基于支持向量机的高空无人机侦察目标识别

Ｖｏ１．３５，Ｎｏ．３　Ｍａｒ，２０１０　火力与指挥控制　Ｆｉｒｅ　Ｃｏｎｔｒｏｌ＆Ｃｏｍｍａｎｄ　Ｃｏｎｔｒｏｌ　第３５卷第３期　２０１０年３月　文章编号：１００２—０６４０（２０１０）０３—００８２—０４　基于支持向量机的高空无人机侦察目标　识别　唐克，魏琪，杜涛　２３００３１）　（解放军炮兵学院，合肥摘要：针对高空无人侦察机遥感图像目标不明显、图像背景复杂等特点，提出了一种基于支持向量机的目标分类方法。　将支持向量机应用于高空无人侦察机的遥感图像目标识别，并且对特征值的提取进行深入研究。实验结果表明，特征值输入　的多分类器在识别性能上具有很高的识别率，对提高高空无人机的侦察能力具有重要意义。　关键词：复杂背景，支持向量机，特征值提取，多分类器　中图分类号：Ｅ９３３　文献标识码：Ａ　Ｔｈｅ　Ｒｅｃｏｎｎａｉｓｓａｎｃｅ　Ｔａｒｇｅｔ　Ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆ　ｔｈｅ　Ｈｉｇｈ　Ａｌｔｉｔｕｄｅ　Ｕｎｍａｎｎｅｄ　Ｓｃｏｕｔ　ｂａｓｅｄ　ｏｎ　Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ　ＴＡＮＧ　Ｋｅ，ＷＥＩ　Ｑｉ，ＤＵ　Ｔａｏ　（Ａｒｔｉｌｌｅｒｙ　Ａｃａｄｅｍｙ　ｏｆ　ＰＬＡ，Ｈｏｆｅｉ　２３００３１，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｉｍａｇｅ　ｏｆ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｏｆ　ｔｈｅ　ｈｉｇｈ　ａｌｔｉｔｕｄｅ　ｕｎｍａｎｎｅｄ　ｓｃｏｕｔ　ｉｓ　ｎｏｔ　ｏｂｖｉｏｕｓ　ｇｏａｌ，ｉｍａｇｅ　ｂａｃｋｇｒｏｕｎｄ　ｃｏｍｐｌｅｘ，ｃｏｎｓｉｄｅｒｉｎｇ　ｔｈａｔ　ｈａｖｉｎｇ　ｐｕｔ　ｆｏｒｗａｒｄ　ａ　ｋｉｎｄ　ｏｆ　ｇｏａｌ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ．Ｕｓｉｎｇ　ｔｈｅ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ　ａｐｐｌｉｅｄ　ｉｎ　ｔｈｅ　ｈｉｇｈ　ａｌｔｉｔｕｄｅ　ｕｎｍａｎｎｅｄ　ｓｃｏｕｔ　ｄｉｓｔｉｎｇｕｉｓｈｉｎｇ　ｉｍａｇｅ　ｇｏａｌ　ｏｆ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ，ａｎｄ　ｄｒａｗ　ｔｏ　ｃａｒｒｙ　ｏｕｔ　ｔｈｏｒｏｕｇｈ　ｒｅｓｅａｒｃｈ　ｆｏｒ　ｆｅａｔｕｒｅ　ｖａｌｕｅ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ　ｒｅｓｕｌｔ　ｅｘｐｌａｉｎｓ　ｔｈａｔ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｃｌａｓｓｆｉｃａｔｉｏｎ　ｗａｒｅ　ｏｆ　ｆｅａｔｕｒｅ　ｖａｌｕｅ　ｉｎｐｕｔ　ｔｈａｔ　ｔｈｉｓ　ｐａｓｓａｇｅ　ｐｕｔｓ　ｆｏｒｗａｒｄ　ｏｎ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｐｅｒｆｏｒｍａｎｃｅ　ｈａｖｅ　ｖｅｒｙ　ｈｉｇｈ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｒａｔｅ，ａｎｄ　ｈａｓ　ｉｍｐｏｒｔａｎｔ　ｍｅａｎｉｎｇ　ｆｏｒ　ｒａｉｓｉｎｇ　ｔｈｅ　ｒｅｃｏｎｎａｉｓｓａｎｃｅ　ａｂｉｌｉｔｙ　ｏｆ　ｔｈｅ　ｈｉｇｈａｌｔｉｔｕｄｅ　ｕｎｍａｎｎｅｄ　ｓｃｏｕｔ．　Ｋｅｙ　ｗｏｒｄｓ：ｃｏｍｐｌｅｘ　ｂａｃｋｇｒｏｕｎｄ，ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ，ｅｘｔｒａｃｔｉｏｎ　ｏｆ　ｆｅａｔｕｒｅ　ｖａｌｕｅ，ｍｕｌｔｉ　ｃｌａｓｓｉｆｉｅｒ　言　的灵活性，可以应任务需要随时起飞，实现遥感影像　的实时获取；资料的时效性强，成本大大低于载人飞　无人机是一种机上无人驾驶、可重复使用的航　机。但由于无人机平台体积小、重量轻，难以使用专　空器。其已多次在局部战争中卓有成效地执行了多　业航空摄影机和记录仪、稳定平台等辅助设备；且无　种军事任务，其中包括照相侦察、信号情报搜集、防　人机多在中低空飞行、气流复杂，易导致空中姿态剧　空阵地位置标识、直升机航路侦察、战场损伤评估和　烈变化，这些因素增加了遥感影像的处理难度。为　人员搜救等任务，为武器系统提供目标定位、目标指　此，本文就高空元人机遥感影像的目标识别提出了　示、目标动态监视和目标毁伤评估的实时情报。近年　运用支持向量机算法。　来随着无人机在不同应用领域里的突出表现，国内　支持向量机（ＳＶＭ）是基于统计学习理论的一　外都出现了将无人机用于影像获取的趋势。携带遥　种新的机器学习方法。统计学习理论是一种专门研　感侦察系统的高空无人机的主要优势在于具有更高　究小样本情况下机器学习规律的理论，基于此理论　发展的ＳＶＭ通用学习方法，由于基于结构风险最　收稿日期：２００８－０９—２６　修回日期：２００９—０３—２５　小化（ＳＲＭ）原理，对实际应用中有限训练样本的问　＊基金项目：解放军射击学会“十一五”基金资助项目（０３—　题，表现出很多优于已有方法的性能，取得了大量的　１４）　研究成果，推动了各领域的发展。本文针对遥感图像　作者简介：唐克（１９６２一），男，安徽东至人，副教授，硕　背景复杂的的问题，首先进行背景的去噪抑制，然后　士生导师，研究方向：武器系统分析与仿真。　提取多类特征值，增加输入样本的准确性、全面性；　唐克，等：基于支持向量机的高空无人机侦察目标识别　（总第３５—４２９）　・８３・　经过优化比较支持向量机的多分类器，提出运用以　基于Ｏｎｅ—ａｇａｉｎｓｔ—Ｏｎｅ方法中的Ｏｎｅ—ｉｎ—Ｏｎｅ策略　的多类器，取得良好效果。　１　对背景的图像滤波预处理　由于受高空距离、复杂环境及技术条件的限制，　高空无人侦察机拍摄的图像一般都较复杂，这为置　于复杂背景下目标的提取及识别带来了较大的困　难。因此首先需要对图像进行背景去噪。　本文提出的图像滤波预处理方法，在图像处理　中的滤波属于空间滤波，它是一种着眼于灰度的空　间分布。常用的方法是运用一个Ｋ×Ｋ的模板对全　图像做卷积运算。滤波的目的有两个，一个是将随机　空间噪声平滑掉；二是保持、突出目标的某种空间结　构。空域滤波可增强图像目标的信噪比，大部分噪　声，如由红外成像器件、传输通道、Ａ／Ｄ转换器等引　起的噪声，通常表现为孤立像素的离散化变化，不是　空间相关的，与它们的相邻像素显著不同，这种现象　是许多噪声清除算法的基础。基于这一点分析，可以　用邻域平均法判断每一点是否含有噪声，并用适当　的方法消除其噪声。　在图像中常用的空域滤波方法是中值减法滤波　器（ＭｓＦ）。这里，中心点像素减去近邻８个值的中　值来置换该点像素。输入像素ｆ（ｘ，　）的８个临近像　素值从小到大排列并标记为　。，Ｘ　，ｚ。，…，　，从　ＭＳＦ输出像素值ｇ（ｘ，　）定义为：　ｇ（ｘ，　）＝／‘（ｚ，　）一　（ｚ，　）　（１）　１　式中ｍ（ｚ，　）定义为：　（　，　）一－砉－（ｚ３＋Ｘ４）其　输出像素值是中心像素减去８个近邻像素值的中　值。（由于篇幅有限，图像处理结果对比不列出，具体　参见文献１）　２　多分类支持向量机的构建　２．１支持向量机　二分类问题的分类通常用一个实值函数　厂：　一Ｒ按照这样的方式操作：当厂（ｚ）＞１ｏ时，　输入ｚ一（ｚ　”，ｚ　）　赋给正类，否则赋给负类。考虑　当厂（ｚ），ｚ∈　是线性函数的情况，函数可以写为：　＿－、　‘（　）一＜　・ｚ＞＋６一厶Ｗｆ　ｆ＋６　（２）　ｆ一１　这里（叫，６）∈Ｒ　×Ｒ是控制函数的参数，决策　规则由ｓｇｎ（ｆ（ｘ））给出。　在支持向量机中，对线性可分问题，寻求具有最　优预测性能的函数规律就是寻找最优分类器Ｈ的　过程。具体说，目的是找到最优的Ｗ、ｂ，使得　ｆ（ｚ）一＜　・ｚ＞＋６，（叫，６）∈Ｒ”×Ｒ　（３）　的泛化性能最优。因此求泛化性能最优的（　，６）问　题可归结为求解下面二次规划问题：　ｍｌ’ｎ　ｌｌ　『Ｊ　ｚ　ｓ．ｔ．Ｙｆ（叫・Ｘ　＋６）≥１　ｉ＝１，２，…，Ｚ　（４）　这就是支持向量机的最大边缘算法。　在实际情况下样本集合中有噪音数据的存在，　这会严重影响分类器的泛化性能，也就是所谓的训　练样本线性不可分情况。从实际应用角度出发，有时　需要容忍这些异常数据点的存在，不考虑其影响，以　对其他数据进行正确分类。为此可以通过式（１）中引　入松弛变量　Ｙ　［（　・　）＋６］≥１一皇　（５）　提出下述软边缘算法：　ｍｉｎ去ｆｌ　Ｗ　ＩＩ。＋Ｃ　￡　．ｔ．Ｙｆ（　・Ｘｆ＋６）≥１一￡　￡≥Ｏ，ｉ＝１，２，…，Ｚ　（６）　其中：Ｃ是设定的惩罚因子，它控制对错分样本　惩罚的程度，实现在错分样本的比例与算法复杂度　之间的折衷；　保证分类器不可能对全部样本正确　分类，即在式（４）约束条件不满足情况下，通过加上　松弛变量使得尽可能减少错分样本，即使约束条件　成立。　另外将非线性问题通过转化用线性分类器进行　处理呢？支持向量机提供了一种方法，就是核技巧，　其思路是将输入空间中的非线性问题映射到高维特　征空间，从而转化为线性问题。常见的核函数有多项　式函数、径向基函数（ＲＢＦ）、Ｓｉｇｍｏｉｄ函数等，本文　选择径向基函数。　２．２　Ｏｎｅ—ｉｎ—Ｏｎｅ策略的多类器　Ｏｎｅ—ａｇａｉｎｓｔ—Ｏｎｅ法是将一个ｋ类问题分解为　个（子）两类问题。每个两类问题的训练集　由原训练集中的两个类别的样本组成，其中一个类　别的样本的类标被重新定义为＋１，另一个类别的样　本的类标被重新定义为一１。　Ｏｎｅ—ｉｎ—Ｏｎｅ策略是基于所有子分类器的局部　泛化性能进行参数选择，即为每个两类分类器单独　选择自己的参数。该策略将一个多类支持向量机的　参数选择问题转化为多个两类支持向量机的参数选　择问题本文将其称为ｏｎｅ—ｉｎ—Ｏｎｅ策略，意指每个两　类分类器存在于自己的（单独的）参数空间中。在为　・８４・　（总第３５－－４３０）　火力与指挥控制　２０１０年第３期　两类支持向量机Ｓ　，选择参数时，首先组成只包　含类别ｉ和类别　的样本的训练集，然后在这个子　训练集上进行相应的参数选择。基于以上策略所构　其中，　：＝＝∑∑，（ｚ，　）为图像质量，代表数字　图像中所有像素的灰度值之和。　３．３纹理特征　建的三类支持向量机的识别流程分类器。　３特征值选择　在构造特征集时，由于特定目标在图像中往往　会平移、旋转、放缩等，若获取外形，则有很多种不同　形态下的外形，很难与标准模板外形相匹配。图像模　从样本图中选择了包括当前像素灰度值　、当　前像素邻域均值Ｅ以及由当前像素邻域的灰度共　生矩阵导出的局部纹理特征作为对待分割像素的描　述。为了获取局部特征，需要对当前像素邻域形成一　个子图像，在子图像中选择相应的局部灰度统计特　糊、噪声干扰的存在，使目标与周围环境很难准确分　离。因此，需要构造具有不变性的特征集。即目标若　在图像中有平移、旋转、比例变化，由图像上得到的　特征集仍与模板特征集一致。　３．１形状特征　矩形度：反映一个物体矩形度的一个参数是矩　ｄ　形拟合因子Ｒ＝　１Ｒ　圆形度：有一组形状特征被称为圆形度指标，因　为它们在对圆形形状计算时取最小值，其幅度值反　映了被测量边界的复杂程度。最常用的圆形度指标　Ｄ２　是Ｃ一　。　不变矩：函数的矩（ｍｏｍｅｎｔｓ）在概率论中经常　使用。几个从矩中导出的期望值同样适用于形状分　析。具有两个变元的有界函数ｆ（ｘ，　）的矩集定义如　下：　ｆ　ｆ　Ｍ阳一３　３　Ｙｑｆ（ｘ，ｙ）ｄｘｄｙ　这里Ｐ和ｑ可取所有的非负整数值。常用的区　域矩特征有：①中心矩：一个物体的重心坐标；②　Ｈｕ矩组：Ｈｕ矩组是｛Ｍｐ　｝前８个矩的函数，它满足　平移、旋转不变性。　３．２　ＮＭＩ特征　根据物理上重心的概念，定义灰度图像ｆ（ｘ，　）　的质心（　，　）如下：　。～　：：：　’　一　其中，质心（　，歹）代表图像灰度的重心，图像围　绕质心（　，　）的转动惯量记为　。根据图像的质　心和转动惯量的定义，可给出灰度图像绕质心（　，　歹）的归一化转动惯量：　Ⅳ　：　：　Ｍ　Ｎ　∑∑ｆ（ｘ，　）　ｚ一１　一１　（７）　征和局部纹理特征。假设子图像尺寸为　×ｓ，其中　为奇数。则局部灰度统计特征可以表达为：　灰度均值　Ｅ一专２５厶Ｉ（ｉ，１　　）　（８）　一０　一０　对比度　ｚ　一∑∑（　一Ｉ　）２ｐ（，　Ｉ）　（９）　Ｊ１　』２　熵　＿、　］　ｔ３一　２５Ｐ（．　１，Ｉ１）ｌｏｇ（ｐ（　１，Ｉ１））　（１ｏ）　』１　』２　４　算法建模实验　使用Ｏｎｅ—ａｇａｉｎｓｔ—Ｏｎｅ　ＳＶＭ多类分类器由于　要构造所有的二类别分类器，所以需要构造６　Ｘ　（６—１）／２—１５个二类分类器，实验选择使用了高斯　径向核ＳＶＭ，在有限的实验参数范围中，径向基核　函数在３　＝＝：０．５、Ｃ＝１　０００时获得了１５．４７　的最小　泛化误差，此类ＳＶＭ的训练模型选择取决于两个　参数，其一是惩罚因子ｃ，其二是核参数　。　由以上介绍可以得出将以特征选择经过长期的　观察，结合大量的实验，选择了由矩形度和圆形度２　个几何特征、７个不变矩特征、３个由灰度共生矩阵　导出的纹理特征以及ＮＭＩ特征共１３个特征分量组　成的特征矢量来描述需要识别的图像目标，并作为　支持向量机方法的输入矢量用于训练和分类。当然　这些数据都需要在前期对图像进行的背景抑制基础　上提取出来，本文就运用图像滤波对图片进行背景　预处理。　本实验中暂时以具有代表性的军事目标类别被　戈　分为６类，机场、农田、弹药库、公路、工厂、水域；　按　、Ｂ、ｃ、Ｄ、Ｅ、Ｆ顺序。分类器１划分　、Ｂ二类，　类为正样本，Ｂ类为负样本，分类器２划分　、ｃ　二类，　类为正样本，ｃ类为负样本，以此类推，比如　分类器７划分Ｂ、Ｄ二类，Ｂ类为正样本，Ｄ类为负　样本。每类样本训练集各为１００个样本，以　、Ｂ二　类训练为例，先加载　和Ｂ的训练集，确定训练目　唐克，等：基于支持向量机的高空无人机侦察目标识别　（总第３５—４３１）　・８５・　标，先给出一个初始的训练参数，然后对Ａ和Ｂ的　测试集进行测试，调整参数到分类最优状态，按这样　的方法训练好１５个ＳＶＭ　Ｏｎｅ—ａｇａｉｎｓｔ—Ｏｎｅ分类　器。为了得到这个分类器的性能估计，把所有的６类　度是９５．３２　。将构造好的分类器对原始图像进行　分类，原始图像一共生成４０　ＯＯＯ（２ＯＯ×２００）个样本，　经训练好的Ｏｎｅ—ａｇａｉｎｓｔ—Ｏｎｅ　ＳＶＭ多类分类器分　类后，　类样本有１３　０５１个，Ｂ类样本有９　４２１个，Ｃ　类样本有３　５７１个，Ｄ类样本有１　４８８个，Ｅ类样本　测试样本放到每个分类器分类，并使用投票表决（以　某个样本为例，将其送人１５个分类器中，统计分别　属于６类的结果有几个，这就是投票过程，表决过程　就是根据投票的结果决策出属于某类）的方法得出　有５　６５０个，Ｆ类样本有６　９３６个，混分样本一共有　４　５５４个，最后６类样本分别被赋值规格化输出。Ａ　类测试样本的识别率达到９７．３５　；Ｂ类测试样本　最后的分类结果。投票表决的某类样本最终数目是　在去除混分样本情况下得到的数目，并把混分样本　的识别率达到９２．９Ｏ　Ａ；Ｃ类测试样本的识别率达　ｏ到９５．９５　；Ｄ类测试样本的识别率达到９０．２３　；　数目也列出来，最终识别率是按公式（６类测试样本　被正确分类的总数目／６类样本总数目）计算的。　表１是经过建模实验得出的数据结果，可以看　到构造的ＳＶＭ多类分类器在测试样本集上的总精　Ｅ类测试样本的识别率达到９８．２４　；Ｆ类测试样　本的识别率达到９６．３９　；都达到了较高的识别率，　并且６类军事目标能够较准确的分类识别出来。　表１　Ｏｎｅ—ａｇａｉｎｓｔ—Ｏｎｅ多类分类器测试结果　测试样本　输出结果　分类器１（分出Ａ类／分出Ｂ类）　分类器２（分出以类／分出Ｃ类）　分类器３（分出Ａ类／分出Ｄ类）　分类器４（分出Ａ类／分出Ｅ类）　以类测试　样本（６７９）　Ｂ类测试　Ｃ类测试　Ｄ类测试　Ｅ类测试　Ｆ类测试　样本（３　６Ｏ５）　ｌｚｌ／３　５８４　３　６ｏ５／ｏ　３　６ｏ５／０　３　０１５／６９０　２　０３５／１　５７０　样本（１　９７３）　２５／１　９４８　１／１　９７２　１７６／１　７７３　１　７８０／１９３　３／１　９７４　样本（３８９）　样本（２　８４３）　样本（１　４９４）　７ｏ／３１９　ｚ／３８７　２／３８７　３８９／ｏ　６６３／１６　６７８／１　６７８／１　６７９／０　２／２　８４１　２　８２４／１７　２　８４３／ｏ　５／２　８３８　ｏ／１　４９４　１　４９４／０　１　４９４／Ｏ　５７４／９２０　ｏ／ｉ　４９４　１　４９４／０　１　４９４／Ｏ　分类器５（分出Ａ类／分出Ｆ类）　分类器６（分出Ｂ类／分出ｃ类）　６７８／１　６７７／２　６７８／１　１８６／４９３　３／３８６　ｚ／３８７　２／３８７　１／３８８　１／３８８　３９／３５ｏ　３／ｚ　８４０　２　８４３／ｏ　２　８４３／ｏ　５／２　８３８　１１３／２　７３０　２　８４３／ｏ　３　６ｏ５／ｏ　３　６０５／０　３　３２５／２８ｏ　３　５４７／５８　ｏ／１　９７３　１５１／１　７９８　ｏ／１　９７３　ｏ／１　９７３　分类器７（分出Ｂ类／分出Ｄ类）　分类器８（分出Ｂ类／分出Ｅ类）　分类器９（分出Ｂ类／分出Ｆ类）　８／１　４８６　６／１　４８８　４１３／２６４　６７８／］　３６／６４３　０／６７９　１１／６６８　４／６７５　分类器１０（分出ｃ类／分出Ｄ类）　分类器１１（分出Ｃ类／分出Ｅ类）　３　６ｏ５／０　ｏ／３　６０５　ｏ／３　６０５　ｏ／３　６０５　ｏ／３　６０５　２／３　６０３　４８　３　３９１　Ｏ　Ｏ　１　９７ｏ／３　１　９６９／４　１　８６ｏ／１１３　１　９４６／２７　１　９３３／４Ｏ　１　４９４／０　ｏ／１４９　４　ｏ／１　４９４　ｏ／１　４９４　ｏ／１　４９４　５１／１　４４３　Ｏ　３８８／１　２１８／１７１　３８８／１　３８１／８　０／３８９　５　３　１６　３５１　１／２　８４２　Ｏ／Ｚ　８４３　ｏ／ｚ　８４３　ｏ／２　８４３　２　７８Ｏ／６３　２　３　０　０　分类器１２（分出Ｃ类／分出Ｆ类）　分类器１３（分出Ｄ类／分出Ｅ类）　分类器１４（分出Ｄ类／分出Ｆ类）　分类器１５（分出Ｅ类／分出Ｆ类）　投票表决分出　类　投票表决分出Ｂ类　０／６７９　６６１　８　Ｏ　８４／１　８８９　１　Ｏ　２　Ｏ　Ｏ　投票表决分出ｃ类　投票表决分出Ｄ类　投票表决分出Ｅ类投票表决分出Ｆ类　混分样本数目１　８９３　３　１　０　１　８　２　４１　１５０　４　１　７１　０　０　１４　２　７９３　４４　１　５１　１　４４０　１　识别率　９７．３５％　９２．９０％　９５．９５　９Ｏ．２３％　９８．２４　９６．３９％　总体识别率一６类测试样本被正确分类的总数目／６类总测试样本数一９５．３２　（下转第９９页）　韩统，等：飞机维护保障人员可靠性评估模型　（总第３５－－４４５）　・９９・　②为简化计算，在此认为一个机组中各专业人　析系统研究［Ｊ］．航空维修．２００５（６）：４２—４３．　员的失误率和修复率相同。　［２］　班永宽．航空事故与人为因素［Ｍ］．北京：中国民航　③整个维护过程中的劳动强度是一样的，即用　出版社，２００２．　平均劳动强度来考虑建模的有关问题。不同的工作　［３］　Ｄｏｎ　Ｏ　Ｋ，Ｌｅｎｏａｃｈ　Ｂ．　Ｎ０ｎｓｔａｔｉｏｎａｒｙ　Ｍｏｄｅｌ　ｆｏｒ　日如机械日、飞行日等劳动强度是不一样的，用不同　Ａｓｓｅｓｓｉｎｇ　Ｈｕｍａｎ　Ｒｅｌｉａｂｉｌｉｔｙ　［Ｊ］．　ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｉｎｄｕｓｔｒｙ　Ａｐｐｌｉｃａｔｉｏｎｓ，１９９０，２６　的平均劳动强度来区分不同的工作日［４，６３。　（３）：５８０—５８７．　下面以美军的Ｆ一１６Ａ和台湾地区的Ｆ一１６Ａ为　［４］　苏畅，董彦非，陈东林．单机维护保障系统人力可　例：二者装有同样的机炮和挂载同样的空空导弹，其　用性评估模型初探［Ｊ］．装备指挥技术学院学报，　飞机自身作战能力相同，但受各自地勤机组（假设都　２００３，１４（５）：５－７．　出动自己的优质机组）的维护保障。不考虑维护保障　［５］　王立群．人的因素在维修上的应用［ｊ１．航空标准化　人员可靠性时，二者固有对空作战能力同为　与质量，２００１（３）：３４—３７．　１３．５［７］。模型计算参数见表１，计算结果见表２。　［６］　张东方，葛志浩，陈东林．装备维护系统效能评估人　表１效能计算初始参数　素系数的建模与分析［Ｊ］．火力与指挥控制，２００５，３０　（６）：４６—４９．　飞机国别　Ａ　ｔ　Ｋｒ　Ｎ　丁Ｅ　ＡＴ　朱宝鎏，朱荣昌，熊笑非．作战飞机效能评估［Ｍ］．北　美国Ｆ一１６Ａ　０．００３　０．１　１．５　１　１４５　２８　７　京：航空工业出版社，１９９３．　台湾地区Ｆ—ｌ６Ａ　０．００５　０．１　１．５　１　１４４　１５　８　表２考虑维护保障人员因素下的美军Ｆ一１６Ａ和台湾地区　Ｆ一１６Ａ评估结果　（上接第８５页）　５　结　论　根据实现的过程，可以得出以下结论：　①考虑到构建的背景质量对系统性能有很大　的影响，采用一次背景处理、一次目标提取来构建初　由表２可以直观地看出维护保障人员可靠性对　始背景；②运用Ｏｎｅ～ａｇａｉｎｓｔ—Ｏｎｅ法，建立多分类　飞机作战能力的影响。在考虑地勤机组的因素后，不　器，能很好的解决识别速度和系统稳定性。⑧支持　同国家或地区即使装备同样的飞机，作战效能也是　向量机中的核函数选择很重要，正确的核函数能够　有差异的。由于保障维护人员存在一定程度上的不　有效的降低目标识别的错误率。④针对军事打击目　可靠性，Ｆ一１６Ａ飞机作战效能在原有作战能力上都　标种类多、特征差异大、样本获取代价高等因素造成　有所下降。由于人员训练以及对装备的熟悉程度不　军事目标分类难度大的问题，选择了支持向量机方　同，使得美军的Ｆ一１６Ａ飞机效能下降９．１７　，而台　法作为学习分类方法。　湾地区的Ｆ一１６Ａ飞机效能则下降了１３．１３％。　大量的实验证明，上述介绍的检测算法能快速、　此外，从表２中还可以看出在维护保障人员的　有效地提取出各种目标特征参数，为实现军事目标　影响因素中，机组中个人可靠度的影响程度要重于　识别精确化打下了坚实的基础。　环境影响因子，这符合机务维护保障中“以人为本”　参考文献：　的思想，也为提高地勤机组的可靠性指明了途径。　［１］　李庆华．复杂背景条件下的红外图像中小目标的检　５　结　论　测［Ｄ］．哈尔滨：哈尔滨工程大学，２００６．　分析了影响维护保障人员可靠性的各种因素。　［２３　赵忠明．高分辨率遥感图像分类技术研究［Ｄ］．北　建立了单个维护保障人员可靠性评估模型和典型地　京：中国科学院研究生院，２００６．　勤机组维护保障可靠性评估模型。最后以算例验证　［３］　范．彬，冯云松．支持向量机在红外成像自动目标　识别中的应用［Ｊ］．红外技术，２００７，２９（１）：２１—２７．　了模型的可行性。算例分析表明，所建模型对合理组　［４］　毛洁娜．于　龙，林莹莹．无人机遥感应用及红外载　织人力资源，充分发挥地勤机组效能提供了科学的　荷研究口］．红外，２００７，２８（２）：３８—４４．　量化手段，并为提高地勤机组的可靠性指明了途径。　Ｅ５］　Ｖａｐｎｉｋ　Ｖ　Ｎ．Ｔｈｅ　Ｎａｔｕｒｅ　ｏｆ　Ｓｔａｔｉｓｔｉｃａｌ　ｏｆ　Ｌｅａｒｎｉｎｇ　参考文献：　Ｔｈｅｏｒｙ［Ｍ］．Ｎｅｗ　Ｙｏｒｋ：ＳｐｒｉｎｇｅｒＶｅｒｌａｇ，１９９５．　—［６３　马轮基，马瑞升，林宗桂．微型无人机遥感应用初探　［１］　李克武，郭建胜，周长飞．航空维修人为因素事故分　口］．广西气象，２００５，２６（增刊）：１３１—１３４．