Page 166 - 201903

第 38 卷 第 3 期 Vol. 38, No. 3
2019 年 5 月 Journal of Applied Acoustics May, 2019

⋄ 研究报告 ⋄

基于核的k-最近邻在水下目标识别中的应用 ∗

严良涛 1† 项晓丽 2

(1 中国人民解放军 91388 部队 湛江 524022)
(2 广州杰赛科技股份有限公司 广州 510220)

摘要 针对水下目标特征类型多、非线性强的特点，该文将基于核的 k-最近邻应用于水下目标识别。该方法采
用主成分分析对特征矩阵进行降维，利用核函数技巧将降维后的特征映射到高维空间进行 k-最近邻分类识别，
并讨论了邻近点个数 k 对实验结果的影响。实际实验数据验证结果表明：与传统的 k-最近邻和 BP 神经网络
分类器相比，基于核的 k-最近邻分类器的综合性能更优。
关键词 水下目标识别，k-最近邻，主成分分析，核函数
中图法分类号: TP391.4 文献标识码: A 文章编号: 1000-310X(2019)03-0448-04
DOI: 10.11684/j.issn.1000-310X.2019.03.023

Application of k-NN based on Kernel in underwater target recognition

YAN Liangtao 1 XIANG Xiaoli 2

(1 Military Unit 91388 of PLA, Zhanjiang 524022, China)

(2 Gci Science & Technology Co., Ltd., Guangzhou 510220, China)

Abstract The targets underwater have many features and strong nonlinearity, this paper applies the k-nearest
neighbor (k-NN) based on Kernel to underwater target recognition. This method uses principal components
analysis (PCA) to reduce the dimension of the feature matrix. Then the Kernel technique is used to map the
reduced dimension to the high-dimensional space for k-NN classification and recognition. The influence of the
number k of adjacent points on the test results is discussed. The result of actual experimental data shows that
the classifier has better overall performance than the traditional k-NN and BP neural network classifiers.
Key words Underwater target recognition, k-nearest neighbor, Principal components analysis, Kernel

的影响使声呐接收的噪声信号都是相互耦合、调制

0 引言 甚至畸变的，因此研究者们提出了多种特征提取方
法 [2−4] ，试图从不同角度得到噪声信号的特征，但

水下辐射声场和水声信道的复杂性是造成水 水下环境的复杂性决定了这些特征必然呈现强非
下目标识别难度大的根本原因 [1] 。这两方面因素 线性 [5] 。在目标识别过程中，为保证识别的正确率
2018-10-14 收稿; 2018-12-29 定稿
国家自然科学基金项目 (11774374)
∗
作者简介: 严良涛 (1989- ), 男, 江西南昌人, 硕士, 研究方向: 智能水下目标识别。
† 通讯作者 E-mail: xxlylt@sina.cn