支持向量机的战场直升机目标分类识别_李京华

收稿日期:2006-06-10 修回日期:2006-10-15*基金项目:国防重点实验室预研基金资助项目(51454070204HK 0320);西工大科技创新基金资助项目(2003CR 080001)　作者简介:李京华(1964-　)女,山西稷山人,博士,研究方向:声信号处理、战场声目标的被动探测、识别与定位技术等。

文章编号:1002-0640(2008)01-0031-04支持向量机的战场直升机目标分类识别*李京华1,许家栋1,李红娟2(1.西北工业大学电子信息学院,陕西　西安　710072,2.西北工业大学航空学院,陕西　西安　710072) 摘　要:对基于支持向量机的战场直升机目标分类识别技术进行了研究,分别将谐波集(HS)频率和不同尺度小波子空间能量作为特征矢量,设计出一种基于支持向量机的直升机目标分类器,并将该分类器与kN N 分类器和BP 神经网络分类器进行分类对比实验。

结果表明两种特征提取方法,都能很好地体现不同声目标之间的差异,SVM 分类器相对于其他两种分类器具有更好的分类性能,目标识别率达到96%以上。

关键词:支持向量机,目标识别,特征提取,分类器中图分类号:T P 18;T N 957 文献标识码:AResearch on Helicopter Target Identification basedon Support Vector MachineLI Jing -hua 1,XU Jia-dong 1,LI Hong -juan2(1.E lectr onic I nf or mation College ,N orthw estern Poly technical U niver sity ,X i 'an 710072,China ,2.A er onautics College ,N or thw ester n P oly technical Univ er sity ,X i ’an 710072,China ) Abstract :T he helicopter targ et identification techniques are studied.Tw o feature extraction approaches employ ,respectively,the harm onic sets frequencies and the energ ies in different scales after the wav elet decomposition as the feature vectors .Support Vector M achine (SVM )classifier is desig ned in helicopter recog nition .Also three classifiers including K -nearest neighborhood classifier ,BP neural netw ork classifier and SVM classifier are used to do the com pariso n exper im ents of targ ets classification .Result show s that these tw o feature extractio n approaches can stand for the differ ence am ong different acoustic tar gets w ell and SVM classifier g et better classification perform ance than other two classifiers.The classification accuracies can reach as high as 96%.Key words :support v ector m achine,targ et recog nition,featur e ex traction,classifier引　言战场目标声识别是被动声探测系统的主要任务之一,即在复杂的战场环境中,多种目标并存的情况下,利用被动声信号处理技术识别出直升机、坦克、汽车或其他类型的战场目标,从而采用不同的攻击方式摧毁目标。

本文中,目标识别的主要任务是判断声目标是否为直升机目标,而排除诸如汽车、坦克等战场目标的干扰。

以往的研究中,所采用的kNN 分类器、神经网络分类器等,取得了一定的研究成果[1,2],但基于传统统计模式识别方法的kNN 分类器是在样本数目足够多的前提下,即样本数趋于无穷大时其性能才Vol.33,No.1January,2008火力与指挥控制Fire Control and C om man d Con trol第33卷　第1期2008年1月有理论上的保证,而在实际应用中样本数通常是有限的,对于神经网络分类器存在有过学习和训练过程中的局部极小点的问题。

在90年代中期Vapnik 等人在统计学习理论的基础上发展出了一种新的通用的学习方法——支持向量机(Support Vector M achine,SVM )[3,4],其在解决小样本、非线性及高维模式识别问题时表现出许多特有优势,且SVM 得出的结果是有限样本信息下的最佳结论,得到的是全局最优点,从而解决了神经网络等学习方法的学习、训练过程中的局部极小点问题。

目前SVM 成为机器学习领域的研究热点,已在语音识别、人脸识别、文本分类等方面得到了成功应用[5]。

本文分别将谐波集频率特征和小波子空间能量作为直升机目标识别的特征向量,设计出一种基于支持向量机的直升机目标分类器用于目标识别,最后分析对比了k 近邻分类器、BP 神经网络分类器和支持向量机分类器的效果。

1　战场目标辐射噪声信号的特征提取1.1　声信号谐波集(HS )频率特征提取图1　直升机声信号及其功率谱直升机、坦克和汽车等战场目标都是较强的连续声源,由于它们在结构上都具有周期转动机制(螺旋桨,发动机等),故目标声信号的功率谱具有鲜明特征,是由一系列有谐波关系的图2　汽车声信号及其功率谱离散线谱叠加于宽带连续谱上而组成,呈谐波关系的频率分量构成一个谐波集HS (Harm onic Set ),且功率谱中包含不同基频的一个或多个谐波集[6]。

不同目标的基频及其谐波显著不同,因此可将谐波集中的频率作为识别不同目标的特征。

图1和图2所示为某型直升机和汽车的时域声信号和功率谱,功率谱中标示出慢变连续谱,以及各自的谐波集。

从图1(b )、图2(b )中可以看出直升机通常有两个谐波集,一个是主桨谐波集,另一个是尾桨谐波集,而汽车、坦克等目标只有一个谐波集。

利用HS 算法提取谐波集频率特征,其步骤为:(1)对声信号进行功率谱分析。

(2)进行谐波集检测:谐波集检测算法遵循以下不等式:ûfrequency (k )/f m -i mk û≤E(1)其中frequency (k )表示各功率谱线谱对应的频率,fm是假定基频,i mk 对应谐波次数,E 是选定的阈值[7]。

若检测到一些频率与某一特定频率有明显的谐波关系,则认为检测到一个谐波集,特定频率就是谐波集的基频。

(3)特征向量的构建:检测到谐波后,特征向量选两个谐波集构成,且每个谐波集中的谐波次数取到4次,特征向量为:feature=[f 11,f 12,f 13,f 14,f 21,f 22,f 23,f 24]。

1.2　声信号小波子空间的能量特征提取对于直升机等战场目标来说,其被动声信号包含的能量分布与目标的大小、结构等特性密切相关,因此小波分解后各尺度空间上的能量分布代表了目标的本质特征,可以将不同尺度上信号的能量计算出来,然后按照尺度顺序将能量值排列形成特征矢量以供识别。

这就是被动声信号小波分解多尺度空间能量特征提取的基本原理。

本文采用Daubechies 小波对直升机、汽车、坦克的实测信号进行了10层小波分解,分解后各尺度上的归一化能量直方图如图3所示。

图3　战场目标声信号小波分解各尺度能量分布图选择10层分解后的所有尺度空间的能量来组成特征矢量,计算每一尺度的能量并归一化,设e j 为第j 级尺度细节信号的能量,则构成的特征矢量为:feature=[e 1,e 2,e 3,e 4,e 5,e 6,e 7,e 8,e 9,e 10]。

・32・ (总第33-0032)火力与指挥控制2008年　第1期2　支持向量机分类器2.1　支持向量机基本原理简介支持向量机的基本思想可用图3的两维情况说明[8]:图4　最优分类面图中实心点和空心点代表两类样本,H 为分类线,H 1、H 2分别为过各类中离分类线最近的样本(这些样本向量称为支持向量)且平行于分类线的直线,它们之间的距离叫做分类间隔(marg in )。

所谓最优分类线就是要求分类线不但能将两类正确分开,而且使分类间隔最大。

对线性不可分的情况,可通过内积核函数的非线性变换转化为某个高维空间中的线性问题,在高维空间求最优超平面。

2.2　基于支持向量机的分类器设计将用于训练的特征向量集(x 1,x 2,…,x N )分为两类,一类为直升机目标,一类为非直升机目标,并给每一个特征数据注上相应的标签,(y 1,y 2,…,y N ),y i ∈{-1,+1},+1表示为直升机目标,-1表示其为非直升机目标。

用这两类数据训练支持向量机,训练的过程可用下述数学式表示:求最优分类面,实际上是求下面的拉格朗日函数极小值:L (w ,b ,A )=(w ・w )-∑iA i{y i[(w ・x i)+b ]-1}(2)把式(2)分别对w 和b 求偏微分并令其为0,就可以把求Lag rang e 函数的极小值问题转化为如下这种较简单的问题:在约束条件∑Ni =1y i A i=0(3a )A i ≥0,i =1,2,…,N(3b)之下对A i 求解下列函数的最大值:Q (A )=∑N i =1A i-12∑Nj =1A i A jy i y j(x i・x j)(4)若A *i 为最优解,则权系数向量w *=∑Ni =1A *iy ixi(5)b *=-12w *・[x r +x S ](6)其中x r 和x S 是每一类满足A *r ,A *S >0,y r =1,y S=-1的任意一个支持向量,即最优分类面的权系数向量是训练样本向量的线性组合。

这是一个不等式约束下的二次函数极值问题,存在唯一解。

且根据Kuhn -T ucker 条件[9],这个优化问题的解需满足Ai (y i (w ・x i +b )-1)=0,i =1,2,…,N (7)因此对多数样本A *i 将为零,取值不为零的A *i对应于支持向量,它们通常只是全体样本中的很少一部分。