روشی جدید برای بهبود کلاس‌بندی اهداف هوایی راداری توسط کرنل‌های مختلف ماشین بردار پشتیبان

نویسندگان

کلاس بندی

چکیده

امروزه مبحث کلاس‌بندی اهداف هوایی اهمیت روزافزونی یافته است و روش‌های مختلفی برای رسیدن به این هدف مورد استفاده قرار می-گیرد. ماشین بردار پشتیبان از جمله جدیدترین روش‌های مورد استفاده در این حوزه می‌باشد. در این مقاله برای کلاس‌بندی سه هدف جنگنده، هواپیمای مسافربری و هلی‌کوپتر از سه روش کلاس‌بندی چند کلاسه ماشین بردار پشتیبان شامل روش یکی در برابر یکی، یکی در برابر همه و گراف غیرچرخشی جهت‌دار پیشنهاد شده است و به دلیل اینکه کلاس‌ها به طور خطی به خوبی قابل تفکیک نبودند، از ایده توابع کرنل مثل چند جمله‌ای، خطی، مرتبه دوم و تابع پایه شعاعی استفاده شده است. با توجه به نتایج به دست آمده از شبیه‌سازی سه روش مذکور، روش گراف
غیرچرخشی جهت‌دار با توابع کرنل مختلف دارای بهترین عملکرد است. همچنین روش یکی در برابر همه با کرنل RBF و مجذوری بهتر از روش یکی در برابر یکی با توابع کرنل مختلف عمل می‌کند. در این مقاله سرعت اجرای سه روش نیز مورد بررسی قرار گرفته است و نتایج به دست آمده نشان می‌دهد که سه روش دارای سرعت اجرای یکسانی می‌باشند. بنابراین به منظور کلاس‌بندی اهداف فوق، روش گراف غیرچرخشی جهت‌دار که دارای دقت بهتری می‌باشد، پیشنهاد شده است.

کلیدواژه‌ها


عنوان مقاله [English]

New Method to Improve Classification of Radar Object by Different Kernel of Support Vector Machine

نویسندگان [English]

  • Alavi
  • M. Hajimohammadi
  • M. H. Rezayati
چکیده [English]

Today, the importance of classification of radar object has drastically grown and numerous methods have been applied to achieve this goal. Support Vector Machine (SVM) stands among the newest methods on this subject. Herein, three different types of SVM methods have been suggested for fighter, airplane and helicopter including on-vs-one method, one-vs-rest method and directional acyclic graph method. Since these methods were not sufficiently capable of being distinctive in a linear way, some concepts of Kernel function such as polynomial, linear, quadratic and basic radial function have been used. Directional acyclic graph method using Kernel function yielded the best results according to the outputs obtained from simulation. One-vs-rest method using RBF and quadratic Kernel as well, was more adapted than on-vs-one method. The run time of performing these three methods is also deeply verified. The results showed a similar run time for all the three. Hence, to classify the noted goal, the method of directional acyclic graph is proposed as it manifests the most optimized performance in terms of accuracy.

کلیدواژه‌ها [English]

  • Support vector machine
  • Direct Non-Acyclic Graph
  • Multiclasses Classification Support Vector Machine
  • Kernel Function