用于SVM的RCS统计特征集约减方法

• 作者: 侯炎磐 李彦峰 王朗宁
• 来源期刊: 雷达科学与技术
• 学科: 工学
• 关键词: 目标识别 RCS统计特征 支持向量机 高斯分布 中心距 直推式实验设计
• 年，卷（期）: 2020,（5）
• 页码范围: 524-530
• 页数: 7页
• 分类号: TN957
• 语种: 中文
• DOI: 10.3969/j.issn.1672-2337.2020.05.010

摘要

传统的支持向量机分类算法对训练样本数目敏感且不具备增量学习的能力,而空间目标识别的工程应用需要积累样本进行大样本的增量学习.根据样本在特征空间分布,提取几何意义上边缘的样本点,成功约减了应用于支持向量机学习的基于雷达散射截面统计特征的训练样本集.利用中心距离比和特征空间多维高斯分布特性,分别提取两类边界样本集和单类边缘样本集;再采用直推式实验设计方法再采样,根据样本潜在结构分布信息选择最能代表样本集结构分布的高价值样本.实验结果表明:样本初选算法能够在有效约减样本集规模的同时保持支持向量机训练分类的精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李彦峰		3	0	0.0	0.0
2	王朗宁		2	0	0.0	0.0
3	侯炎磐		2	0	0.0	0.0