(空军预警学院,湖北武汉430019)

0 引言

在雷达辐射源信号分选识别研究中,SVM以其较强的训练和识别能力得以广泛应用,其原理是通过核函数将样本从不可分的低维空间映射至可分的高维空间中,实现非线性不可分问题向线性可分问题的转化[1]。但实际应用中,SVM中核函数性能各异,且对不同的模型参数有着不同的学习感知能力,因此,对核函数性能进行有效评估已显得尤为重要。

当前,常用的核函数有线性核(Linear)、多项式核(Poly)、高斯核(RBF)、多层感知核(Sigmoid)以及多项式核与高斯核凸组合的核函数(Pobf)。在常用的评估方法中,K-CV和LOO及其评估上界[2-5]是一种基于分类器的核函数评估方法,主要通过将特征参数分为K组,取K-1组进行训练,剩下一组进行测试,并将此过程循环K次,最终将测试结果误差作为SVM的评估准则,但是LOO法误差计算过程繁杂、开销较大,难以适用实际需求;文献[6]提出了一种依据识别结果综合应用多种统计量的评估方法,包括配对t测试方法、纠正重复采样t测试方法,该类方法将统计方法运用其中,却存在着计算量大、难以满足实际应用需求的弊端;核排列、核极化、局部核极化[7-10]是几种常用的独立于分类器的核函数评估方法,这类方法更多地关注了核函数对样本从低维空间映射到高维空间的实际分类能力,但并未考虑到核函数的泛化性能。这些方法在对核函数进行评估时,仅从某一方面对核函数进行评估,并不具备全面性。因此,后续的研究者们又提出了一种基于多指标的核函数评估方法[11],以可分离性、稳定性和复杂性为指标,并通过Mercer理论[12]来对各指标进行度量。……