(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210659933.6 (22)申请日 2022.06.13 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 赵德群　马婧妍　邓钱华　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 专利代理师 王兆波 (51)Int.Cl. G01D 21/02(2006.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/00(2006.01) G06N 20/10(2019.01) (54)发明名称 一种基于改进模糊支持向量回归机的地物 隐身目标探测方法 (57)摘要 本发明公开了一种基于改进模糊支持向量 回归机的隐身目标探测方法， 在高灵敏度的毫米 波辐射计探测隐藏目标的过程中， 辐射计会同时 受到背景噪声的影响， 导致隐身目标错误检测。 本发明加入了对异值点和噪声的抑制， 同时采用 粒子群优 化融合Levenberg ‑Marquardt的模糊支 持向量回归机模 型中的惩罚参数和核参数， 利用 模糊支持向量回归机模型对毫米波辐射计探测 地物中隐身目标的测量参数进行反演， 根据反演 得到的目标亮度温度与环境温度计算得到目标 的发射率， 实现对地物中隐身目标的探测。 本方 法通过在支持向量回归机中引入模糊隶属度函 数， 降低噪声和异常值对目标探测结果的影响， 并利用优化算法优化模糊支持向量回归机的参 数， 提升地物隐身目标探测的精确度。 权利要求书3页 说明书7页 附图2页 CN 115144021 A 2022.10.04 CN 115144021 A 1.一种基于改进模糊支持向量回归机的地物隐身目标探测方法， 其特 征在于， 包括： 步骤1： 采用毫米波辐射计测量 参数作为样本数据； 步骤2： 构建粒子群优化融合 Levenberg ‑Marquardt的模糊支持向量回归机反演模型； 步骤3： 根据构建的粒子群优化融合Levenberg ‑Marquardt的模糊支持向量回归机反演 模型对毫米波辐射计测量 参数进行反演； 步骤4： 根据反演结果、 环境温度计算目标的发射 率。 2.根据权利要求1所述的一种基于改进模糊支持向量回归机的地物隐身目标探测方 法， 其特征在于， 所述步骤1中的样本数据， 包括毫米波辐射计分别对地物和覆盖涂层的金 属板进行测量一段时间内每一时刻的辐射计输出参数及环境参数； 所述的辐射计输出参数 为辐射计的输出电压； 所述的环境 参数包括环境温度、 辐射计馈线温度、 辐射计天线温度。 3.根据权利要求1所述的一种基于改进模糊支持向量回归机的地物隐身目标探测方 法， 其特征在于， 所述 步骤2包括： 步骤2.1： 对样本数据进行归一 化处理； 步骤2.2： 将归一化后的样本数据打乱， 随机选取归一化后样本数据的五分之四作为训 练集， 将剩余的五分之一作为测试集； 步骤2.3： 构建模糊支持向量回归机模型； 步骤2.4： 构建Levenberg ‑Marquardt优化模糊支持向量回归机的惩罚因子C和核参数σ 的算法模型； 步骤2.5： 构建粒子群优化Levenberg ‑Marquardt算法的阻尼因子 μ的算法模型， 最终得 到优化后的粒子群优化融合 Levenberg ‑Marquardt的模糊支持向量回归机反演模型。 4.根据权利要求1所述一种基于改进模糊支持向量回归机的地物隐身目标探测方法， 其特征在于， 所述 步骤4包括： 步骤4.1： 将反演后得到的目标亮度温度反归一 化； 步骤4.2： 根据公式计算目标的发射 率： TB＝T0×ε 式中， TB为目标的亮度温度， T0为目标的物理温度， ε为目标的发射 率； 步骤4.3： 将目标发射 率与地物发射 率进行对比实现地物中隐身目标的探测。 5.根据权利要求3所述一种基于改进模糊支持向量回归机的地物隐身目标探测方法， 其特征在于， 所述 步骤2.3包括： 步骤2.3.1： 给定训练数据集 其中xk∈Rm为M维输入数据， y∈R为 输出数据， N为训练集中的数据量， 在主空间Rm中建立二次规划问题： 式中， L为损失函数， w∈Rm表示原始权重空间的权向量， b∈Rm表示偏移量,C表示惩罚因 子， uk∈Rm表示模糊隶属度， ξk∈Rm表示每个样本的误差量， 表示非线性映射 函数； 其中， 隶属度函数采用基于超平面距离度量的隶属度函数， 可以表示 为：权　利　要　求　书 1/3 页 2 CN 115144021 A 2式中， dk表示样本 到类中心超平面的距离， δ 是调节uk大小的参数， 并无实际意 义； 步骤2.3.2： 对建立的二次规划问题转 化为对偶规划问题： 其中， 此对偶规划问题的最优解可以表示 为： 得到的最终回归 模型可以表示 为： 选用高斯径向基函数(RBF)为模糊支持向量回归机的核函数： 式中， σ 表示RBF核函数距离中心的距离 。 6.根据权利要求3所述一种基于改进模糊支持向量回归机的地物隐身目标探测方法， 其特征在于， 所述 步骤2.4包括： 步骤2.4.1： 初始化Levenberg ‑Marquardt算法的参数和迭代次数， 并设置惩罚因子和 核参数的初始值范围； 步骤2.4.2： 采用Levenberg ‑Marquardt训练模糊支持向量回归机模型， 令： 式中， e(x)为神经网络均方误差列向量， 为误差指标函数L的梯度， J(x)为雅可比矩 阵； Levenberg ‑Marquardt算法的权 重修正公式为： xp+1＝xp‑[JT(x)J(x)+ μI]‑1J(x)e(x) 式中， xp表示第p次迭代中神经网络的权值组成的向量， I表示单位矩阵， μ表示阻尼 因 子； 步骤2.4.3： 通过迭代更新的方式， 在达到设定的迭代次数阈值之前对Levenberg ‑ Marquardt优化的模糊 支持向量回归机模型的核参数与惩罚因子进行调整； 迭代调整过程 中计算当前均方误差与目标均方误差的差异， 根据权值调整公式调整权值， 进而更新核参 数与惩罚因子并进入下一迭代轮次重新计算均方误差； 当迭代达到最大次数时停止训练， 当前均方误差与目标均方误差的差异接近0， 即已检索到全局最优解， 输出最 终的核参数与 惩罚因子作为模糊支持向量回归机的参数， 并建立相应回归 模型。 7.根据权利要求3所述一种基于改进模糊支持向量回归机的地物隐身目标探测方法，权　利　要　求　书 2/3 页 3 CN 115144021 A 3