時(shí)艷玲 劉子鵬 賈邦玲

(南京郵電大學(xué)通信與信息工程學(xué)院, 江蘇南京 210003)

1 引言

海雜波中小目標(biāo)分類問(wèn)題一直以來(lái)都是國(guó)內(nèi)外研究的熱點(diǎn)與難點(diǎn)。海雜波具有的非高斯、非線性和非平穩(wěn)特性,使得實(shí)際海雜波偏離假設(shè)的統(tǒng)計(jì)模型分布,從而造成了恒虛警檢測(cè)器性能嚴(yán)重下降[1-4]。隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展,越來(lái)越多的學(xué)者結(jié)合改進(jìn)的機(jī)器學(xué)習(xí)算法對(duì)海雜波和目標(biāo)進(jìn)行智能化處理和研究。其中,機(jī)器學(xué)習(xí)方法在雜波分類以及海雜波抑制[5-10]方面得到了較為成功的應(yīng)用。行鴻彥等人通過(guò)遺傳算法優(yōu)化支持向量機(jī)中的懲罰系數(shù)和核函數(shù)參數(shù),并結(jié)合支持向量機(jī)建立混沌序列的單步預(yù)測(cè)模型,提高了目標(biāo)的分類識(shí)別性能[11]。徐雅楠等人利用CNN在一維雷達(dá)回波信號(hào)中進(jìn)行海雜波與噪聲分類的可行性,并同步分析了數(shù)據(jù)預(yù)處理、單個(gè)樣本序列長(zhǎng)度、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)等影響因素對(duì)分類準(zhǔn)確率的影響,其所提出的LeNet卷積神經(jīng)網(wǎng)絡(luò)在海面小目標(biāo)分類方面,具有很高的分類準(zhǔn)確率[12]。然而在海雜波和目標(biāo)的分類研究中,通常情況下,海雜波樣本數(shù)目遠(yuǎn)大于目標(biāo)樣本的數(shù)目,一般的分類方法難以處理這種樣本不平衡的情況。提取合適的特征以及采取行之有效的分類方法依舊是現(xiàn)今分類研究中的難題。

由此,本文提出了一種新的海面小目標(biāo)分類方法。首先,本文從極化域提取特征,由對(duì)目標(biāo)散射特性的研究表明,小目標(biāo)的主要散射成分是球面散射和雙平面散射以及螺旋散射,而雜波的散射機(jī)理是多種多樣的,并受海況的影響[13-14]。因此,本文借鑒了文獻(xiàn)[15]所提取的Krogager極化分解提取球體、雙平面散射和螺旋散射分量的歸一化相對(duì)功率[15]。然后從時(shí)域提取相對(duì)平均幅度特征[16],從頻域提取非廣延熵特征[17]。為了解決雜波和目標(biāo)樣本不平衡以及特征混疊的問(wèn)題,本文提出了一種K-means和SVM相結(jié)合的方法來(lái)進(jìn)行雜波特征和目標(biāo)特征的分類。首先將大量的海雜波樣本細(xì)分為小規(guī)模的不同種類的海雜波樣本,弱化雜波樣本和目標(biāo)樣本之間的數(shù)量不平衡問(wèn)題,有效減少目標(biāo)和雜波的混疊造成的影響,然后再使用支持向量機(jī)來(lái)進(jìn)行多分類,從而達(dá)到精確分類的效果。最后,將本文提出的方法與常規(guī)的分類方法作對(duì)比,發(fā)現(xiàn)本文的方法有較為明顯的優(yōu)勢(shì)。

論文的創(chuàng)新為:第一,從多域提取特征,克服單特征提取時(shí)海雜波和目標(biāo)特征區(qū)分性差的難題。第二,設(shè)計(jì)了一種K均值和SVM結(jié)合的分類器,通過(guò)將海雜波樣本進(jìn)行K均值動(dòng)態(tài)聚類,將原本屬于一類的海雜波樣本分成多類,然后再將多類海雜波樣本與目標(biāo)樣本進(jìn)行SVM分類,解決因海雜波特征的樣本數(shù)目遠(yuǎn)大于目標(biāo)樣本數(shù)目以及海雜波特征的局部聚集性而造成的樣本不平衡和特征混疊的問(wèn)題。

論文的結(jié)構(gòu)安排如下:第2節(jié),簡(jiǎn)單介紹多域特征的提取方法;第3節(jié),設(shè)計(jì)一種K均值和支持向量機(jī)(SVM)結(jié)合的分類算法;第4節(jié),根據(jù)實(shí)測(cè)數(shù)據(jù)對(duì)算法進(jìn)行驗(yàn)證并與其他算法對(duì)比,第5節(jié),總結(jié)了全文。

2 極化特征提取

假設(shè)雷達(dá)天線的接收回波經(jīng)混頻、中頻采樣、脈壓后獲得N維脈沖信號(hào)為xc=[xc(1),…,xc(n),…,xc(N)],其中,下標(biāo)c={HH,VV,HV,VH},c{1}={HH},c{2}={VV},c{3}={HV},c{4}={VH},表示四種極化方式。在特征提取的過(guò)程中需要利用待檢測(cè)單元樣本和參考單元樣本,我們把待檢測(cè)單元樣本記為:xc,?=[xc,?(1),…,xc,?(n),…,xc,?(N)],將參考單元樣本記為:xc,i=[xc,i(1),…,xc,i(n),…,xc,i(N)],?表示待檢測(cè)單元,i=1,2,...,I表示參考單元。雷達(dá)回波示意圖如圖1所示。

圖1 雷達(dá)回波數(shù)據(jù)示意圖Fig.1 Schematic of radar echo data

為了便于后文對(duì)海雜波和目標(biāo)進(jìn)行分類研究,我們首先提取海雜波與目標(biāo)在多域的差異性特征,包括相對(duì)散射功率特征、相對(duì)平均幅度特征和非廣延熵特征,下面將具體說(shuō)明。

2.1 相對(duì)散射功率特征提取

Krogager分解是一種典型的基于復(fù)雜辛克萊矩陣的相干分解方法。Krogager分解的核心是三個(gè)相干分量分別對(duì)應(yīng)于球體(相當(dāng)于平板和三面體)、雙平面和螺旋在旋轉(zhuǎn)角度變化下的散射。設(shè)xc,?=[xc,?(1),…,xc,?(n),…,xc,?(N)]為待檢測(cè)單元的N維時(shí)間序列,可得待檢測(cè)單元的極化分解公式如下:

(1)

其中,j是虛單位,根據(jù)上式,可以得到如下三個(gè)系數(shù):

(2)

ks,?、kd,?和kh,?反映了待檢測(cè)單元回波的極化散射矩陣中球體、雙平面和螺旋散射的比例。依據(jù)公式(1)和(2),我們也可以得到參考單元回波的極化散射矩陣中球體、雙平面和螺旋散射的比例,即ks,i、kd,i和kh,i?；谶@六個(gè)實(shí)系數(shù),可以得到這三種散射體在回波中的歸一化散射功率如下:

(3)

其中,i=1,…,I,I是參考距離單元的總數(shù)。在此三種歸一化散射功率的基礎(chǔ)上,由于對(duì)小目標(biāo)散射特性的未知性,無(wú)法確定哪種散射功率占優(yōu),故本文將這三種歸一化散射功率取平均,提出一個(gè)均值歸一化散射功率(Average Power, AP),計(jì)算方式如下:

(4)

2.2 相對(duì)平均幅度特征提取

相對(duì)平均幅度(Relative Average Amplitude, RAA)特征是從時(shí)域提取的區(qū)分回波強(qiáng)度大小的特征。脈沖長(zhǎng)度為N的待檢測(cè)單元回波xc,?(n),其平均幅度的定義如下:

(5)

(6)

其中,I是參考距離單元的總數(shù)。

對(duì)于全極化信道回波數(shù)據(jù),為了匹配多極化分解特征,本文將四種極化方式下相對(duì)平均幅度取平均運(yùn)算,于是將平均RAA(Average Relative Average Amplitude, ARAA)定義為提取的特征:

(7)

其中,c表示雷達(dá)回波的極化方式。

2.3 非廣延熵特征提取

非廣延熵(Tsallis Entropy, TE)是香農(nóng)熵的變形,通過(guò)設(shè)定非廣延參數(shù)q來(lái)調(diào)整系統(tǒng)的非線性動(dòng)力學(xué)特征的反映情況。脈沖長(zhǎng)度為N的待檢測(cè)單元回波xc,?(n),其多普勒譜概率密度函數(shù)可以表示為pγ,c,?

(8)

其中,X(γ)是x(n)的快速傅里葉變換,

(9)

則TE的Sc,?的定義如下:

(10)

其中,非廣延參數(shù)q是基于多普勒譜的Tsallis熵的階數(shù)。

對(duì)于全極化信道回波數(shù)據(jù),同樣我們將四種極化方式下非廣延熵取平均運(yùn)算,本文將平均TE(Average Tsallis Entropy,ATE)定義為提取的特征:

(11)

故本文提出的特征向量為:

g=[θAP,θARAA,θATE]T

(12)

構(gòu)成了三維特征空間,其中,上標(biāo)T表示轉(zhuǎn)置。

3 聚類-分類算法

針對(duì)本文所提出的特征及其分布情況,體現(xiàn)出如下兩個(gè)問(wèn)題:第一,海雜波和目標(biāo)在此三個(gè)維度的分布并不是非常聚集的,尤其是目標(biāo)特征的分布。雜波特征在三維空間的分布較聚集,目標(biāo)特征在三維空間的分布較為分散,于是,目標(biāo)和雜波在三維空間的區(qū)分度較差。第二,本文得到的海雜波樣本數(shù)目要遠(yuǎn)大于目標(biāo)樣本(10倍以上),且僅針對(duì)雜波特征樣本,又存在著比較顯著的特征值和聚集度的差異,有些特征值較大,有些特征值較小,有些特征樣本比較集中,有些特征樣本較為分散。這些雜波特征樣本之間的差異性,則造成了分類結(jié)果的偏差性。

針對(duì)上述兩個(gè)主要的問(wèn)題,又結(jié)合海雜波具有遍歷性、目標(biāo)具有非遍歷性這一特征,本文將大量的海雜波樣本細(xì)分為小規(guī)模的不同種類的海雜波樣本,從而使得雜波與目標(biāo)之間的樣本不平衡得到弱化,然后本文使用支持向量機(jī)來(lái)進(jìn)行多分類,這樣又可以使目標(biāo)和雜波樣本在局部分類上得到改善。

3.1 K-means聚類

針對(duì)海雜波特征樣本的分布情況,本文采用K-means聚類算法將海雜波樣本分成多個(gè)不同簇的雜波樣本。采用K-means聚類算法可以使得簇內(nèi)的雜波樣本的相似度極高,而不同簇間的雜波樣本相似度低,這樣相似度高的樣本聚為一類,提升了類與類之間的差異性,便于進(jìn)行后續(xù)的分類。同時(shí),K-means算法簡(jiǎn)單快速,可收縮性好,具有高效性。

三維特征空間中的m個(gè)樣本gm,m=1,2,…,M構(gòu)成了特征矩陣G,其維數(shù)為3×M,記為,

G=[g1,g2,…,gm,…,gM]

(13)

K-means算法是三維特征的聚類,采取歐式距離計(jì)算樣本之間的距離,距離公式如下:

d(gm1,gm2)=||gm1-gm2||2

(14)

其中,m1=1,2,…,M,m2=1,2,…,M。距離越小,兩樣本屬于同一類的可能性就越高。根據(jù)此公式,計(jì)算出每一個(gè)樣本與各個(gè)簇中心的距離。

3.2 SVM算法簡(jiǎn)介

SVM是一種基于統(tǒng)計(jì)學(xué)理論的分類方法,隨著理論基礎(chǔ)的完善,它在小樣本、非線性高維度等數(shù)據(jù)處理方面應(yīng)用廣泛。它的主要思想是通過(guò)類別的最大間隔化,使得分隔具有最大的可信度,并且對(duì)未知樣本具有較強(qiáng)的泛化能力,算法可以轉(zhuǎn)化為一個(gè)求解凸二次規(guī)劃問(wèn)題,通過(guò)求解局部最優(yōu)點(diǎn),得到最佳的支持向量,核函數(shù)的使用巧妙避免了數(shù)據(jù)非線性的問(wèn)題。對(duì)于線性不可分的情況,SVM的主要思想是將輸入向量映射到一個(gè)高維的特征向量空間,并在該特征空間中構(gòu)造最優(yōu)分類面。將g作非線性映射φ:Rn→H,H為高維特征空間,則有:

g→φ(g)=(φ(g1),φ(g2),…,φ(gM))T

(15)

則可以得到最優(yōu)分類函數(shù)為:

(16)

其中,gm,m=1,2,…,M為輸入樣本,ym∈{+1,-1}為兩類數(shù)據(jù)的類別值,αm>0為 Lagrange系數(shù),b為超平面截距。

3.3 K-means-SVM算法流程

根據(jù)上一節(jié),分析了海雜波特征樣本的可分性,下面本文結(jié)合K-means算法與支持向量機(jī)對(duì)本文所提出的目標(biāo)和雜波的特征進(jìn)行分類。具體步驟如下:

第1步設(shè)定訓(xùn)練集和測(cè)試集。從雜波樣本和目標(biāo)樣本中各隨機(jī)選取一半作為訓(xùn)練集,剩下的一半作為測(cè)試集。

第2步將訓(xùn)練集中的雜波樣本進(jìn)行K-means聚類,聚類的簇?cái)?shù)為K(實(shí)驗(yàn)中本文設(shè)K=3),獲得各個(gè)樣本簇{Ck},k=1,…,K,簇的中心tk,k=1,…,K。將聚類后的雜波樣本集與目標(biāo)樣本{T}進(jìn)行一一組合得到多個(gè)訓(xùn)練集Train1={C1,T},Train2={C2,T},…, TrainK={CK,T},并設(shè)置訓(xùn)練集的標(biāo)簽。

第3步對(duì)訓(xùn)練集采用SVM進(jìn)行訓(xùn)練,獲得訓(xùn)練模型{Model1},{Model2},…, {ModelK}。

第5步利用訓(xùn)練所得的模型進(jìn)行測(cè)試,并統(tǒng)計(jì)分類的各項(xiàng)指標(biāo)。

具體流程圖如圖2所示。

圖2 K-means聚類結(jié)合SVM分類流程圖Fig.2 The flow chart of K-means cluster combined with SVM classifier

4 實(shí)驗(yàn)結(jié)果驗(yàn)證

本文采用IPIX雷達(dá)數(shù)據(jù)庫(kù)駐留模式下的4組實(shí)測(cè)雷達(dá)數(shù)據(jù)[18],其數(shù)據(jù)說(shuō)明見(jiàn)表1。其中,該4組數(shù)據(jù)每組由14個(gè)相鄰距離單元組成,距離分辨率為15 m,每個(gè)距離單元采樣點(diǎn)數(shù)為131 072(即131.072 s),目標(biāo)是用金屬絲網(wǎng)包裹、直徑約1 m的聚苯乙烯泡沫塑料球。目標(biāo)所在的距離單元稱為目標(biāo)單元,目標(biāo)單元周圍的兩個(gè)或三個(gè)單元受漂浮目標(biāo)的影響,稱為受影響單元,其他距離單元稱為雜波單元或者參考單元。

表1 IPIX雷達(dá)數(shù)據(jù)

圖3所示為1號(hào)數(shù)據(jù)的HH極化下的幅度圖,第9個(gè)距離單元為目標(biāo)所在單元,第8、10、11單元為受影響單元,其余單元為雜波單元。每個(gè)距離單元的長(zhǎng)度為131.072 s。

圖3 1號(hào)數(shù)據(jù)HH極化幅度圖Fig.3 The HH polarization amplitude diagram of No.1 data

4.1 特征可行性及可視化

本文首先給出1號(hào)(#17)數(shù)據(jù)提取的三種特征分布結(jié)果,以驗(yàn)證純雜波和目標(biāo)的AP、ARAA和ATE三個(gè)特征的可分離性。觀測(cè)時(shí)間設(shè)置為0.128 s,即N=128,每個(gè)數(shù)據(jù)集分為1024段。實(shí)驗(yàn)在有目標(biāo)單元(第9個(gè)距離單元)和無(wú)目標(biāo)單元(第1個(gè)距離單元)分別運(yùn)行了1000次,特征分布圖如圖4所示。

圖4 特征歸一化后的箱線圖Fig.4 The boxplot of the normalized features

圖4是目標(biāo)和雜波三種特征分布的箱線圖,其中斜線框表示25%～75%的特征聚集區(qū),1.5IQR表示四分位差的1.5倍,水平直線表示特征分布的水平線,黑點(diǎn)表示特征分布的均值。由圖4可知,目標(biāo)單元的AP和ARAA平均值都大于雜波單元的平均值。而目標(biāo)的ATE的平均值小于雜波單元的平均值。在這三種特征中,雜波特征偏離平均值的程度要遠(yuǎn)小于目標(biāo)偏離平均值的程度,說(shuō)明雜波特征的聚集性更好,目標(biāo)特征的聚集性較分散。圖4中,目標(biāo)和雜波特征的中位數(shù)也存在著較大的差異。所以,可以借助特征均值、特征聚集性和特征的中位數(shù)來(lái)區(qū)分目標(biāo)與雜波。

圖5給出了純海雜波和目標(biāo)之間的三個(gè)特征的歸一化三維分布圖。從圖中可以看出,雜波特征主要分布在三維空間的上方,而目標(biāo)特征松散地分布在三維空間中間和下方,這說(shuō)明本文所提出的特征能夠比較顯著地描繪純海雜波和目標(biāo)之間的差異。

圖5 雜波和目標(biāo)的歸一化特征三維分布圖Fig.5 Three-dimensional distribution of normalized features of clutter and target

4.2 K均值算法驗(yàn)證

基于K-means算法,針對(duì)圖5所示的海雜波在三維空間的分布,本文對(duì)所提取的雜波特征樣本集進(jìn)行聚類,聚類的雜波簇個(gè)數(shù)K并不是越小越好,需要兼顧雜波簇自身的聚集性。若K值過(guò)大則使得某些雜波簇的樣本數(shù)目過(guò)少甚至僅有數(shù)十個(gè),不利于后續(xù)分類,而K過(guò)小又會(huì)使某些雜波簇的樣本數(shù)目過(guò)大,達(dá)不到弱化雜波樣本和目標(biāo)樣本之間的數(shù)量不平衡問(wèn)題的效果,從而導(dǎo)致分類偏差。所以在綜合考慮和大量實(shí)驗(yàn)下,本文將簇個(gè)數(shù)K設(shè)置為3。1號(hào)數(shù)據(jù)的雜波聚類結(jié)果如下圖6所示。

圖6 雜波簇的分布情況Fig.6 The distribution of each cluster of clutter

由圖6可知,雜波樣本集共分為3個(gè)簇,簇間的差異比較明顯,雜波簇1非常集中,其整體特征值集中在特征空間左上角附近,大量的樣本都被聚類到雜波簇1中,雜波簇2相對(duì)均勻的分布在空間內(nèi),雜波簇3則非常松散的分布在較大的空間上,少量的樣本被聚類到雜波簇3中。由此可以看出,本文所采用的K-means算法能卓有成效對(duì)海雜波進(jìn)行聚類。

4.3 分類性能分析

本文通過(guò)在IPIX的4組數(shù)據(jù)集上展示數(shù)值結(jié)果來(lái)演示本文的檢測(cè)方法的性能。每個(gè)特征單元的觀測(cè)時(shí)間設(shè)置為0.128 s,即每個(gè)特征單元內(nèi)的脈沖數(shù)為128個(gè),每個(gè)距離單元采樣量為1024,每組數(shù)據(jù)的雜波樣本總數(shù)為10240,目標(biāo)樣本總數(shù)為1024。實(shí)驗(yàn)參數(shù)設(shè)置聚類簇?cái)?shù)K=3,利用MATLAB工具箱libsvm[19]進(jìn)行訓(xùn)練和分類。

利用本文提取的特征,本文又進(jìn)行了幾種分類算法的對(duì)比實(shí)驗(yàn)。為了衡量分類效果,本文設(shè)置了幾個(gè)評(píng)價(jià)標(biāo)準(zhǔn):正確率、虛警率、精確率、召回率以及F1測(cè)度,其定義為

(17)

F1測(cè)度主要從精確率和召回率上衡量分類效果,當(dāng)精確率與召回率都為1時(shí),F1測(cè)度為1。F1測(cè)度的值越近1,分類效果越好。

本文采用邏輯回歸[20](Logistic Regression, LR)、CART(Classification and Regression Trees, CART)和SVM作為對(duì)比算法,其中:

CART中采用GINI系數(shù)作為節(jié)點(diǎn)的分裂屬性[21],其公式如下:

(18)

其中,pk是某一樣本集中樣本屬于類Ck的概率。

表2 1號(hào)數(shù)據(jù)4種分類算法的對(duì)比

表3 2號(hào)數(shù)據(jù)4種分類算法的對(duì)比

表4 3號(hào)數(shù)據(jù)4種分類算法的對(duì)比

由表2～表5可以看出,本文所提出的算法有明顯優(yōu)勢(shì)。雖然在K-means聚類之后,海雜波簇內(nèi)的樣本數(shù)目仍然多于目標(biāo)的樣本數(shù)目,但是這種削弱樣本不平衡的方法一定程度上保留了某些海雜波之間的聚集共性,從實(shí)際數(shù)據(jù)上來(lái)看也達(dá)到了預(yù)期的效果。從召回率和漏警率上來(lái)看,本文所提出的方法有明顯的優(yōu)勢(shì),這說(shuō)明相比于其他分類算法,本文所提出的算法中有更少的目標(biāo)被錯(cuò)判成雜波;結(jié)合精確率和召回率的F1測(cè)度比其他分類方法存在顯著優(yōu)勢(shì),這更說(shuō)明了本文的方法在預(yù)測(cè)為目標(biāo)的類中存在非常少的誤判。

表5 4號(hào)數(shù)據(jù)4種分類算法的對(duì)比

通常海雜波特征樣本數(shù)要遠(yuǎn)大于目標(biāo)特征樣本數(shù),本文所采用的K-means-SVM將大量的海雜波樣本細(xì)分為小規(guī)模的不同種類的海雜波樣本,從而使得雜波與目標(biāo)之間的樣本不平衡得到弱化,可以有效使用SVM分類,同時(shí)使用多分類可以獲得雜波與目標(biāo)樣本之間的多個(gè)分類平面,弱化混疊帶來(lái)的影響。相對(duì)于邏輯回歸來(lái)說(shuō),K-means-SVM的分類精度要好,主要原因是邏輯回歸主要解決線性可分的問(wèn)題,難以處理特征之間相關(guān)情況,這使得應(yīng)用到本文所提出的特征空間上分類效果和精度一般。CART中的分類樹(shù)選取GINI指數(shù)作為分裂屬性,它可以更好的度量非均勻的分布,由圖5可以看出,目標(biāo)的分布相對(duì)于雜波特征的分布而言要更加地松散、不均勻,因此在對(duì)比算法中,CART分類得到的召回率要高于其他幾種方法,然而在分類的精確率效果要差很多,導(dǎo)致在F1測(cè)度上表現(xiàn)很差。SVM在二分類的處理上有著明顯的優(yōu)勢(shì),在準(zhǔn)確率、精確率以及虛警率上性能很好,但在樣本不平衡的情況下,很難處理樣本數(shù)較少的目標(biāo)樣本,這使得目標(biāo)樣本中存在更多的誤判。綜上所述,本文所采用的方法在處理海雜波特征空間的分類時(shí)具有比較明顯的優(yōu)勢(shì)。

5 結(jié)論

本文針對(duì)海雜波和目標(biāo)的樣本非平衡下問(wèn)題,提出了一種的K-means聚類和SVM分類相結(jié)合的海雜波弱目標(biāo)分類算法。首先通過(guò)Krogager分解提取了球體散射、雙平面散射和螺旋散射的歸一化功率特征,然后從時(shí)域提取了相對(duì)平均幅度特征,從頻域提取了非廣延熵特征。接著,將提取的三個(gè)特征構(gòu)造特征矩陣。針對(duì)目標(biāo)特征在三維空間的分散性和目標(biāo)特征與雜波特征的樣本不平衡性,我們提出一種先聚類再分類的方法,實(shí)現(xiàn)目標(biāo)和雜波特征的精確分類。即,先對(duì)樣本數(shù)量多的雜波特征采用K-means進(jìn)行聚類,將其分成多個(gè)不同簇,然后再將已分好的簇與目標(biāo)特征結(jié)合作為訓(xùn)練集來(lái)訓(xùn)練模型;針對(duì)測(cè)試集,我們采用了同樣的操作,即將測(cè)試集里的雜波特征采用K-means進(jìn)行聚類,借助訓(xùn)練集的聚類中心作為測(cè)試集的初始聚類中心將其分成多個(gè)不同簇,所得各簇與目標(biāo)樣本組成多個(gè)測(cè)試集,最后進(jìn)入訓(xùn)練好模型的分類檢測(cè)器。通過(guò)實(shí)驗(yàn)驗(yàn)證,本文提出的方法有較好的精確率和召回率,在F1測(cè)度的表現(xiàn)上好于其他分類算法。最后,提取目標(biāo)和雜波之間差異明顯的特征和改進(jìn)分類方法以及采取更加優(yōu)秀的機(jī)器學(xué)習(xí)算法也是本文以后學(xué)習(xí)和研究的目標(biāo)。