方法。该方法在训练过程避免了对大规模样本集的需求,能够获得良好的识别效果。同时,由于ISVDD应用于在线识别,相对于标准支持向量数据描述在线识别方法,大大减少了新增样本的训练时间,而且能够获得和成批支持向量数据描述识别方法相同的识别性能。基于4种飞机目标的实验结果证明了本文方法的正确性和有效性。
支持向量数据描述(support vector data description,SVDD)常用于实现目标类样本充分、非目标类样本多样化的两类分类。在雷达目标识别应用中,SVDD分类性能随样本噪声增加迅速下降。为了解决这个问题,通过深入分析SVDD抗噪性能差的原因,提出了基于自适应SVDD的雷达目标分类方法。该方法利用接收机工作特性曲线建立信噪比与分类最优超球半径的关系模型,在目标分类过程中,针对不同信噪比自适应选择分类判决门限。仿真实验表明,相比于常规SVDD方法,自适应SVDD方法大大提高了低信噪比下目标分类性能。
