基于支持向量机的水中目标识别

格式：pdf
大小：92.43 KB
文档页数：4

下载文档原格式

/ 4

基于卷积神经网络的水下目标检测与识别技术研究

基于卷积神经网络的水下目标检测与识别技术研究在现代海洋航行和资源开发中，对于水下目标的高精度检测和识别至关重要。

传统的水下目标检测方法往往需要大量手工选择特征、提取特征等繁琐步骤，一直存在着准确率低和效率慢等问题。

近年来，随着深度学习技术的发展，特别是卷积神经网络(CNN)的兴起，基于CNN的水下目标检测与识别技术逐渐成为了研究的热点，成为了解决上述问题的有效途径。

一、水下目标检测技术发展状况传统的水下目标检测方法主要包括基于阈值分割、模板匹配、形态学、特征提取等技术。

但是由于水下图像具有复杂的噪声和光线环境以及目标背景干扰，这些方法难以进行快速、准确的识别。

而卷积神经网络模型通过自动学习特征，可以更好地处理这些问题。

受益于深度学习技术的发展，基于CNN的水下目标检测技术得到了广泛应用。

其中，Faster R-CNN、YOLO等经典算法都在水下目标检测任务中得到了大量的探索和应用。

二、基于卷积神经网络的水下目标检测方法基于CNN的水下目标检测主要包括两个部分：一是目标检测，即通过网络模型找到水下图像中所有可能的目标位置；二是目标识别，即对这些可能的目标进行分类识别。

在这些过程中，需要使用一些技术手段来解决诸如小目标、噪声、光照变化等问题。

1. Faster R-CNNFaster R-CNN是一种基于深度学习的快速目标检测算法。

相比于传统R-CNN算法，Faster R-CNN采用在线学习的方式，更快并且更准确。

在Faster R-CNN中，分类和回归是分开进行的。

分类过程中，采用卷积和全连接层，对输入图像进行分类；回归过程中，生成有关候选目标的位置和尺寸信息，从而预测目标的位置。

因此，Faster R-CNN既可以快速检测出所有可能存在的目标位置，也可以对所检测到的目标进行准确的识别。

2. YOLOYOLO（You Only Look Once）是一种实时物体检测算法。

该算法将目标检测问题转化为一个回归问题，同时将识别目标的任务与检测目标的任务分开进行。

机器学习技术在舰船目标识别中的应用案例

机器学习技术在舰船目标识别中的应用案例近年来，随着人工智能技术的快速发展，机器学习技术在各个领域的应用越来越广泛。

舰船目标识别作为海军军事领域中的关键技术之一，也开始采用机器学习技术来实现更高效准确的目标识别。

本文将介绍机器学习技术在舰船目标识别中的应用案例。

舰船目标识别是在海上作战中至关重要的一项任务。

传统的舰船目标识别主要依靠人工观察和判断，但由于人眼限制和观察条件的不稳定性，其准确率和效率有限。

而机器学习技术则可以通过对大量数据的学习和分析，从中总结出特征和规律，进而实现准确、高效的目标识别。

一种常用的机器学习应用案例是基于深度学习的舰船目标识别。

深度学习是机器学习中的一种方法，它通过构建多层神经网络，对数据进行分层特征提取和表示学习，从而实现更加准确的分类和识别。

在舰船目标识别中，深度学习可以通过训练模型来学习舰船的各种特征，如船体轮廓、船桥形状、舰标等，进而实现对舰船目标的精确识别。

除了深度学习，还有其他机器学习算法也可以应用于舰船目标识别。

例如，支持向量机（SVM）和随机森林（Random Forest）等非深度学习算法，它们可以通过对舰船的特征进行学习和分类，实现准确的目标识别。

这些算法具有较快的训练速度和较好的泛化能力，适用于舰船目标识别中的大规模数据处理。

在实际应用中，机器学习技术在舰船目标识别中取得了显著的成果。

一项实证研究使用深度学习算法对舰船目标进行自动识别，结果表明该算法能够稳定地识别出99%以上的舰船目标，并且在高速移动和复杂环境下也能够保持高准确率。

另外，一些军事装备生产厂商也开始采用机器学习技术来改进舰船目标识别系统，以提高海上作战的效能。

尽管机器学习技术在舰船目标识别中有诸多优势，但也面临一些挑战。

首先，舰船目标识别是一个复杂的任务，需要考虑不同类别的舰船、不同环境下的变化以及目标的运动状况等多个因素，这对机器学习算法的复杂性和学习能力提出了更高要求。

其次，海军环境复杂多变，光照、天气等外界因素会对目标的外观和特征造成干扰，进而影响目标识别的准确性。

基于深度学习的水下目标检测与识别技术研究

基于深度学习的水下目标检测与识别技术研究深度学习在近年来取得了巨大的成功，尤其在计算机视觉领域。

然而，由于水下环境的复杂性和特殊性，水下目标检测与识别一直是一个具有挑战性的问题。

基于深度学习的水下目标检测与识别技术的研究成为了水下机器人、海洋勘探、水下工程等领域的热门话题。

本文将探讨水下目标检测与识别的挑战、深度学习在水下目标检测与识别中的应用以及未来的发展方向。

首先，水下环境的复杂性给水下目标检测与识别带来了许多挑战。

在水下环境中，光的衰减、散射和吸收使得图像质量较差，水下目标目标通常处于模糊、低对比度的状态，导致目标物体的边界不清晰。

此外，水下环境中常常存在水草、沉积物等干扰物体，进一步增加了水下目标的检测和识别难度。

同时，水下环境中的流动、波浪和不均匀的光照条件等因素也会导致目标的形状和外观的变化。

所有这些因素使得传统的计算机视觉算法在水下环境下的应用受到了限制。

然而，深度学习的出现为水下目标检测与识别带来了新的机遇。

深度学习基于神经网络模型，具有学习能力强、自适应性高等特点，可以从大量的数据中学习出适用于水下环境的目标检测和识别模型。

目前，基于深度学习的水下目标检测与识别技术主要包括两个方面：一是基于卷积神经网络（CNN）的目标检测方法，二是基于循环神经网络（RNN）的目标识别方法。

在目标检测方面，基于CNN的方法已经取得了很多研究进展。

常见的基于CNN的目标检测算法有Faster R-CNN、YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）。

这些方法可以有效地在水下环境中定位和识别目标物体，并且具有较高的准确率和实时性能。

此外，还可以通过迁移学习和数据增强等技术提升在水下环境下的目标检测性能。

在目标识别方面，基于RNN的方法主要应用于水下图像中的目标分类和识别。

通过对水下目标的特征提取和序列建模，RNN可以学习到目标的时序信息，提高目标的识别准确率。

支持向量机方法在海拉尔盆地复杂油水层识别中的应用

２１年第６００期
・
国外测井技术ＷＯＤＲＬＷＥＬＯＧＮＴＣＮＬＧＬＬＧＩＧＥＨＯＯＹ
基础科学・
支持向量机方法在海拉尔盆地复杂油水层识别中的应用
高松洋
大庆油田有限责任公司勘探开发研究院
摘要：针对海拉尔盆地油气规律分布复杂的特点，提出来一种基于支持向量机识别油水层的方法，该方法克服常规统计方法的局限性，免了维数灾难，有限样本的情况下得到全局最优解。避在应用效果表明，用支持向量机方法识别储层流体类型，高了油水层解释精度，复杂储层流体识利提为别提供了一种简单实用的新方法。
立在结构风险最小化原则以及ＶＣ维概念基础上的
一
０，）而且使分类间隔最大。分类线方程为：・＋＝ｘｗｂ０对于线性可分样本集（，，ｌ… ，，ｘｙｉ，ｎｘ∈Ｒ，∈（ｌｉ－＝３ｄ＋，Ｙ
，
一
１，满足：平面：ｘ＋ ≥１Ｈ２平面：ｘ＋ ≤ ｝ＨＩＷ・ｌｂ，ｗ・２ｂ
ａ为原问题中与每个约束条件（）ｉ１对应的Ｌ－ａ
针对本地区油水层特点，我们选取了微球电阻
率、深侧向电阻率、声波时差、补偿中子、地层密度、
自然电位、自然电位，电位、微自然伽马和深侧向，深感应共９个参数作为特征向量，在进行学习预测之前，常要把参数进行归一化，一在（，）通统０１之间，这样可以避免各种参数因量纲差异造成的额外误差，并且能加快收敛速度。型建立成败的关键是模核函数和惩罚引子Ｃ的选择，常用的有四种核函数（线性核函数、项式核函数、向基核函数、多径神经网络核函数）对于核函数和ｃ值的确定，，没有统一的规定，同参数条件下可以选择不同的数值，不经过交叉验证我们选取径向基核函数，Ｃ值取为１００。２２预测分析．利用上面学习模型所得到网络模型对测试样本

采用支持向量机的水声通信信号调制识别方法

采用支持向量机的水声通信信号调制识别方法江伟华;曹秀岭;童峰【摘要】由于水声信道中随机、复杂的时、频扩展特性的影响,非合作水声通信信号调制方式的自动识别极具挑战性.考虑到载频等调制参数提取较为困难,本研究基于信号功率谱、平方谱进行无需先验知识的水声通信信号特征参数提取,设计了一种基于多类别最小二乘支持向量机(LS-SVM)的水声通信信号调制方式分类器,该分类器具有泛化性能好、小样本学习能力强的特点,同时可避免传统神经网络分类器存在的过学习、欠学习以及局部最小化等问题.对海上实录信号数据的识别实验结果表明,本方法具有优于神经网络分类器的识别性能和信道稳健性.【期刊名称】《厦门大学学报（自然科学版）》【年(卷),期】2015(054)004【总页数】6页(P534-539)【关键词】水声通信信号;谱特征;调制识别;最小二乘支持向量机【作者】江伟华;曹秀岭;童峰【作者单位】厦门大学海洋与地球学院,水声通信与海洋信息技术教育部重点实验室,福建厦门361005;厦门大学海洋与地球学院,水声通信与海洋信息技术教育部重点实验室,福建厦门361005;厦门大学海洋与地球学院,水声通信与海洋信息技术教育部重点实验室,福建厦门361005【正文语种】中文【中图分类】TN929.3随着信息获取和处理需求的不断提升，对水声通信信号调制样式的自动识别研究成为重要的研究课题.目前无线领域常用的通信信号的调制识别方法［1－4］，往往需要较多的调制参数作为先验知识.由于水声信道具有复杂的时－空－频变特性，使得所需的先验知识在水声信号调制方式未知的情况下很难得到，因此，非合作水声通信信号的自动识别极具挑战性.调制信号的循环相关特征具有很好的识别能力，Wu等［5］通过循环谱提取水声信号的特征参数，实验结果表明该方案可以获得不错的识别性能.杨柳等［6］则进行了高阶谱的仿真分析，仿真结果表明该算法对不同水声信道环境有一定的适应性.但循环谱估计和高阶谱的计算需要较高的运算量，且远远大于相同频率分辨率的功率谱估计，因此大大限制了这一类调制识别方法的实际推广应用.范海波等［7］提出了一种基于谱特征的通信信号调制方式自动识别方法，从信号功率谱、平方谱中提取无需调制参数的特征参数作为特征向量，在较低信噪比下仍具有很好的识别准确率.但是，与无线信道相比，在水声信道恶劣传输条件下无需先验知识的特征参数往往呈现出严重的不稳定性、随机性，对分类器性能提出了更高的要求.就分类器而言，Nandi等［1－2］使用统计判决的识别方法，并结合人工神经网络算法（ANN）来识别和模拟数字信号.但传统ANN算法经常遇到过学习、欠学习和局部最小化等问题，同时ANN充分训练所需的大量样本数据在水声实际应用中往往无法保证.Vapnik等［8－9］基于结构风险最小化准则提出的支持向量机（SVM）方法不仅可以最小化分类错误，还可提高泛化能力，并具有突出的小样本学习能力.吴丹等［10］提出基于多类别SVM的调制识别方案，这种方法比传统的ANN算法具有结构简单、可靠性高、性能好的优势.SVM分类器已广泛应用于水声信号的识别分类中，田杰等［11］将SVM分类器应用于被动水声目标的识别分类，可以获得比最近邻分类器更好的识别效果.本文基于水声信号功率谱和平方谱提取无需先验知识的特征参数，利用SVM设计了一种具备二进制相移键控（BPSK）、正交相移键控（QPSK）、多进制频移键控（MFSK）等常用水声通信信号调制方式识别的自动分类器.海上实录信号的调制识别结果表明，与传统ANN分类器相比，本文采用的最小二乘支持向量机（LS－SVM）分类器识别率高，且对不同水声信道具有较好的稳健性.1 水声通信信号特征提取1.1 信号功率谱的形状特征信号的功率谱表示了信号功率随着频率的变化情况，因此，频移键控信号与非频移键控信号在信号功率谱上有很大的不同，MFSK信号在各调制频率上会出现明显的单频分量，这与相移键控（PSK）信号无离散谱线的单峰有着明显的区别.因此，以信号功率谱的形状作为特征可以识别出MFSK调制，如文献［7］中的平坦度指数F，但是计算F值需要预先估计信号的载波频率.本文考虑在无先验知识条件下，采用参数R来体现信号功率谱的形状特征.R参数［12］反映信号功率谱包络的变化程度，定义如下：其中u，σ2分别是信号功率谱包络的均值和方差.由定义式可知，若信号谱平坦，则R值趋于0.若信号存在多个峰，R值随着谱峰数的减少而增大.本文将R值的u2，σ2作为特征参数集，用来识别MFSK信号.图1为对某浅海水声信道获取的水声调制信号进行功率谱分析获取的信号u2，σ2二维图.由于MFSK信号功率谱表现为几条对应于各调频频点的离散谱线，其余部分则接近背景噪声谱，幅度较低；而PSK信号功率谱表现为分布连续的宽带谱特征.因此在功率谱形状特征上，MFSK信号功率谱包络的u2值明显小于PSK信号功率谱包络u2值.从图1可知，参数u2，σ2能够较好的将信号分为两类：MFSK、PSK信号.因此，本文将u2，σ2作为功率谱的特征参数进行MFSK和PSK信号的调制识别.1.2 信号平方谱的离散谱线特征信号平方谱［13］为信号平方后的功率谱，反映了信号平方后的频率在功率谱上的表现.信号平方运算会产生零频分量，所以首先要去掉功率谱的直流成分.BPSK 经过平方变换后会在对应2倍载频位置上出现一条离散谱线，而QPSK信号的平方谱则无离散谱线的单峰.因此，BPSK和QPSK平方谱具有明显的不同特征，可通过谱峰检测方法实现对信号的识别.图1 水声通信信号u2，σ2参数二维图Fig.1 Two－dimensional map of u2，σ2 parameter由于理想的矩形基带脉冲的冲击响应拖尾长，占用带宽大，容易产生码间干扰，所以在实际水声通信中，PSK信号调制通常采用脉冲成形技术.为了消除成形滤波器对信号幅度的影响，本文首先通过瞬时幅度对信号进行归一化.包络归一化处理可以消除成形滤波器对调相信号（如PSK）的影响，却不会影响其调制信息［14］.基于这样的原理，文献［15］中通过设定闭值th1，根据大于th1门限值的平方谱谱峰数目N对BPSK和QPSK信号进行类内识别.本文采用参数SN来表征平方谱谱峰.为了提取平方谱的频率分量，对平方谱归一化后，用正交基内积法对平方谱进行滑动窗的拟合处理，得到拟合曲线，然后采用平方谱数据减去拟合曲线得到瞬变谱，并以此作为谱峰判决的依据［16］.定义SN＝瞬变谱中大于设定门限的谱峰数目.本文同时将参数N也作为特征参数，通过提取参数N、SN特征向量可对BPSK和QPSK信号进行调制识别.实现峰值统计如图2所示.图3为从某浅海水声信道获取的BPSK、QPSK水声通信信号提取的N、SN参数二维图.从图3可知，参数N和SN 可较好的对BPSK和QPSK信号进行区分.本文采用参数N和SN作为区分BPSK和QPSK调制信号的特征参数.2 SVM分类器设计2.1 SVM 原理图2 平方谱峰值提取流程图Fig.2 Flow chart of square spectrum peak statistics图3 水声通信信号N，SN参数的二维图Fig.3 Two－dimensional map of N，SNparameterSVM可自动寻找出对分类有较好区分能力的支持向量，由此构造出的分类器可以最大化类与类的间隔，较好地解决了小样本、非线性、高维数、局部极小点等问题，成为求解模式识别问题的有效工具.对训练数据集：式中，xi和yi分别表示训练向量和类别标识.可通过非线性变换把线性不可分问题转化为线性可分问题，并在变换空间求最优分类面.该问题的数学形式为：式中，ξi为松弛变量，常数C为惩罚参数，它控制对错分样本的惩罚程度.引入核函数可将输入空间映射到高维的特征空间，求取最优分类超平面.首先对ai求解下列函数的最大值：其中ai为Lagrange乘子，K（xi，xj）＝φ（xi）·φ（xj）为核函数.则最优分类函数式相应变为：式中，m为支持向量的个数.2.2 LS－SVMLS－SVM是SVM的一种扩展，其算法简练，计算速度快；把SVM中的不等式约束转化为等式约束；利用LS－SVM提取特征，可有效降低输入样本维数、缩减模型运算时间，还具有突出的非线性回归能力.LS－SVM通过解线性方程方法代替解凸二次规划方法，则优化问题变为：该线性方程可由最小二乘方法求解，LS－SVM由此而得名，且比标准SVM具有更快的训练速度.上述SVM只能区分两类模式的分类问题，而本文所进行的水声通信信号调制识别涉及3种调制信号，属于典型的多类分类问题.本文采用最小输出编码（code＿MOC）的方法来解决多类分类问题.3 水声通信信号调制识别实验3.1 调制识别实验设置为验证本文水声调制识别方案的有效性，采用厦门、青岛周边海域4个不同水声信道（分别以信道1、2、3、4表示）获取的水声通信实验信号数据进行调制识别实验.表1给出了4个不同水域实验信道的具体参数，图4给出了4个实验信道的冲激响应，从图4中可以看出，信道2、3比信道1、4具有较为明显的多径，4个实验信道具有不同类型的水声信道特性.表1中同时给出了表征信道时变的多普勒频偏参数，可以看出4个实验信道均带有一定的多普勒，其中信道3多普勒为2.0Hz，稍高于其他3个实验信道.表1 实验信道参数Tab.1 The parameters of four channels?从4个不同实验信道获取的720个水声通信实验信号具有以下3类调制类型：BPSK、QPSK、MFSK.其中：MFSK（包括2FSK，4FSK，8FSK）信号268个，QPSK信号249个，BPSK信号203个.信号样本的采样率96kHz，16bit量化.表2给出了水声通信信号数据样本中各种调制信号的调制参数.海上实验系统包括了信号发射和接收部分，发射部分包括调制信号产生、功率放大，最后通过换能器发射信号；接收部分包括接收换能器接收信号后经前置放大、带通滤波预处理后通过模拟数字采集卡转换为数字信号送入计算机中进行离线处理.通过对采集到的水声通信信号进行功率谱、平方谱特征提取，提取功率谱特征参数u2，σ2以及平方谱离散谱峰参数N和SN构成4维特征向量，进行调制识别实验. 图4 实验信道冲激响应Fig.4 The impulse responses of the experimental channels表2 水声通信信号调制参数Tab.2 Modulation parameter of signal?3.2 分类器设计本文设计了如图5所示基于LS－SVM的分类器，将提取的水声通信信号4维特征参数作为特征向量，利用SVM把特征向量映射到高维空间中，并构建最优分类面对信号BPSK、QPSK和MFSK进行调制方式的自动识别.具体的识别步骤为：1）从水声通信信号中提取4个特征参数构成特征向量作为LS－SVM分类器输入；2）为SVM选择核函数，本文的识别实验中选用了径向核函数.径向核函数可以将样本非线性地规划到更高维的空间中，从而解决类标签和属性间非线性的关系问题；3）使用交叉验证和网格搜索的方法找到最佳参数.选取正则参数gam为13，内核函数的参数sig2为2；4）用训练样本对LS－SVM分类器进行训练，设定训练迭代的终止条件为训练误差小于0.001，完成训练后对测试样本进行调制识别测试.图5 调制识别系统示意图Fig.5 Flow chart of modulation recognition system 3.3 实验结果与分析本文采用SVM分类器与传统ANN分类器进行海上通信信号调制识别性能对比，其中：ANN分类器采用3层误差逆传播，ANN网络隐层节点数为10，设定训练迭代的终止条件为训练误差小于0.001；SVM分类器参数设置如3.2节所述.从总样本库中分别随机选取T个MFSK信号，T个BPSK信号，T个QPSK信号作为训练集，其余样本作为测试集.表3给出了ANN分类器在训练样本数T＝50和100条件下的调制识别结果.从表3可知：当T＝50时，调制信号的正确识别率较低，除了MFSK外，BPSK和QPSK的调制方式的识别率都小于90%；当T＝100时，正确识别率得到了明显的改善，尤其是QPSK信号的识别率提高了3.45个百分点.这说明样本数在很大程度上制约着ANN的性能.表3 ANN分类器的识别率Tab.3 The recognition rate of ANN modulation classifier?表4给出了LS－SVM分类器在训练样本数T＝50和100条件下的识别结果.可以看出，随着T的变化，正确识别率的改变程度与表3相比不是那么显著.在T＝50时，信号调制方式的识别率都在91%以上，在T＝100时，信号调制方式的识别率都在92%以上.结果表明：LS－SVM的调制识别性能优于ANN.表4 LS－SVM分类器的识别率Tab.4 The recognition rate of LS－SVM modulation classifier?考虑到实际水声信号处理应用中获取的训练样本有限，本文比较了两种分类器的小样本学习性能.图6给出了训练样本数T从10到100时两种分类器的识别性能，可以看出随着样本数的增加，特征值更加接近理想值，SVM分类器和ANN分类器识别性能都显著提高.而ANN在样本数较少时，神经网络结构构造不充分，因此性能较差；LS－SVM基于结构风险最小化的原理可充分利用特征参数集信息，所以在样本数较少时LS－SVM识别率明显高于ANN.水声信道随机、复杂的时－频扩展特性引入的信号畸变是影响水声通信信号调制识别性能的重要影响因素.为了评估本文方案与ANN分类器对于不同水声信道的稳健性，本文比较了训练集和测试集均从同类型水声信道样本随机选取，以及训练集和测试集分别采用不同类型水声信道样本时对QPSK信号的调制识别性能.表5给出了训练样本数T＝30时两种情况下的QPSK信号识别结果，从表5可看出：ANN分类器在训练集和测试集分别采用不同信道类型时其调制正确识别率比训练集和测试集均从同类型信道随机选取降低了16.75个百分点；而在同样两种条件下，对应的LS－SVM分类器识别率只降低了约5个百分点.这表明本文LS－SVM 分类器对于不同水声信道的稳健性明显优于ANN分类器.表5 采用不同类型训练／测试信道时QPSK信号识别率Tab.5 The recognition rate of QPSK signal under different training／testing channel type?4 结论图6 不同训练样本条件下水声调制信号识别率曲线Fig.6 The recognition rate curve of underwater acoustic modulation signal under different number of training set针对非合作水声通信信号调制识别，本文提出了一种基于SVM的水声通信信号调制识别方法，该方法使用功率谱、平方谱中提取的4个特征参数构成无需先验知识的特征向量，利用SVM分类器对BPSK、QPSK和MFSK 3种常见水声通信调制信号进行调制识别测试.实验结果初步表明，本文识别方法的识别性能、小样本学习能力及对不同水声信道稳健性均优于传统ANN分类器.【相关文献】［1］Nandi A K，Azzouz E E.Automatic analogue modulation recognition［J］.Signal，Processing，1995，46（2）：211－222.［2］Nandi A K，Azzouz E E.Algorithms for automatic modulation recognition of communication signals［J］.IEEE Trans Commun，1998，46（4）：431－436.［3］Swami A，Sadler B M.Hierarchical digital modulation classification using cumulates ［J］.IEEE Trans Commun，2000，48（3）：416－429.［4］Gardner W A，Spooner C M.Cyclic－spectral analysis for signal detection andmodulation recognition［C］∥Military Comunications Conference.San Diego，CA，USA：IEEE，1988：419－424.［5］Wu Z，Yang T C，Liu Z，et al.Modulation detection of underwater acoustic communication signals through cyclostationary analysis［C］∥ Military Communications Conference.Orlando：IEEE，2012：1－6.［6］杨柳，赵晓群，徐静云.水声信号的调制方式识别［J］.燕山大学学报，2014，38（2）：156－162.［7］范海波，杨志俊，曹志刚.卫星通信常用调制方式的自动识别［J］.通信学报，2004，25（1）：140－149.［8］Vapnik V N.Statistical learning theory［M］.New York：John Wiley and Sons，1998：81－85.［9］Cortes C，Vapnik V N.Support vector networks［J］.Machine Learning，1995，20：144－152.［10］吴丹，顾学迈.一种新的基于支持向量机的自动调制识别方案［J］.南京理工大学学报：自然科学版，2006，30（5）：569－572.［11］田杰，张春华，刘维，等.基于倒谱分析的被动水声目标分类［J］.系统工程与电子技术，2005，27（10）：1708－1710.［12］Chan Y T，Gadboi L G.Identification of the modulation type of a signal［J］.Signal Processing，1989，16（2）：149－154.［13］Dubuc C，Boudreau D.An automatic modulation recognition algorithm for spectrum monitoring applications［C］∥IEEE International Conference on Communications（ICC′99）.Vancouver，Canada：IEEE，1999：732－736.［14］黄如容.数字信号调制方式识别方法的设计与实现［D］.成都：西南交通大学，2012：8－10.［15］刘芳.基带通信信号的参数估计、调制识别及解调［D］.济南：山东大学，2007：40. ［16］童峰，陆佶人，方世良.水声目标识别中一种轴频提取方法［J］.声学学报，2004，29（5）：398－402.。

深度学习算法在水下目标识别与追踪中的应用研究进展

深度学习算法在水下目标识别与追踪中的应用研究进展深度学习算法在水下目标识别与追踪中的应用研究近年来取得了显著的进展。

水下目标识别与追踪是水下机器人、水下智能装备和水下生物研究等领域的关键技术，具有重要的科学研究和应用价值。

深度学习算法具有强大的特征学习和模式识别能力，在水下目标识别与追踪中发挥着重要作用。

一、深度学习算法在水下目标识别中的应用1. 图像识别深度学习算法中的卷积神经网络（CNN）被广泛应用于水下目标识别中。

通过大量的训练数据和网络层次结构的优化，CNN能够有效地学习出物体的纹理、形状、颜色等特征，从而实现对水下图像中目标的自动识别。

例如，在水下机器人自主控制中，深度学习算法可以实现对水下障碍物的识别，从而使机器人能够自主规避障碍物，提高水下作业的安全性和可靠性。

2. 目标检测目标检测是水下目标识别的核心任务之一。

深度学习算法中的目标检测模型可以通过识别水下图像中的目标位置和边界框来实现目标检测。

例如，YOLO（You Only Look Once）算法通过在图像中划分网格，并利用CNN网络对每个网格进行预测，实现对水下目标的快速检测和定位。

此外，基于深度学习的目标检测算法还可以通过融合多种传感器信息（如声纳、激光雷达等）来提高识别的准确性和鲁棒性。

3. 目标跟踪深度学习算法在水下目标追踪中的应用主要包括单目标跟踪和多目标跟踪。

在单目标跟踪中，深度学习算法通过学习目标的外观特征和运动模式，实现对水下目标的实时追踪。

在多目标跟踪中，深度学习算法可以学习不同目标之间的关联性和相似性，实现对水下多目标的同时追踪。

例如，基于深度学习的卡尔曼滤波算法可以通过融合卷积神经网络和卡尔曼滤波器，实现对水下目标的准确追踪和定位。

二、深度学习算法在水下目标识别与追踪中的挑战尽管深度学习算法在水下目标识别与追踪中取得了一定的研究进展，但仍面临以下挑战：1. 数据集稀缺相对于陆地环境，水下环境的数据集相对稀缺。

基于支持向量机的水质预测应用实例_张秀菊

文章编号：１００７－２２８４（２０１５）０１－００８５－０５基于支持向量机的水质预测应用实例张秀菊１，安　焕１，赵文荣１，张琴玲２（１．河海大学水文与水资源学院，南京２１００９８；２．芜湖水文水资源局，安徽芜湖２４１０００）摘　要：水质预测作为水环境污染控制的重要手段，能够预测水质的变化趋势，从而有效地控制水质恶化情况。

分析了支持向量机的回归理论和算法；构建了支持向量机水质预测模型。

应用实例以通州区新江海河站点为研究对象，取ＮＨ３－Ｎ浓度和ＴＰ浓度为时间序列样本，运用支持向量回归机的理论与方法，构造预测模型，并利用Ｌｉｂｓｖｍ软件包和ＭＡＴＬＡＢ软件进行水质预测。

从整体预测效果来看，其预测结果能较好地反映水质情况。

关键词：水环境；水质预测；支持向量机；回归理论中图分类号：ＴＶ２１３．４文献标识码：ＡＡｎ　Ａｐｐｌｉｃａｔｉｏｎ　Ｅｘａｍｐｌｅ　ｏｆ　Ｗａｔｅｒ　Ｑｕａｌｉｔｙ　Ｐｒｅｄｉｃｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　ＭａｃｈｉｎｅｓＺＨＡＮＧ　Ｘｉｕ－ｊｕ１，ＡＮ　Ｈｕａｎ１，ＺＨＡＯ　Ｗｅｎ－ｒｏｎｇ１，ＺＨＡＮＧ　Ｑｉｎ－ｌｉｎｇ２（１．Ｃｏｌｌｅｇｅ　ｏｆ　Ｈｙｄｒｏｌｏｇｙ　ａｎｄ　Ｗａｔｅｒ　Ｒｅｓｏｕｒｃｅｓ，Ｈｏｈａｉ　Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ　２１００９８，Ｃｈｉｎａ；２．Ｗｕｈｕ　Ｈｙｄｒｏｌｏｇｙ　ａｎｄ　Ｗａｔｅｒ　Ｒｅｓｏｕｒｃｅｓ　Ｂｕｒｅａｕ，Ｗｕｈｕ　２４１０００，Ａｎｈｕｉ　Ｐｒｏｖｉｎｃｅ，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｓ　ａｎ　ｉｍｐｏｒｔａｎｔ　ｍｅａｎｓ　ｏｆ　ｗａｔｅｒ　ｅｎｖｉｒｏｎｍｅｎｔａｌ　ｐｏｌｌｕｔｉｏｎ　ｃｏｎｔｒｏｌ，ｗａｔｅｒ　ｑｕａｌｉｔｙ　ｐｒｅｄｉｃｔｉｏｎ　ｃａｎ　ｐｒｅｄｉｃｔ　ｔｈｅ　ｃｈａｎｇｅ　ｔｒｅｎｄ　ｏｆｗａｔｅｒ　ｑｕａｌｉｔｙ　ｓｏ　ａｓ　ｔｏ　ｃｏｎｔｒｏｌ　ｗａｔｅｒ　ｄｅｔｅｒｉｏｒａｔｉｏｎ　ｅｆｆｅｃｔｉｖｅｌｙ．Ｔｈｉｓ　ｐａｐｅｒ　ａｎａｌｙｓｅｓ　ｒｅｇｒｅｓｓｉｏｎ　ｔｈｅｏｒｙ　ａｎｄ　ａｌｇｏｒｉｔｈｍ　ｏｆ　Ｓｕｐｐｏｒｔ　ＶｅｃｔｏｒＭａｃｈｉｎｅ，ａｎｄ　ｅｓｔａｂｌｉｓｈｅｓ　Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ　ｍｏｄｅｌ　ｆｏｒ　ｗａｔｅｒ　ｑｕａｌｉｔｙ　ｐｒｅｄｉｃｔｉｏｎ．Ｗｅ　ｔａｋｅ　Ｘｉｎｊｉａｎｇｈａｉ　Ｒｉｖｅｒ　ｏｆ　Ｔｏｎｇｚｈｏｕ　Ｄｉｓ－ｔｒｉｃｔ　ａｓ　ａ　ｒｅｓｅａｒｃｈ　ｅｘａｍｐｌｅ，ａｎｄ　ｔｈｅ　ｃｏｎｃｅｎｔｒａｔｉｏｎ　ｏｆ　ＮＨ３－Ｎ　ａｎｄ　ＴＰ　ａｓ　ｔｉｍｅ　ｓｅｒｉｅｓ　ｓａｍｐｌｅｓ，ａｎｄ　ｅｓｔａｂｌｉｓｈｅｓ　ａ　ｍｏｄｅｌ　ｔｏ　ｐｒｅｄｉｃｔ　ｗａ－ｔｅｒ　ｑｕａｌｉｔｙ　ｂｙ　ｕｓｉｎｇ　ｔｈｅ　ｔｈｅｏｒｙ　ａｎｄ　ｍｅｔｈｏｄ　ｏｆ　Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｒｅｇｒｅｓｓｉｏｎ　ａｎｄ　ｔａｋｉｎｇ　ａｄｖａｎｔａｇｅ　ｏｆ　Ｌｉｂｓｖｍ　ｓｏｆｔｗａｒｅ　ａｎｄ　ＭＡＴＬＡＢｓｏｆｔｗａｒｅ．Ｆｒｏｍ　ｔｈｅ　ｐｅｒｓｐｅｃｔｉｖｅ　ｏｆ　ｏｖｅｒａｌｌ　ｐｒｅｄｉｃｔｉｏｎ　ｒｅｓｕｌｔｓ，ｉｔ　ｓｈｏｗｓ　ｔｈａｔ　ｐｒｅｄｉｃｔｉｏｎ　ｒｅｓｕｌｔｓ　ｏｆ　Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ　ｍｏｄｅｌ　ｃａｎｒｅｆｌｅｃｔ　ｗａｔｅｒ　ｑｕａｌｉｔｙ　ｓｉｔｕａｔｉｏｎ　ｗｅｌｌ．Ｋｅｙ　ｗｏｒｄｓ：ｗａｔｅｒ　ｅｎｖｉｒｏｎｍｅｎｔ；ｗａｔｅｒ　ｑｕａｌｉｔｙ　ｐｒｅｄｉｃｔｉｏｎ；ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ；ｒｅｇｒｅｓｓｉｏｎ　ｔｈｅｏｒｙ收稿日期：２０１４－０４－２９基金项目：中央高校基本科研业务费专项资助项目（２０１１Ｂ０１８１４）；江苏省水利科技资助项目（２０１００１５）。

基于深度神经网络的水下目标识别技术研究

基于深度神经网络的水下目标识别技术研究作者：田禹田文峰苏宇辰于新伟王云飞来源：《科技资讯》2023年第17期关键词：深度神经网络水下目标识别舰船辐射噪声 DEMON谱中图分类号： TP391.4 文献标识码： A 文章编号： 1672-3791（2023）17-0013-04水下目标的分类识别是利用声学或光学手段，对水下物体进行分类或识别，对国防建设和海洋资源开发有重要意义。

舰艇辐射噪声是水下目标分类识别的主要信息来源[1]，其包括多种噪声源，由宽带连续谱和一系列线谱构成。

如何从辐射噪声中获取目标特征信息并进行分类识别，是水下目标分类识别领域的主要研究方向。

传统的水下目标分类识别是由人的听觉完成的，存在很大的局限性，不适应现代信息化的水下作业场景。

深度学习（Deep Learning）在计算机视觉、语音识别、自然语言处理等领域取得巨大成功，在很多方面接近或超过了人的智能水平。

在这种技术浪潮下，声呐研究人员也将深度学习技术引入水下目标识别领域，取得了丰富的研究成果。

葛召华等人利用Wigner 高阶谱方法提取水下信号的谱特征，用最小二乘支持向量机进行目标识别[2]。

王升贵等人通过短时傅里叶变换得到LOFAR 谱图，使用深度卷积神经网络进行分类识别[3]。

付同强等人使用迁移学习方法进行水下目标识别[4]。

李琛等人利用多通道级联特征的深度神经网络解决低信噪比条件下的水下目标识别问题[5]。

张牧行等人提出一种水下目标识别的最大信息系数特征选择方法，可以使用更少的特征，提升分类正确率[6]。

此外，吴晏辰等人基于MFCC 和GFCC 特征构建卷积神经网络和残差神经网络，建立小样本下的水下目标识别系统[7]。

陈凯峰等人设计了基于FPGA 和CNN 的水下目标识别系统[8]。

本文在前人研究基础上，对水下目标辐射噪声进行建模，生成虚拟样本，辅助真实样本对网络进行训练。

分析了水下目标辐射噪声DEMON 谱特征提取方法，生成DEMON 谱样本。

基于声信号人耳听觉谱特征和SVME的水下目标识别欢迎访

基于声信号人耳听觉谱特征和SVME的水下目标识别杨宏晖1彭圆2曾向阳1摘要利用人耳听觉谱特征模拟人耳听觉系统的特性，提取了水下目标信号的人耳听觉谱特征，设计了基于支持向量机自适应增强集成算法用于水下目标的分类识别算法。

仿真实验证明，人耳听觉谱特征可有效用于水下目标识别，支持向量机自适应增强集成算法比单个优化的支持向量机分类器的正确识别率高％～％。

关键词人耳听觉谱特征水下目标识别支持向量机集成1 引言长期以来，为了提高水下目标识别的正确率,国内外研究人员从不同的角度对水下目标辐射噪声原始信号进行了分析和研究,提取了各种水下目标特征。

提取的水下目标特征主要有以下几类：时域波形特征[1]、频域分析特征[2-3]、时频分析特征[4]、非线性特征[5]和听觉特征[6-7]。

这些特征各有特点：时域波形特征的主要特点是方法简单、实时性好。

但水下目标信号时域波形结构复杂，难以提取具有高分类信息的波形结构特征[1]。

频域分析特征的特点是技术成熟、方法简单,而且谱信息中包含明确的物理概念，但适合处理线性、平稳信号[2-3]。

时频分析方法提取的特征可以更好地反映目标的时域和频域特征。

但小波分析算法较为复杂，存储量、运算量大，计算速度慢，实时性差。

而且小波分析适合处理非平稳信号，处理非线性信号能力较弱[4]。

我国学者的研究表明:舰船噪声有混沌现象，舰船噪声极限环有混沌行为，舰船辐射噪声的非线性表明同类目标具有相似性，不同类目标具有可分性[5]。

但是在实际的随机噪声中，不存在严格的分形信号，大多数水声信号只是在某种尺度范围内具有分形特征。

因此，分形与混沌方法仅是识别特征的补充。

众所周知，依靠人耳极其灵敏的听觉系统和长期在实践中积累的经验来判断水下目标类型仍然是水下目标识别的重要途径之一。

目前模拟人耳听觉系统进行水下目标识别的研究报道很少。

国内外研究人员提取了水下目标辐射噪声信号的听觉特征、语音特征及心理声学参数特征[6-7]。

基于Matlab神经网络的水下目标识别

设标准图像用 f (x, y) 表示。这里 x 和 y 指空间的坐标，而在任意点 (x, y) 上的 f 值正比于图像在该点的亮度（灰度级）。目标不同，相应图像的像素灰度分布则不同，这就是目标识别分类所需的特征。
第5期
情报指挥控制系统与仿真技术
53
该文所讨论的特征提取方法正是基于此原理。图像
其中：
φ = φ0e−ad
（2）
φ0 ——信号初始强度；
a ——衰减系数（红或绿或蓝）；
d ——传播距离。
为了计算图像中三种组成颜色光红、绿、蓝的
衰减系数 aR 、 aG 、 aB ，在相同条件的情况下，可
以拍摄 100 张像素大小 10×10 的图像（尺寸相同），
对于每幅图像，分别测出 φ 和 φ0 ，根据式（2）得到相应的衰减系数 a ，最后计算平均值。
收稿日期：2005-01-18
修回日期：2005-03-22
作者简介：胡红波（1979-），男，湖北天门人，硕士研
究生，研究方向为水雷与反水雷作战使用。
邱继进（1979-），男，硕士研究生。
马爱民（1957-），男，教授，博士生导师。
对图像矩阵奇异值分解得到特征向量，研究对水下目标实时、自动分类识别的方法。
S 对角线上各元素即为矩阵 f 的奇异值。
4 目标识别分类结果
一般情况下，需要用多项奇异值来精确表示灰度分布，但在很多实际应用中前几项就可以达到很高的精确性，因为：1）图像可以通过前几项精确表示出来，而噪声延伸到后面的项中，截取前几维奇异值能保留绝大部分信息而舍弃部分噪声，提高系统抗干扰能力。2）为了分类的目的，选取前几项奇异值作为图像的模式特征，可以减少识别分类的运算量，实时性好。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于支持向量机的水中目标识别陆振波章新华康春玉（海军大连舰艇学院信号与信息技术研究中心大连 116018）摘要：本文阐述了有关统计学习理论和支持向量机算法，提出了基于支持向量机的水中目标识别方法。

该方法与传统方法相比，克服了后者固有的模型选择与过学习问题、非线性与维数灾难问题、局部极小问题。

最后进行了水中目标的对比识别实验，实验结果说明，相对于K近邻法和神经网络法，支持向量机算法对水中目标有更高的识别性能。

关键词：支持向量机水中目标识别统计学习理论Underwater Target Recognition Based on Support Vector MachineLu Zhenbo Zhang Xinhua Kang Chunyu(Research Center of Signal and Information，DaLian Navy Academy，DaLian，116018，China)Abstract:: T his paper introduced statistical learning and support vector machine (SVM) theory. Three SVM algorithms, linear SVM, non-linear SVM and multi-class SVM, are discussed. Based on it, a new SVM classification method is proposed. It is applied to the classification of underwater acoustical targets. Its classification performance is compared using same target data bank with traditional methods, such as k-nearest neighbor and neural network. Experiment results show that the proposed SVM classifier has better classification rate than traditional ones and advantages in selecting model, overcoming over-fitting and local minimum, etc..Key Words: S upport Vector Machine，Underwater Target Recognition，Statistical Learning Theory1 引言(ABSTRACT)水声设备与武器系统智能化的关键技术是水中目标自动识别。

目标特征提取与分类识别一直是自动识别系统的两个核心问题，随着海洋资源开发和国防科技发展的日益需要，对自动识别技术的需求越来越迫切[ 1]。

水中目标自动识别属于可靠性和实时性要求很高的模式识别问题。

虽然目标特征的好坏直接影响到分类器性能的发挥，但对相同的目标特征而言，采用不同的分类器分类效果相差甚远。

传统的自动识别方法有贝叶斯决策、K近邻法、神经网络法等。

这些方法大部分(K近邻法例外)是基于训练样本数目趋于无穷大的情况下求取最小经验风险，即经验风险最小化原则（Empirical Risk Minimization, ERM），但在样本有限时未必能取得好的效果。

由于过学习问题(Overfitting)的存在，当用一个复杂的模型去拟合有限的样本时，尽管可以得到很小的经验风险，但反而会导致学习机器的推广能力的下降。

因此，经验风险最小并不一定代表实际风险最小，经验风险最小化原则在样本有限时并不合理。

支持向量机(Support Vector Machine, SVM)是建立于统计学习理论，根据结构风险最小化原则(Structural Risk Minimization, SRM)设计，针对有限样本情况下的一种学习算法。

在很大程度上解决了模型选择与过学习问题、非线性与维数灾难问题、局部极小问题等。

本文阐述了有关统计学习理论和支持向量机算法，提出了基于支持向量机的水中目标识别方法，进行了水中目标的对比识别实验，并给出实验结果。

2 统计学习理论(STATISTICAL LEARNING THEORY)统计学习理论认为[2]，学习机器的实际风险是由两部分组成：)/()()(nhRR empΦ+≤ωω(1)其中第一部分为训练样本的经验风险，另一部分称)(ωempR作置信范围，它和学习机器的VC 维(指示函数集中的函数所能够打散的最小样本数，对应分类器的复杂度)及训练样本有关。

当较小时，置信范围较小，用经验风险近似实际风险的误差就比较小，经验风险最小化取得的最优解就接近实际的最优解，从而学习机器具有较好的推广性。

)/(n h Φh n n h /)/(n h Φ实际上，在传统机器学习方法中，选择学习模型和算法的过程就是优化的过程，只有学习模型比较适合有限的训练样本(值较小)，才可以取得比较好的效果Φn h /[3]。

因此在设计分类器时，不仅要使经验风险最小化，还要使VC 维尽量地小，从而缩小置信范围，达到实际风险最小h [4]。

结构风险最小化原则，就是在确定的置信范围内，寻找最小经验风险。

它首先把指示函数集分解为一个函数子集序列，随着子集的复杂度的增加，置信范围会增加，而经验风险会减小。

选择最小经验风险与置信范围之和最小的子集，就可以达到实际风险的最小，这个子集中使经验风险最小的函数即是最优函数。

支持向量机方法就是结构风险最小化原则具体实现。

3 支持向量机(SUPPORT VECTOR MACHINE)3.1 线性问题(Linear SVM )支持向量机方法是从两类线性可分问题的最优分类提出的。

设维空间的个线性可分的两类样本为，，，是类别标号。

它们分布在一个半径为超球范围内，即d n ),(i i y x n i ,,1⋅⋅⋅=dR x ∈}1,1{−+∈y R R v x i ≤−，其中为超球中心。

考虑超平面，如果对所有的都满足v )()(b x w sign x g +⋅=i x 1≥+⋅b x w i ，且c w≤2(2)则所有样本都能够被超平面正确分类1)(≥+⋅⋅b x w y i i ， (3)n i ,,2,1⋅⋅⋅=且该超平面集的VC 维满足下面的界[2]1)],min([2+⋅≤d c R h (4) 可以看出，要使VC 维最小，h 2w 必须最小，满足式(3)且使2w 最小的分类面就是最优分类面。

它是在固定经验风险为0的前提下，寻求最小的置信范围。

过两类样本中离分类面最近的点且平行于最优分类面的超平面上的训练样本就是式(3)中使等号成立的那些样本，它们叫做支持向量(Support Vector)[3]，它们支撑了最优分类面。

考虑线性不可分的情况，有些样本不能被超平面正确分类，因此引入松弛变量0≥i ξ， n i ,,2,1⋅⋅⋅= (5)(3)式变成i i i b x w y ξ−≥+⋅⋅1)(， (6)n i ,,2,1⋅⋅⋅=对w 稍加变形后，问题就变成在式(5)、式(6)的约束下求函数∑=⋅+⋅=ni i C w w w 1)(21),(ξξφ (7)的最小值。

其中为可调参数，它控制对错分样本惩罚的程度，实现在错分样本的比例与算法复杂度之间的折衷C [3]。

为此，引入Lagrange 函数：∑=⋅+⋅=ni i C w w b w L 1)(21),,,,(ξγξα ∑∑==−+−+⋅−ni i i ni i i i i b x w y 111)(ξγξα (8)其中0≥i α，0≥i γ，n i ,,2,1⋅⋅⋅=。

问题是对和b w ,i ξ求Lagrange 函数的极小值。

把式(8)分别对和b w ,i ξ求偏微分并令它们等于0，得到∑==ni i i y 10α (9)∑==ni i i i x y w 1α (10)0=−−i i C γα，n i ,,2,1⋅⋅⋅= (11)从而得到上述问题的对偶问题：在约束条件∑==ni i i y 10α (12)C i ≤≤α0，n i ,,2,1⋅⋅⋅= (13)之下对i α求解下列函数的最大值：∑∑==⋅−=ni nj i j i j i j i i x x y y Q 11,)(21)(αααα (14)这是一个典型的二次优化问题，存在唯一解。

根据优化理论的Kuhn-Tucker 定理[5]，它的解满足0]1)([=−+⋅b x w y i i i α， (15) n i ,,2,1⋅⋅⋅=0=i ξ，n i ,,2,1⋅⋅⋅= (16)因此，若为最优解，则对多数样本将为0，不为0的对应于使式(6)等号成立的样本即支持向量，它们支撑了广义最优分类面。

*i α*i α*i α最后得到广义最优分类函数为})({)(1**∑=+⋅=ni i i i b x x y sign x f α (17)其中为分类的域值，可由任意不等于0的用式(15)求*b *i α得。

3.2 非线性问题(Nonlinear SVM )由式(12)～式(17)可以看出，求取广义线性最优分类函数的过程只涉及到训练样本之间的内积运算。

对于非线性问题，通常用一个由低维空间到高维空间(Hilbert 空间)的非线性映射，把低维空间的非线性问题转化为高维空间的线性问题，并定义高维空间的内积运算为：)(j i x x ⋅dh d R R →⋅:)(ϕ))()((),(j i j i x x x x K ϕϕ⋅= (18) 因此，我们只需知道，而不用关心非线性映射的具体形式。

此时优化函数(14)变为：),(j i x x K dh d R R →⋅:)(ϕ∑∑==−=ni nj i j i j i j i i x x K y y Q 11,),(21)(αααα (19) 而判别函数(17)也变为：}),({)(1**∑=+=ni i i i b x x K y sign x f α (20)其中可由任意不等于0的用下式求得。

*b *i α0]1)),(([1=−+∑=nj i j j j i i b x x K y y αα (21)算法的其他条件均不变，这就是支持向量机。

),(j i x x K 称为核函数，它可以是满足Mercer 条件的任意对称函数[6]，常用的核函数有：(1) 多项式核函数q j i j i x x x x K )1(),(+⋅=，⋅⋅⋅=,2,1q (22)(2) 径向基(Radial Basis Function, RBF)核函数}2exp{),(22σj i j i x x x x K −−= (23)(3) S 形(Sigmoid)核函数))(tanh(),(c x x x x K j i j i +⋅⋅=υ (24)综上，支持向量机的基本思想可以概括为：首先通过非线性变换将输入空间变换到一个高维空间，然后在这个新空间中求取最优或是广义最优线性分类面，而这种非线性变换是通过定义适当的内积函数实现的[3]。