小样本下基于Relief和SVM-RFE的相干激光雷达目标识别优化策略

本文主要探讨了基于特征选择算法的相干激光雷达目标识别技术。激光雷达因其与目标表面物理结构的高度相关性，能够反映出目标的本质特征，因此在目标识别领域具有重要的应用价值。然而，由于数据采集过程的限制和高昂的成本，激光雷达通常难以获取大量图像，特别是在小样本情况下，随着特征维度的增加，识别精度可能会降低，即所谓的“休斯现象”（ Hughes phenomenon）。 为了克服这一问题，研究者引入了两种特征选择算法：Relief算法和支持向量机回归特征消去（SVM-RFE）算法。Relief算法通过评估特征在样本间的差异性来选择重要特征，而SVM-RFE则是通过逐步排除对模型性能影响最小的特征来实现特征选择。在实验中，作者将这两种算法应用于解决由三组组合矩（包括Hu矩、仿射矩和Zernike矩的不同组合）引发的休斯现象。 结果显示，在仅有三个训练样本的情况下，Relief算法和SVM-RFE算法都能有效缓解休斯现象，而且SVM-RFE算法表现出了稍优的识别性能。这表明特征选择对于小样本情况下的激光雷达目标识别至关重要，它能帮助提高识别准确性和鲁棒性，减少过拟合风险。 文章的核心内容涵盖了激光雷达数据的特性、休斯现象的挑战、特征选择算法（如Relief和SVM-RFE）在激光雷达目标识别中的应用以及实验验证的效果对比。这对于优化激光雷达目标识别系统、提升其在实际应用中的性能具有重要的参考价值，尤其是在资源有限或数据稀疏的场景下。