论文部分内容阅读
主动声纳的应用领域随着科技的快速发展也逐渐广泛,水下目标识别作为一项极其关键的声纳技术也得到了发展,然而,相对于其他几项声纳技术,主动目标识别的发展仍显得缓慢。制约它发展的因素有很多,如何有效的提取目标特征并设计性能良好的分类器是主动目标识别的关键问题。在统计学习理论基础上发展起来的支持向量机,在小样本学习问题中展现出优秀的学习性能、很强的适应性以及很高的泛化性。水下目标识别领域获取实际目标回波的样本非常困难,样本数量非常少,支持向量机是水下目标识别领域理想的分类工具。本文在系统研究了支持向量机基本理论、分类算法以及其分类性能的基础上发现：SVM在样本混淆严重的分界面附近,容易出错。K近邻分类器可充分利用分类面附近的样本信息,它将每类样本的所有支持向量作为代表点以提高支持向量机分类面附近样本的正确分类率,从而提高支持向量机的分类性能。本文深入研究了支持向量机和K近邻分类器联合分类,并将联合分类器应用于水下目标识别领域。本文分别应用小波包能量分解,WVD时频分析以及分数阶傅里叶变换获取目标的可鉴别特征向量,并应用主成分分析对WVD时频分析特征以及分数阶傅里叶变换特征进行特征降维。将三种特征提取方法和支持向量机与K近邻联合分类器应用于实际水池缩尺两类悬浮目标和掩埋目标的识别,实验结果表明本文采用的特征提取方法是有效的,SVM-KNN联合分类器效果好于单一的SVM和K近邻分类器。