基于快速过滤和人工蜂群的海面目标SVM分类方法

基于快速过滤和人工蜂群的海面目标svm分类方法
技术领域
1.本发明属于雷达信号处理技术领域，涉及一种基于快速过滤和人工蜂群的海面目标svm分类方法。


背景技术：

2.海面目标分类是雷达信号处理中的一个重要领域，是指对接收到的雷达回波进行处理，以将目标单元回波与海杂波进行区分的技术。
3.目前用于海面目标分类的方法可以被大致分为基于统计理论的研究和基于特征理论的研究两部分。基于统计理论的研究主要是从统计学的角度利用雷达回波的幅度特性，提取出目标单元回波和海杂波的平稳随机特性，结合雷达回波的一系列统计特性，对其进行建模分析。但在进行实际应用的时候数据存在严重的拖尾现象，忽略了海杂波之间的相关性，因此jackman e等人提出了复合k分布模型，将海杂波看作复合正态分布，比起原本单一参数的模型能较好地解释海杂波的散射机理，但这种建模是基于随机过程的，无法客观的反映海杂波的物理内涵，从而限制了应用环境。而基于特征理论的研究核心要点是选取能够将目标回波和海杂波区分效果最好的特征，此类特征存在于信号的各个方面，如信号的峰均比、多普勒平移和多普勒宽度等。由于雷达回波容易受到海洋环境等一系列外界因素的影响，单特征分类具有一定的局限性，水鹏朗等人把联合特征引入了海面目标分类中，使用多特征组合进行分类，然而多特征虽然有着更好的效果，但是存在如何判断最优特征组合的问题。
4.传统的svm多用网格寻优(grid)算法和pso(particle swarm optimization)算法进行参数寻优，无法获得效率和准确性双重保证。grid算法为全局寻优，虽然能获得理论上的最优参数，但是效率极低，且样本点过多时会出现过拟合的现象，从而降低分类精度。pso算法虽然效率上有所改进，但是在小样本训练时效果不佳，倾向于将局部最优参数作为最终参数，无法保证分类精度。
5.如此，目前的大多数方法无法保证选取的特征组合是最能区分目标单元回波和海杂波的特征组合，且在进行参数寻优的时候容易出现过拟合和局部极值问题，所以需要一种能够在雷达回波的各方面特征中选择出最优特征子集、将全局寻优和局部寻优相结合以做到在保证分类精度的同时提高效率的方法。


技术实现要素：

6.目的：为了克服现有技术中存在的不足，本发明提供一种基于svm分类器、使用快速相关性滤波fcbf算法及人工蜂群abc算法进行改进的海面目标svm分类方法。
7.技术方案：为解决上述技术问题，本发明采用的技术方案为：
8.第一方面，提供一种海面目标svm分类方法，包括：
9.获取待分类的海面雷达回波信号；
10.对获取的海面雷达回波信号进行特征提取，得到雷达回波的基础特征，构成基础
特征集合；
11.采用fcbf算法对基础特征集合进行特征选择，选择出基础特征集合中最能区分目标单元回波与海杂波的z个特征组合构成最优特征子集；
12.将所述最优特征子集输入预训练优化好的svm模型，输出雷达回波分类结果，得到目标单元回波和海杂波；
13.其中所述svm模型的训练优化方法包括：
14.获取带有分类标签的海面雷达回波信号，其中所述海面雷达回波信号包括目标单元回波和海杂波；
15.对获取的海面雷达回波信号进行特征提取，得到雷达回波的基础特征，构成基础特征集合；
16.采用快速相关性滤波fcbf算法对基础特征集合进行特征选择，选择出基础特征集合中最能区分目标单元回波与海杂波的z个特征组合构成最优特征子集；
17.将所述最优特征子集中至少一部分作为训练集输入svm模型进行训练，结合使用人工蜂群abc算法对svm模型进行参数优化，得到训练优化好的svm模型。
18.在一些实施例中，所述雷达回波的基础特征包括雷达回波的信息熵、方差、峰均比、偏度、短时能量、lz复杂度。
19.第二方面，本发明提供了一种海面目标svm分类装置，包括处理器及存储介质；
20.所述存储介质用于存储指令；
21.所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
22.第三方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述方法的步骤。
23.有益效果：本发明提供的海面目标svm分类方法，具有以下优点：在特征提取方面，提取了雷达回波的信息熵、方差、峰均比、偏度、短时能量和lz复杂度六个特征作为基础特征集合，全面描述了雷达回波各个方面的变化趋势，而非仅仅局限于时域或频域特征。此外，在传统的svm基础上，使用fcbf算法对雷达回波中提取出的特征进行选择，选择出最能辨别目标单元回波与海杂波的三个特征，且能够去除冗余信息，在样本较多时减轻了过拟合现象，用abc算法代替以往svm多用的grid算法和pso算法进行参数寻优，既解决了grid算法训练时间过长且容易出现过拟合的问题，也避免了pso算法容易陷入局部极值、搜索精度低的现象，能够在保证高分类准确率的情况下大量缩短训练时间。
24.经过测试，本发明的方法可以实现对海面雷达回波的准确分类，将海面雷达回波分为目标单元回波和海杂波两部分，具有准确率高、训练时间短等特点。
25.以下便结合附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。
附图说明
26.图1为根据本发明一实施例的海面目标svm分类方法流程图；
27.图2为根据本发明一实施例中abc算法流程图；
28.图3为使用本发明实施例fcbf-abc-svm算法与其他算法的实验结果对比图。
具体实施方式
29.下面结合附图和实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
30.在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
31.本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
32.实施例1
33.如图1所示，一种基于快速过滤和人工蜂群的海面目标svm分类方法，包括：
34.获取待分类的海面雷达回波信号；
35.对获取的海面雷达回波信号进行特征提取，得到雷达回波的基础特征，构成基础特征集合；
36.采用fcbf算法对基础特征集合进行特征选择，选择出基础特征集合中最能区分目标单元回波与海杂波的三个特征组合构成最优特征子集；本实施例中z＝3；
37.将所述最优特征子集输入预训练优化好的svm模型，输出雷达回波分类结果，得到目标单元回波和海杂波；
38.其中所述svm模型的训练优化方法包括：
39.获取带有分类标签的海面雷达回波信号，其中所述海面雷达回波信号包括目标单元回波和海杂波；
40.对获取的海面雷达回波信号进行特征提取，得到雷达回波的基础特征，构成基础特征集合；
41.采用快速相关性滤波fcbf算法对基础特征集合进行特征选择，选择出基础特征集合中最能区分目标单元回波与海杂波的z个特征组合构成最优特征子集；
42.将所述最优特征子集中至少一部分作为训练集输入svm模型进行训练，结合使用人工蜂群abc算法对svm模型进行参数优化，得到训练优化好的svm模型。
43.进一步而言，所述雷达回波的基础特征包括雷达回波的信息熵、方差、峰均比、偏度、短时能量、lz复杂度；各特征的具体提取方式如下：
44.将雷达回波信号序列xj,j＝1,2,3,
…
覆盖的幅度范围划分为等长的λ(λ∈n
+
)个独立的分段，即对该幅度范围进行量化，用m
μ
表示属于第μ(μ＝1,2,
…
,λ)个分段的样本点数量，雷达回波信号的幅度落入第μ个分段的概率p(m
μ
)表示为：
[0045][0046]
其中，n表示信号序列长度；
[0047]
雷达回波x的信息熵ie(x)为
[0048][0049]
雷达回波x的方差var(x)为
[0050][0051]
其中，表示信号序列的数学期望，n表示信号序列长度，x(n)表示信号序列x中的第n个样本点；
[0052]
雷达回波x的峰均比fpar(x)为
[0053][0054]
其中，f(x)表示信号序列x的傅里叶变换，e{f(x)}表示信号序列在频域的平均值；
[0055]
雷达回波x的偏度η为
[0056][0057]
雷达回波x的短时能量e(x)为
[0058][0059]
在计算lz复杂度时，首先对雷达回波信号x进行二值化处理，采取信号的平均值作为判断阈值，小于平均值的量化为0，反之则为1。形成新的“0-1”序列字符串q＝{q(1),q(2),
…
,q(n)}，然后对q(n)进行依次检索，寻找q中新出现的子字符串，这些子字符串需要满足唯一性和连续性，直到最后一个字符，并将得到的子串种类的数目l定义为q的复杂度，若信号序列的长度n
→
∞，则不管q内部的“0-1”如何分布，几乎所有l都会趋近于一个定值，即：
[0060][0061]
式中，r表示渐近行为，a表示字符串序列q中字符种类数，由于本实施例采用的是“0-1”序列，a＝2。
[0062]
利用r对l进行归一化之后，可得雷达回波x的lz复杂度
[0063][0064]
在一些实施例中，选用fcbf算法进行特征选择，选择出基础特征集合中最能区分目标单元回波与海杂波的三个特征组合构成最优特征子集，具体包括如下步骤：
[0065]
s211、初始化特征集合fc和fu；其中fc为已选特征，fu为候选特征；
[0066]
s212、计算出特征之间的对称不确定性su(fc,fu)，若该值小于特征与目标单元回波t的对称不确定性su(t,fu)，则认为该特征重要，予以保留；
[0067]
特征之间的对称不确定性su(fc,fu)为
[0068][0069]
特征与目标单元回波之间的对称不确定性为
[0070][0071]
式中，h(t)、h(fc)和h(fu)表示目标单元回波、已选特征和候选特征的熵值，h(fc|fu)表示特征之间的条件熵，h(t|fu)表示目标单元回波和候选特征之间的条件熵；
[0072]
s213、使用近似马尔科夫毯方法删除s212保留的特征中不重要的冗余特征，得到最优特征子集。
[0073]
将所述最优特征子集中至少一部分作为训练集输入svm模型进行训练，结合使用人工蜂群abc算法对svm模型进行参数优化，
[0074]
最优分类超平面在数据线性可分时，能够将两个类无错误地分开，且保证两个类的分类间隔是最大的。假设有训练集(xi,yi)，其中xi,yi分别表示为信号及该信号的标签，若信号为目标，yi为1，信号为杂波，yi为-1，i＝1,2,
…
,n，yi∈{-1,+1}。此时两类训练样本之间的最优分类超平面可在样本空间中表示为
[0075]wt
·
x+b＝0
[0076]
式中，w
t
＝(w1,w2,
…
,wn)为超平面法向量的转置矩阵，b为位移项；
[0077]
对最优分类超平面的求解转化为求如下约束问题
[0078][0079]
式中，w表示超平面法向量，w
*
表示w的共轭，ξi表示松弛变量，c表示惩罚因子，s.t.表示约束条件，t表示转置矩阵；
[0080]
引入松弛变量以寻求经验风险和推广性能之间的折中，根据最优化理论，该二次凸规划问题存在唯一全局最优解；基于拉格朗日乘子法和kkt条件可得该问题的最优分类函数，令其对w和b的偏导为零，代入拉格朗日函数中，求出拉格朗日乘子α后可得线性可分问题的理论最优分类超平面模型f(x)为
[0081][0082]
其中n表示信号序列长度，由于直接求解高维的特征空间中的数据样本较为困难，因此可以假设一个核函数k(xi,xj)为
[0083][0084]
其中j＝1,2,
…
,n，|
·
||表示二范数，g表示核参数；
[0085]
将其代入目标函数及其约束函数可得针对非线性问题的广义最优分类超平面，根据软边缘最优分类超平面的思想，选取合适的核函数，目标函数求解问题可变为
[0086][0087]
决策函数最终变为
[0088][0089]
进一步的，使用abc算法进行参数寻优，将全局寻优与局部寻优相结合，得出最优的惩罚因子c参数和核参数g，具体包括如下步骤：
[0090]
s21、初始化种群，包括食物源、雇佣蜂和非雇佣蜂三部分；
[0091]
s22、计算当前所在食物源，即当前解的适应度值；
[0092]
最开始的种群规模和雇佣蜂与侦查蜂的个数为sn，解的个数也是sn个，这些解是随机产生的，初始解v
hm
为
[0093]vhm
＝v
min,m
+rand(0,1)(v
max,m-v
min,m
)
[0094]
式中，h＝1,2,
…
,sn，m＝1,2,
…
,d，d为解空间的维数，即待优化参数数量，v
hm
为d维向量；v
max,m
、v
min,m
分别为初始解领域内解的最大值和最小值；rand(0,1)为[0,1]之间的随机数；
[0095]
s23、雇佣蜂在邻域寻找新食物源，跟随蜂依据轮盘赌的方法选择食物源进行计算；
[0096]
跟随蜂选取该解进行迭代的概率ph为
[0097][0098]
式中，vh为当前选择的解，vs为雇佣蜂选择的任意解，s＝1,2,
…
,sn；fit(vh)、fit(vs)为解的适应度，即该解所对应的分类准确率；
[0099]
s24、进行贪婪选择，若新食物源的适应度优于当前食物源，则用新食物源代替当前食物源；
[0100]
计算当前解的适应度，并围绕初始值的邻域进行搜索，其实是局部寻优的过程，表示如下
[0101][0102]
式中，表示[-1,1]中产生的随机数，v
hm
表示当前最优解，v
km
表示邻域内的解，若新解v'
hm
优于当前最优解v
hm
，则用v'
hm
替换v
hm
成为新的最优解；
[0103]
s25、迭代循环s23～s24，直到达到最大迭代次数；
[0104]
s26、判断迭代过程中适应度是否优化，若优化，则转至s27，否则转至s28；
[0105]
s27、判断是否达到循环次数且满足输出条件，是则转至s29；
[0106]
s28、说明当前寻优陷入局部最优问题，舍弃该食物源，雇佣蜂变为侦查蜂，侦查蜂寻找新食物源，转至s23；
[0107]
s29、输出最优解。
[0108]
经过测试，本发明的方法可以实现对海面雷达回波的准确分类，将海面雷达回波分为目标单元回波和海杂波两部分，具有准确率高、训练时间短等特点。本领域内的技术人员还可以以本发明的技术思路为依据，将类似的方法应用于对其他相关海面目标分类的构建中，方案整体的应用前景十分广阔。
[0109]
实施例2
[0110]
第二方面，本实施例提供了一种海面目标svm分类装置，包括处理器及存储介质；
[0111]
所述存储介质用于存储指令；
[0112]
所述处理器用于根据所述指令进行操作以执行根据实施例1所述方法的步骤。
[0113]
实施例3
[0114]
第三方面，本实施例提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述方法的步骤。
[0115]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0116]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0117]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0118]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0119]
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。