基于SVM的ISAR像中的目标识别(3)
2015-05-01 01:02
导读：3用SVM实现三类目标ISAR像的分类 实验中我们首先采用据K-近邻算法对样本集的初步分类，选出的五组较理想的分类特征： (1)用5×4窗提取的20个傅里叶低频系
3用SVM实现三类目标ISAR像的分类
实验中我们首先采用据K-近邻算法对样本集的初步分类，选出的五组较理想的分类特征：
(1)用5×4窗提取的20个傅里叶低频系数；
(2)Hu不变矩中的?覬1,?覬4与图像面积、强散射点数、目标宽度的组合；
(3)Hu不变矩中的φ1,φ4与图像面积、强散射点数、目标高度的组合；
(4)用db5小波基作4尺度小波分解得到的196个低频系数；
(5)用db1小波基作5尺度小波包分解得到的64个低频系数。
继之，我们又采用了OSUSVMClassifierMatlabToolbox(Ver3.00)软件包提供的支持向量机模型对这五类特征进行了分类实验。第一种策略是采用完全多类支持向量机来进行了分类实验。SVM分类器结构为输出层中仅含一个神经元。设三个类别表示为w1,w2,w3，网络输出表示为g，实验中三个类别与其期望输出对应关系如下：
采用这种结构的多类分类器模型，我们主要针对四种核函数对ISAR像的分类能力进行了探索，调整分类参数值的合理设置，寻求一个理想的分类器模型。实验中具体参数选取情况如下：
(1)在多项式核中令d=1，2，3，…9，g=10.1，0.5，1，2，3，5，10，且实验证明g的变化对本文样本集的分类无影响；
(2)在径向基核中取软件包中提供的默认值g=1；
(3)在Sigmoid核函数核中取软件包中提供的默认值g=1；
在此说明，可以d=1时的多项式核独立地提出来，称为线性核，所以这里对五组初选特征的分类结果按四种核函数进行整理，具体结果如表3-2。
表3-2用SVM分类器对ISAR像目标的分类结果
4结束语
实验表明，支持向量机对上述五类特征表示的单个样本的分类时间都在0.3毫秒左右，相对于BP神经网络缩短了3~5倍；分类器的训练时间仅在0.5~1.5秒之间，相对于BP网络的70~80秒的训练时间，缩短了50倍左右，所以用支持向量机实现对本文的ISAR像中三类飞机目标的进行识别分类，从训练速度、识别速度和分类精度上来讲较为理想。
（科教作文网http://zw.NSEaC.com编辑发布）
经过对实验结果分析对比，可知特征采用5×4窗口提取20个傅里叶分解低频系数，分类器用线性核支持向量机分类器（SVMs），可得到最佳分类效果，分类精度为93.94%，分类器训练时间仅为0.5~1.5秒，单个样本识别时间在0.3毫秒左右。这种分类模式是本文实验中找到的解决ISAR像中飞机目标小样本集分类问题的最佳模式。
由于实验样本集和本人能力的限制，另外由这方面的相关资料较难获得，所以本文中的观点尚不够全面，也是我们在今后的摸索中要进一步完善的部分。
参考文献
[1]刘永坦.雷达成像技术[M].哈尔滨工业大学出版社,2003:1-28.
[2]高兴斌,刘永坦.ISAR目标象的特征提取和特征选择[J].哈尔滨工业大学学报,1994,26(5):1-4.
[3]杜亚娟,张洪才,潘泉.基于矩阵特征的三维飞机目标识别[J].数据采集与处理,1994,23(4):1-3.
[4]李大芳.基于ISAR图像目标识别算法的研究[D].哈尔滨工业大学硕士论文,2004,6:19-20,37.
论文出处(作者):李喜英，李保华
Foxpro在三峡工程信息管理中的应用
运用网络技术,构建计算机应用教学的新模式
