SVM与DS证据理论融合的多极化HRRP目标识别方法

本文主要探讨了雷达目标识别领域的一项创新技术，即结合支持向量机(SVM)和DS（ Dempster-Shafer）证据理论的多极化高分辨一维距离像（HRRP）分类方法——SDHRRP。在雷达目标识别中，一维距离像（HRRP）是关键的数据特征，用于区分不同的目标类型。传统的HRRP分类可能受到噪声、干扰等因素的影响，导致误识别。 SDHRRP方法的核心在于引入了混淆矩阵来评估基分类器之间的性能差异。混淆矩阵是一个表格，展示了每个基分类器在不同类别上的分类正确性和错误情况。通过混淆矩阵，作者能够量化各个基分类器对不同目标类别的识别能力，以此赋予它们相应的可信度权重。这种分类器可信度反映了它们在特定任务下的稳健性和准确性。 接下来，SDHRRP将这些可信度值与SVM的后验概率相结合。SVM作为一种强大的机器学习模型，其后验概率表示一个样本属于某个类别的信心程度。将分类器的可信度纳入证据理论的框架，即基本概率赋值(BPA)，有助于解决多个证据之间的冲突，提高整体决策的可靠性。 DS证据理论是处理不确定性和不完全信息的一种数学工具，它通过融合多个证据源，形成一个综合的证据分布，从而避免单一证据的偏差。在SDHRRP中，这种融合方法使得分类决策更为稳健，降低了因单一分类器失效而导致的误识别风险。 实验结果表明，SDHRRP通过利用分类器的可信度和SVM后验概率，有效地解决了证据冲突问题，并显著降低了融合分类过程中的误差率。这对于提高雷达目标识别的精度和鲁棒性具有重要意义，尤其是在复杂的电磁环境中。 这篇文章为我们提供了一种新颖而有效的目标识别策略，它将SVM的高效分类能力与DS证据理论的冲突处理技巧相结合，对于实际雷达系统中的目标识别应用具有很高的实用价值。