支持向量机和神经网络在粗糙面参数反演中的比较.pdfVIP

物理 计算 Vo 1. 31 , No.l 第 31 卷第 l 期 2014 年 1 月 CHINESE JOURNAL OF COMPUTATIONAL PHYSICS Jan. , 2014 文章编号:1001-246X(2014 )01 -0075-10 支持向量机和神经网络在粗糙面参数反演中的比较 苟雪银， 郭立新， 张连波 (西安电子科技大学理学院，陕西西安 710071) 摘 要:首先介绍支持向量机和神经网络方法及其在内部网络训练上的不同.分别利用支持向量机和神经网络对 高斯粗糙面的均方根高度和相关长度进行反演.通过仿真结果和误差对比分析，发现在小样本情况下，支持向量机 的反演结果比神经网络好，而在具有大量样本的情况下，神经网络的反演精度有显著提高，而且反演时间比支持向 量机少很多. 关键词:支持向量机:粗糙面;神经网络:均方根高度:相关长度;反演 中图分类号: TNOll 文献标识码:A 。 引言 粗糙面的电磁散射是近年来电磁散射研究领域的热点问题之一[1 刑，而电磁逆散射问题[3] 由于其在重构 粗糙面轮廓、统计参数以及介电特性，目标探测，图像检测[4] ，图像检索[5] ，雷达成像[刑，雷达目标识别[7] 等方面 的应用，引起了人们的广泛关注.所谓电磁逆散射问题就是给定人射波，并假设散射波数据可通过测量得到，在 此基础上确定或者重建散射体的几何或物理特性.逆散射研究的开展与当代科学技术的迅速发展密切相关.各 种传感器、测量技术以及计算机技术的发展，使人们可以快速、大量、准确的采集和存储数据，并以高度的科学 技巧来处理和显示所获得的结果.由于电磁逆散射问题本身所固有的非线性和非适定性，使其研究显得十分困 难，成为电磁学领域挑战性很强的研究课题.基于数据的机器学习是现代智能技术中十分重要的一个方面，机 器学习[8] 的目的是根据给定的训练样本求对某系统输入输出之间依赖关系的估计，使它能够对未知输出做出 尽可能准确的预测.人工神经网络[别是在传统统计学的基础上，基于经验风险最小化，往往需要大量的样本才 能得到理想的结果.但是它训练速度快，结构简单[川，具有很好的非线性逼近能力，所以广泛的应用在函数逼 近，模式识别[11] 等领域中支持向量机方法是近些年发展较快的非线性回归估计方法，具有坚实的理论和数学 基础，它建立在统计学习理论的 vc 维理论和结构风险最小化[口]原理的基础上，在解决小样本、非线性及高维 模式识别问题中表现出许多特有的优势，并且能够推广到函数逼近和概率密度估计等其他机器学习问题中.这 两种方法都是通过训练，将特征值和目标函数建立一个学习网络来逼近这两者之间的函数关系，并用所构建的 网络进行反演，近年来利用这两种方法解决电磁逆散射问题得到了很多学者的关注[13 -14] 针对高斯粗糙面电磁逆散射问题开展研究，利用矩量法计算租糙面的散射系数，再分别应用支持向量机 和神经网络两种方法对高斯粗糙面的均方根高度和相关长度进行反演.将粗糙面后向散射系数作为支持向 量机和神经网络的输入，粗糙面的均方根高度和相关长度分别作为输出，建立电磁逆散射网络进行反演.给 出训练样本数较小时和训练样本数较大时这两种方法的反演误差以及计算时间，分析不同样本数对粗糙面 参数反演结果及精度的影响，以及不同样本数时支持向量机和神经网络两种方法的优缺点，对今后粗糙面参 数反演时两种方法的选取有参考价值. 1 支持向量机在电磁逆散射中的应用 支持向量机在电磁逆散射中的应用就是支持向量回归机[叫在电磁逆散射中的应用，回归问题也可表示 收稿日期: 2013 -04 -23; 修固日期: 2013 -08 -07 基金项目:国家杰出青年科学基金 ，高等学校博士学科点专项科研基金(20100203110016) 资助项目 作者简介:苟雪银(1989 -)，女，硕士，主要从事粗糙面电磁散射及相关参数反演研究.E-mail:gouxueyinqrio@126.com 76