《自适应水下未爆炸弹药分类的长期学习》148页

从声纳数据集中对未爆弹药（UXO）和地雷等水下物体进行分类是一个难题。使这些物体分类复杂化的因素包括：操作和环境条件的变化，存在空间变化的杂波，目标形状、组成、方向和埋藏条件的变化。此外，在各种背景条件下收集大量具有代表性的真实数据进行训练和测试非常困难，在很多情况下也不切实际。在本论文中，我们以之前的研究成果[1]为基础，其中基于稀疏重构的分类模型是在合成生成的声纳数据集上进行训练，从而在真实数据集上进行分类。虽然这项早期工作有助于解决水下猎雷问题所固有的数据贫乏问题，但在这项工作中，我们改变了方向，将重点放在对此类模型的调整上。特别是，我们将研究如何调整基于稀疏重构的分类器（SRC）的线性和核化形式，使其在终身学习环境中发挥作用，以便在环境参数不断变化的情况下执行分类，同时不影响在以前遇到的环境中的性能。

在这篇论文中，试图解决几个关键问题，以便设计出稳健的分类器，用于在终身学习环境下从低频声纳中对未爆炸弹药和弹药进行分类。这些问题包括 (1) 有哪些最可行的机制可使无人潜航器在不牺牲旧环境性能的情况下，积累并将新的标记或未标记数据纳入其目标识别系统？(2) 有哪些最可行的机制可使水下自动跟踪系统在不同环境条件下提取类标签？(3) 基于压缩传感的目标识别方法（如带增量字典的改进型 MSC）与流行的替代方法（如多任务学习方法）相比，有哪些优势、不足和主要区别？ (4) 如何扩展[1，2]中的改进型 MSC 框架，以便以高效的方式实现内核化解决方案？

在这项工作中，我们提出了几种新算法，以解决压缩传感系统的内核化问题，并将这些系统过渡到高效的增量学习，而不依赖于所有训练样本的全内核矩阵。通过对稀疏重构分类器进行内核化，可以将样本的稀疏表示和非线性嵌入的优势结合起来。本论文提出的新算法包括：一种增量线性化内核嵌入（LKE），它利用 Nystrom 近似[3-5]对嵌入空间进行有用的几何解释；一种更新增长内核矩阵特征分解的新算法，它利用快速箭头矩阵特征分解；以及一种针对 Mary 识别任务优化自定义内核函数的方法。这项工作要解决的一个主要技术问题涉及匹配子空间分类器（MSC）[2, 6]是否能成功地进行核化并转换成自适应形式，以便在终身学习环境中使用。

全面测试增量核化 MSC 并将其应用于使用低频声纳的弹药分类是这项工作的另一个主要目标。为此，我们测试了一个假设，即从各种物体的声纳反向散射中提取的声学颜色（AC）数据[2,7,8]中捕获的非线性映射光谱特征显示了独特的特征，与标准特征相比，这些特征在不同类别的被探测物体之间提供了更优越的分辨能力。在这篇论文中，我们介绍了使用核化 MSC 的三种变体进行分类的新结果，包括使用均匀和脊平均分数（RLS）采样的增量线性化核嵌入（LKE）MSC，以及 [2] 中改进的 MSC 线性版本的增量版本。这些分类系统应用于真实声纳数据集（即 TREX13 和 PondEX09-10），以测试分类器的泛化能力，这些分类器的基线训练是在由快速射线模型（FRM）（也称为目标环境响应模型（TIER）[8, 9]）生成的合成（即模型生成）声纳数据集上进行的。在增量情况下，当进入一个新的运行环境时，利用数量非常有限的标记样本来增强信号模型。

本文介绍的方法迄今已提供了极具前景的结果，在 TREX13 和 PondEX09-10 中，基于 LKE 的增量 MSC 系统在每次决策使用七个方面（AC 特征）时，PCC = 94.6%，PF A = 5.4%，PCC = 99.3%，PF A = 0.7%。