第1章 核方法基本理论 1
1.1 引言 1
1.2 核方法的基本概念 1
1.3 支持向量机（SVM） 3
1.3.1 最优分类超平面 3
1.3.2 构造最优超平面 4
1.3.3 广义最优分类面 5
1.3.4 高维空间中的最优分类面 6
1.3.5 构造SVM 6
1.4 支持向量数据描述（SVDD） 8
参考文献 10
第2章 SVM可分性与模型多参数优化选择 12
2.1 引言 12
2.2 SVM可分性研究 12
2.2.1 线性可分的定义 13
2.2.2 SVM线性可分充要条件 13
2.2.3 SVM线性可分性的度量 19
2.2.4 惩罚因子C对分类性能的影响 23
2.3 SVM模型多参数优化选择 25
2.3.1 SVM模型单参数最优选择问题 26
2.3.2 非均衡数据目标识别SVM模型参数优化选择方法 30
2.3.3 实验结果与分析 34
参考文献 40
第3章 基于核判别分析的雷达高分辨距离像识别 42
3.1 引言 42
3.2 基于KPCA的特征提取和识别 43
3.2.1 主分量分析方法（PCA） 43
3.2.2 核主分量分析方法（KPCA） 44
3.2.3 KPCA与PCA的比较 45
3.2.4 算法实现 47
3.2.5 实验结果与分析 48
3.3 基于KDDA的特征提取和识别 53
3.3.1 线性判别分析（LDA）方法 53
3.3.2 直接判别分析（D-LDA）方法 54
3.3.3 核直接判别分析（KDDA）方法 56
3.3.4 基于KDDA的特征提取和识别算法 59
3.3.5 实验结果与分析 59
3.4 基于核局部均值判别分析的特征提取和识别 61
3.4.1 核Fisher判别分析（KFDA） 61
3.4.2 局部均值判别分析（LMDA） 63
3.4.3 核局部均值判别分析（KLMDA） 64
3.4.4 KLMDA与KFDA、KDDA、CKFD的性能分析 69
3.4.5 实验结果与分析 70
参考文献 80
第4章 基于核聚类的雷达高分辨距离像识别 83
4.1 引言 83
4.2 基于核C均值聚类的HRRP识别 84
4.2.1 C均值聚类算法 84
4.2.2 核C均值聚类算法 84
4.2.3 核C均值聚类算法的核参数优化选取 86
4.2.4 基于核C均值聚类的高分辨距离像识别方法 92
4.2.5 实验结果与分析 93
4.3 基于模糊核C均值聚类的HRRP识别 96
4.3.1 模糊C均值聚类算法 96
4.3.2 模糊核C均值聚类算法 97
4.3.3 自适应模糊核C均值聚类算法 98
4.3.4 基于模糊核C均值聚类的高分辨距离像识别方法 101
4.3.5 实验结果与分析 102
参考文献 105
第5章 基于SVM的多目标分类识别 107
5.1 引言 107
5.2 基于K最近邻的SVM快速训练算法 108
5.2.1 KNN-SVM算法的基本思路 108
5.2.2 KNN-SVM算法的基本步骤 110
5.2.3 实验结果与分析 111
5.3 基于K最近邻的快速SVM增量学习算法 116
5.3.1 KNN-ISVM算法的基本思路 116
5.3.2 边界向量提取方法 117
5.3.3 KNN-ISVM算法的主要步骤 119
5.3.4 实验结果与分析 119
5.4 基于核分级聚类的SVM多类分类算法 125
5.4.1 分级聚类算法的改进 125
5.4.2 核分级聚类算法 129
5.4.3 基于核分级聚类的SVM多类分类算法 130
5.4.4 实验结果与分析 131
参考文献 141
第6章 基于单空间SVDD的雷达高分辨距离像识别 143
6.1 引言 143
6.2 SVDD超球空间分布特性和拒判域 144
6.2.1 HRRP在SVDD超球空间的分布特性 144
6.2.2 SVDD多目标识别中的拒判问题 147
6.3 SVDD序贯最小相对距离多类目标识别 148
6.3.1 SVDD多目标识别的拒判域处理 148
6.3.2 SVDD多目标识别训练算法 149
6.3.3 最小相对距离SVDD多目标识别算法 150
6.3.4 序贯最小相对距离SVDD多类目标识别算法 150
6.3.5 实验结果与分析 151
6.4 基于SVDD的雷达多目标模糊识别方法 157
6.4.1 基于SVDD的雷达多目标模糊识别方法 157
6.4.2 实验结果与分析 159
参考文献 162
第7章 基于自适应SVDD的雷达高分辨距离像识别 164
7.1 引言 164
7.2 SVDD模型参数的影响 164
7.2.1 核参数的影响 164
7.2.2 惩罚因子C的影响 165
7.3 基于自适应SVDD的雷达高分辨距离像识别 167
7.3.1 二次训练 167
7.3.2 最优超球半径选择 168
7.3.3 基于常规SVDD的HRRP目标识别流程 171
7.3.4 噪声分析 172
7.3.5 自适应超球半径模型 175
7.3.6 基于自适应SVDD的HRRP目标识别流程 177
7.4 实验结果与分析 178
7.4.1 高斯白噪声情况 179
7.4.2 海杂波 182
参考文献 184
第8章 基于双空间SVDD的雷达高分辨距离像识别 186
8.1 引言 186
8.2 超球空间HRRP的归属特性分析 186
8.3 延拓空间的样本分布建模 187
8.3.1 延拓样本分布的隶属度模型 188
8.3.2 延拓样本分布的云模型 189
8.3.3 延拓样本分布的高斯混合模型 191
8.3.4 参数估计 192
8.4 基于双空间SVDD的高分辨距离像识别方法 195
8.5 实验结果与分析 197
8.5.1 模型参数选择 198
8.5.2 识别实验结果 199
8.5.3 实验结果分析 201
参考文献 204
第9章 基于ISVDD的雷达高分辨距离像在线识别 206
9.1 引言 206
9.2 支持向量数据描述的增量泛化性能分析 207
9.2.1 SVDD的KKT条件 208
9.2.2 SVDD的训练样本分布特性 208
9.2.3 增量样本的超球空间分布特性 209
9.2.4 实验结果与分析 212
9.3 一种适于在线学习的增量支持向量数据描述算法 215
9.3.1 增量支持向量数据描述 216
9.3.2 ISVDD性能分析 220
9.3.3 实验结果与分析 221
9.4 基于ISVDD的雷达高分辨距离像在线识别方法 228
9.4.1 分方位帧建模 228
9.4.2 全方位HRRP的等间隔分帧 229
9.4.3 基于ISVDD的HRRP在线识别方法 231
9.4.4 实验结果与分析 232
参考文献 240
第10章 特征空间数据核矩阵收缩方法 243
10.1 引言 243
10.2 非线性可分与不可分问题 244
10.3 特征空间数据核矩阵收缩方法 245
10.3.1 数据在特征空间的收缩因子 245
10.3.2 数据在特征空间收缩后的核矩阵 247
10.3.3 数据在特征空间收缩方法 249
10.4 实验结果与分析 249
10.4.1 二维数据收缩实验 249
10.4.2 特征空间数据核矩阵收缩实验 250
附录A式（3.7 0）的推导 255
附录B式（3.7 5）的推导 256
附录C式（3.9 0）的推导 260
附录D式（3.9 4）的推导 261
参考文献 262