Page 169 - 201903

第 38 卷 第 3 期 严良涛等： 基于核的 k-最近邻在水下目标识别中的应用
从图 2 可看出，k = 8 时识别正确率最高约为
88%，实际值为88.23%。
2.3 验证与比较
根据2.1节和2.2节得到的最优d 、C 及k 值，将
′
测试样本T (22×40) 进行分类并与各样本类别标签进
行对比得出识别正确率，同时计算每个测试样本识
别过程的消耗时间 t。与传统线性 k-NN 和 BP 神经
网络分类器的比较如表3所示。
表 3 基于核的 k-NN、k-NN 和 BP 神经网络分
类器性能比较
Table 3 The performance comparison of
k-NN based on Kernel, k-NN and BP neu-
ral network
正确率
分类器
A 类 B 类 C 类 D 类 平均正确率 平均耗时/s
基于核的 k-NN 85% 90% 80% 85% 85%
k-NN 80% 75% 70% 70% 73.75%
BP 神经网络 85% 85% 90% 90% 87.5%
由表 3 可知，基于核的 k-NN 分类器的平均识
别正确率为 85%，高于 k-NN 分类器 11.25%，低于
BP 神经网络分类器 2.5%；平均耗时为 22.562 s，高
于 k-NN 分类器 4.144 s，低于 BP 神经网络分类器
33.908 s。BP 神经网络分类器平均识别正确率虽略
高于本文基于核的 k-NN 分类器，但其平均耗时超
出基于核的 k-NN 分类器一倍多；k-NN 分类器的平
均耗时略小于基于核的 k-NN 分类器，在可接受范
围内，但其平均识别正确率相对于基于核的 k-NN
分类器过低。所以得出结论：相对于k-NN分类器和
BP 神经网络分类器，基于核的 k-NN 分类器综合性
能更优。
3 结论
本文利用 Kernel 技巧将原始空间数据映射至
高维特征空间，实现了原始空间的非线性耦合数据
在高维特征空间的线性可分，有效解决了水下目标
特征数据非线性不可分的问题。并采用 PCA 对特
451
征数据矩阵进行降维，利用 k-NN进行分类识别，形
成了基于核的 k-NN 水下目标识别方法。通过与传
统k-NN和BP 神经网络分类器对比，说明了基于核
的k-NN分类器性能的优越性。
参 考 文 献
[1] 葛青. 水下目标识别中的数据融合技术 [D]. 哈尔滨: 哈尔滨
工程大学, 2008.
[2] 郭戈, 王兴凯, 徐慧朴. 基于声呐图像的水下目标检测、识别与
跟踪研究综述 [J]. 控制与决策, 2018, 33(5): 906–922.
Guo Ge, Wang Xingkai, Xu Huipu. Review on underwater
target detection, recognition and tracking based on sonar
image[J]. Control and Decision, 2018, 33(5): 906–922.
[3] 王用, 张杰. 基于数据统计的雷达目标类型识别问题研究 [J].
信息系统工程, 2018(5): 19.
[4] 宋达. 基于深度学习的水下目标识别方法研究 [D]. 成都: 电
子科技大学, 2018.
22.561 [5] 胡光波, 梁红, 徐骞. 舰船辐射噪声混沌特征提取方法研究 [J].
计算机仿真, 2011, 28(2): 22–24, 34.
18.417
Hu Guangbo, Liang Hong, Xu Qian. Research on chaotic
52.325 feature extraction of ship radiated noise[J]. Computer
Simulation, 2011, 28(2): 22–24, 34.
[6] 刘松华, 张军英, 许进, 等. Kernel-kNN: 基于信息能度量的
核 k-最近邻算法 [J]. 自动化学报, 2010, 36(12): 1681–1688.
Liu Songhua, Zhang Junying, Xu Jin, et al. Kernel-kNN:
a new kNN algorithm based on informational energy met-
ric[J]. Acta Automatica Sinica, 2010, 36(12): 1681–1688.
[7] Schölkopf B. Kernel PCA and de-noising in feature
spaces[J]. Advances in Neural Information Processing Sys-
tems, 1999, 11: 536542.
[8] Kung S Y. Kernel methods and machine learning[M].
Cambridge: Cambridge University Press, 2014.
[9] 李振, 李伟光, 赵学智, 等. 基于主成分分析的特征频率提取算
法及应用 [J]. 振动、测试与诊断, 2018, 38(4): 834–842, 879.
[10] 李虹, 徐小力, 吴国新, 等. 基于 MFCC 的语音情感特征提取
研究 [J]. 电子测量与仪器学报, 2017, 31(3): 448–453.
Li Hong, Xu Xiaoli, Wu Guoxin, et al. Research on speech
emotion feature extraction based on MFCC[J]. Journal
of Electronic Measurement and Instrumentation, 2017,
31(3): 448–453.
[11] 武优西, 郭磊, 柴欣, 等. 基于优化算法的核函数参数选择的
研究 [J]. 计算机应用与软件, 2010, 27(1): 137–140.
Wu Youxi, Guo Lei, Cai Xin, et al. On parameter
selection of kernel function based on optimization al-
gorithm[J]. Computer Applications and Software, 2010,
27(1): 137–140.