PDF-探地雷达多目标识别方法的研究Researcho

第28卷第1期电子与信息学报Vol.28No.12006年1月JournalofElectronics&InformationTechnologyJan.2006探地雷达多目标识别方法的研究胡进峰周正欧孔令讲(电子科技大学电子工程学院成都610054)摘要与现有的机器学习算法相比，在有限样本的情况下，支撑矢量机具有更强的分类推广能力。该文在提出利用非线性映射进行探地雷达目标识别的基础上，将多目标识别支撑矢量机与探地雷达目标识别相结合，得到了基于一对一(Oneagainstone)支撑矢量机的探地雷达多目标识别方法。所提方法包括基于一对一的探地雷达多目标识别方法、交叉验证的参数选取方法、多通道识别方法；并且和传统的神经网络识别方法进行对比分析。所提识别方法可以与各种目标特征选取方法相结合。对实测数据的对比处理表明所提方法优于传统探地雷达目标识别方法，所得结论对探地雷达目标识别的研究有指导意义。关键词探地雷达,多目标识别,支撑矢量机,非线性映射,神经网络中图分类号：TN959.17文献标识码：A文章编号：1009-5896(2006)01-0026-05ResearchonGPRMulti-objectRecognitionHuJin-fengZhouZheng-ouKongLing-jiang(CollegeofElectronicEngineering,UniversityofElectronicScienceandTechnologyofChina,Chengdu610054,China)AbstractWithlimitedsamples,SVMhasstrongerabilityofgeneralizationincomparisonwithmachinelearningalgorithm.Inthispaper,theSVMiscombinedwiththeGroundPenetratingRadar(GPR)multi-objectrecognition,andaGPRmulti-objectrecognitionmethodisproposedbasedontheoneagainstoneSVM.TheproposedmethodincludestheGPRmulti-objectrecognitionmethodbasedononeagainstoneSVM,theparameterselectionmethodbasedonthecross-validationandthemultichannelrecognitionmethod.Thecontrastanalysisbetweentheproposedmethodandtheconventionalneuralnetworkmethodisgiven.Theproposedmethodcanbecombinedwithobject-featureextractionmethods.Itisshownthatthemethodiseffectiveintheexperimentalanalysis.TheconclusioncandirecttheresearchonGPRobjectrecognition.KeywordsGPR,Multi-objectrecognition,SVM,Non-linearmapping,Neuralnetwork1引言文献[8]中直接采用时域的单通道信号来研究识别方法，本文也直接采用时域信号进行识别方法的研究，并提出了多通道目标识别方法。所提方法可以和其他特征选取方法结合起来，以提高复杂环境下的探地雷达目标识别的正确率。据文献[1],目前大约有1亿1千万颗地雷埋设在世界各国，每周造成超过500人伤亡，发展探地雷达探测地雷成为迫切需要。由于地雷埋藏范围广、数量大、埋藏环境复杂，如果以目前的速度，需要1100年才能清除掉目前已埋设的地雷，因此研究探地雷达目标识别成为迫切需要。基于神经网络优良的并行计算能力和学习推广能力，人们提出了许多基于神经网络的探地雷达目标特征识别方[1]探地雷达目标识别的研究包括两个方面，即目标特征选取和识别方法的研究。目标特征选取已经有较成熟的方法[4；与神经网络相比，支撑矢量机(SVM)具有更强的小样本推广能力，并且可以解决神经网络的网络结构选取和局部极小点等问题，有关报告主要集中在文字识别、人脸识别等方面,7][1-6]法；而识别方法的研究较少，目前应用较多的是神经网络识别方法[4。探地雷达目标识别中，在选取相同特征的情况下，改进识别方法能有效提高目标识别正确率，因此研究新的识别方法较重要。,7][9-11]。在提出探地雷达目标识别的非线性映射原理的基础上，详细讲述了基于一对一的支撑矢量机的探地雷达多2004-06-15收到，2005-01-20改回第1期胡进峰等：探地雷达多目标识别方法的研究27目标识别方法，并与交叉验证的参数选取方法、多通道目标识别方法相结合，最后和传统的基于神经网络的探地雷达目标识别方法进行了对比分析，说明所提方法优于传统的方法。[12]2所提探地雷达目标识别的非线性映射原理探地雷达的时域信号模型有A-scan，B-scan，C-scan共3种形式，数学表示式如下[1-6]：A-scan：()(,,);1:ilkfzuxyzkN==,为常数。,ilB-scan：()(,,);1:,ilkfzuxyzkN==其中1:iP=且为常数或且为常数。l1:lM=iC-scan：()(,,);ilkfzuxyz=1:,1:,iPlM==1:kN=。探地雷达目标识别原理可以表示为图1。其中()ixk是探地雷达目标信号特征，它通常是第i个A-scan的第k个数据点，或者是从第i个A-scan中提取的第k个特征值。表示探地雷达目标特征经过分类器分类后的所属类别。图中的探地雷达目标识别算法可以看作一种映射。[1,2]ib由于各种不可避免的杂波等影响，各目标信号特征通常是线性不可分的，因而探地雷达目标识别实际上就转化为非线性映射问题。由Kolmogrov定理可以证明，通常的神经网络(如BP算法、径向基函数)可以实现任意输入/输出的非线性映射，从而解决探地雷达目标信号特征线性不可分问题。从图中可以看出，支撑矢量机通过基于核函数的非线性映射也可以解决上述的非线性分类问题，同时，基于结构风险最小的支撑矢量机比基于经验风险最小的神经网络具有更强的推广能力。[9]图1探地雷达目标识别结构图图2线性可分的情况3支撑矢量机原理支撑矢量机是一种基于结构风险最小化原理的统计学习方法，只能用于两分类的情况[1。对于目标特征点线性可分的情况，如图2，实心点和空心点代表两类样本，H为支撑矢量机需要寻找的最优分类线，H1、H2分别为过各类中离分类线最近的样本且平行于分类线的直线，它们之间的距离叫做分类间隔。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。分类线方程为：0b⋅+=xw。对它归一化，使得对线性可分的样本集，(其中1,,in=dR∈x3](,)iiyx，)，满足：{1,1}y∈+−，[()]10,1,,iiybi⋅+−≥=wxn(1)2w2w,使间隔最大等价于使此时分类间隔等于最小。满足条件式(1)且使22w最小的分类面就叫做最优超平面，H1，H2上的训练样本点称作支持矢量。对线性不可分的情况，可以通过非线性变换映射到高维空间，在高维空间求最优超平面。例如图3中特征点线性不可分，可以通过非线性变换投影到图2中的高维空间，使得特征点在高维空间线性可分，于是，图2中的分类线就对应原空间(图3)中的最优超平面。满足Mercer条件的核函数可实现这种变换。图3线性不可分的情况4所提方法神经网络是基于经验风险最小原理的学习方法，因而推广能力较差，而且通常需要大量的训练数据，不便于探地雷达的实际应用。而支撑矢量机属于小样本学习算法，需要的训练数据少，而且它是基于结构风险最小原理的学习方法，推广能力强；支撑矢量机通过基于核函数的非线性映射把低维的探地雷达数据样本空间映射到高维特征空间，有利于提高探地雷达目标识别率；支撑矢量机最终将转化成为一个二次寻优问题，从理论上说，得到的将是全局最优点，解决了基于神经网络的传统的探地雷达目标识别方法中无法避免的局部极值问题[1。结合多通道目标识别方法将进一步提高识别率。2]实际应用中，当在一定区域内探测时，一般情况下能探测到的目标的种类是有限的，并可通过一定手段先了解目标的种类，同时该区域的介质也是大致相同。这样，可用同一部雷达采集这些种类目标的数据，用这些数据训练好支撑矢量机。在实际探测时即可用训练好的支撑矢量机对采集到的探地雷达数据进行分类识别，因此所提方法具有较强的实用性。28电子与信息学报第28卷4.1探地雷达数据的预处理及目标信号的提取小数值代表的特征，同时为了避免在核运算中大的数值可能导致的数值运算困难，对探地雷达数据进行比例缩放，使其处在[在原始的B-scan中采用去均值法抑制地杂波以及直流。用维纳滤波去除宽带杂波和周期杂波。−1,1]的范围内。对于待辨识的数据也采用同样的比例缩放[1。[2]2]在预处理后，需要提取含有目标信息的A-scan进行识别方法的研究。文献[3]中用基于概率模型的方法提取目标信号，文献[4，5]直接用人工提取目标信号来进行分类识别的研究。本文采用文献[2]所述的Wigner-Ville分布方法提取目标信号。参照文献[8]，这里直接对提取的探地雷达目标信号进行目标识别方法的研究。目前在支撑矢量机中常用的核函数有4种：线性核函数、径向基核函数、多项式核函数、sigmoid神经元核函数。考虑到线性核函数可以看作径向基核函数的特例，此外sigmoid核函数在性能上与径向基核函数相似。而多项式核函数在搜索模型参数时要复杂一些，这里选择径向基核函数[1：2]()2,xyKxyeγ−−=4.2建立探地雷达数据样本空间(3)设探地雷达信号中共有k类目标信号，在经过预处理的探地雷达数据中提取各类待识别的目标的A-scan数据共n个。设探地雷达中每个A-scan中的采样点数是d，把提取的含有目标信号的A-scan数据组合成一个矩阵式(2)中的参数C和式(3)中的参数γ通常凭经验选取。其中参数C选取太小将导致较大的训练误差，选取太大则可能导致过适配。考虑到探地雷达目标识别属于小样本训练问题，所使用的支撑矢量机规模小，因此采用网格搜索法选取参数X，每个A-scan扫是(1,,)in=X12[,,,]nxxx=Xix的一列，则：，其中表示第个A-scan扫数据。给每个A-scan扫数据贴上标签：，其中表示第个A-scan扫包含第类目标的信号。所有的标签组成一个矩阵：。,C：γi,Cγ分别设置的搜索范围，并分别设置它们的搜索步长。然后将训练数据分成个子集，对于某一确定的i,(1,,;1,,)iyminmc===iym=,Cγv值，依次将这v个子集中的一个子集用作测试子集，剩下的m1v−1[,,]cyy=YX中个属于第类目标的A-scan数据组成矩阵：inm个子集作为训练集训练上述分类器。用训练好的分类器对对应的测试子集中的A-scan分类。正确分类的A-scan总个数与参与测试的总个数的比值定义为交叉验证正确率。对于按步长变化的1[,,]mmnxx=mXmX4.3探地雷达多目标支撑矢量机分类器的训练与分类支撑矢量机只能用于两分类的情况[9-13]，对于基于支撑矢量机的多目标分类的情况，主要有3种方法，即一对一(oneagainstone)和一对多(oneagainstall)以及决策导向循环图(DDAG)方法。,Cγ，分别计算它们的交叉验证正确率，选择交叉验证正确率最大的,Cγ作为分类器的参数。上述交叉检验可以避免过训练的问题，即保证测试误差最小(训练误差可能不是最小的)，以保证分类器具有最佳的推广能力，同时由于探地雷达目标识别属小样本训练，因此交叉验证不会明显增大计算量。[11]将一对一方法与探地雷达目标识别结合起来，得到下述方法：对于k类探地雷