روشي جديد براي بهبود كلاس‌بندي اهداف هوايي راداري توسط كرنل‌هاي مختلف ماشين بردار پشتيبان

New Method to Improve Classification of Radar Object by Different Kernel of Support Vector Machine

امروزه مبحث كلاس بندي اهميت روزافزوني يافته است و روش هاي مختلفي براي رسيدن به اين هدف مورد استفاده قرار مي-گيرد. ماشين بردار پشتيبان از جمله جديد ترين روش هاي مورد استفاده در اين حوزه مي باشد. در اين مقاله براي كلاس بندي سه هدف جنگنده، هواپيماي مسافربري وهلي‌كوپتر از سه روش كلاس بندي چند كلاسه ماشين بردار پشتيبان شامل روش يكي در برابر يكي، يكي در برابر همه و گراف غير چرخشي جهت دار پيشنهاد شده است و به دليل اينكه كلاس‌ها به طور خطي به خوبي قابل تفكيك نبودند، از ايده ي توابع كرنل مثل چندجمله‌اي، خطي، مرتبه دوم و تابع پايه شعاعي استفاده شده است. با توجه به نتايج به دست آمده از شبيه سازي سه روش مذكور، روش گراف غير چرخشي جهت‌دار با توابع كرنل مختلف داراي بهترين عملكرد است. همچنين روش يكي در برابر همه با كرنل RBF و مجذوري بهتر از روش يكي در برابر يكي با توابع كرنل مختلف عمل مي‌كند. در اين مقاله سرعت اجراي سه روش نيز مورد بررسي قرار گرفته است، كه نتايج به دست آمده نشان مي‌دهد كه سه روش داراي سرعت اجراي يكساني مي‌باشند. لذا به منظور كلاس بندي اهداف فوق، روش گراف غير چرخشي جهت دار كه داراي دقت بهتري مي باشد، پيشنهاد شده است.

Today, the importance of classification of radar object has drastically grown and numerous methods have been applied to achieve this goal. Support Vector Machine (SVM) stands among the newest methods on this subject. Herein, three different types of SVM methods have been suggested for fighter, airplane and helicopter including on-vs-one method, one-vs-rest method and directional acyclic graph method. Since these methods were not sufficiently capable of being distinctive in a linear way, some concepts of Kernel function such as polynomial, linear, quadratic and basic radial function have been used. Directional acyclic graph method using Kernel function yielded the best results according to the outputs obtained from simulation. One-vs-rest method using RBF and quadratic Kernel as well, was more adapted than on-vs-one method. The run time of performing these three methods is also deeply verified. The results showed a similar run time for all the three. Hence, to classify the noted goal, the method of directional acyclic graph is proposed as it manifests the most optimized performance in terms of accuracy.