第36卷，第12期 2016年12月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
Vol. 36, No. 12· pp4067-4071
December, 2016
基于光谱信息的空间目标模式识别算法研究
李庆波，吴科江，高琦硕
北京航空航天大学仪器科学与光电工程学院，精密光机电一体化技术教育部重点实验室，北京100191
摘要在观测空间目标时，往往会受到地基观测仪器等因素的制约，导致无法利用目标图像信息从外形标特有的光谱信息进行识别分类。基于此，从光谱学角度对空间目标识别算法进行研究，在K最近邻算法(KNN)的基础上，采用了一种自适应权重局部超平面方法（AWKH），算法主要在计算预测样本与超平面距离时加入对特征权重的考患，构建了以样本特征组间差与组内差的比值作为特征权重值的超平面模型，从而提高了分类效果和分类效率，为验证算法的分类效果，本文进行了四组验证实验，第一组实验将美国地质勘探局数据库中提取出的九种常用材料光谱随机选出三种混合成多类进行识别；第二、三组实验将四种常用空间目标材料的光谱作为纯物质光谱，分别从可见光和近红外波段对其混合物质进行分类：第四组实验通过实测四个方形模型样本六个面的光谱对其进行识别分类。实验过程中将实验结果与目前常用的支持向量机(SVM)进行对比，对比结果表明改进后的AWKH算法在识别精度和样本适用范围上具有更高的优越性。
关键词空间目标；模式识别；光谱信息；AWKH算法
中图分类号：0657.3
引言
文献标识码：A
DOI: 10. 3964/j. issn. 10000593(2016)12406705
别越准确。首先通过模式识别方法对不同空间目标不同角度获取的光谱数据进行模型训练，然后再对实测的未知空间目标光谱进行识别5-行。
空间目标在航天领域通常是指在大气层外绕地球飞行的各种人造飞行器和空间碎片1]。自从1957年苏联发射了世界上第1题人造地球卫星以来，发射进人外层空间的飞行器不断增加，也制造了大量的空间碎片，成为太空垃圾。这些空间碎片会对在轨飞行器构成严重的威胁，故而有效识别空间目标对防止碰撞，保证飞行器安全具有重要意义。
对空间目标的观测主要分为成像观测和非成像观测，目前通常采用地基光学望远镜获取空间目标图像数据，从外形尺寸上进行识别，但是由于受到地基观测仪器空间分辨率、衍射极限、大气消流等因素的限制，空间目标在观测时往往会成点目标或者占据极少像元。在这种情况下无法利用图像从外形上进行目标识别。光谱特征是空间目标的重要光学特性之一。由于不同空间目标表面组成材料不同，其反射光谱曲线存在差异，所以可以根据空间目标的光谱信息进行模式识别。目标的光谱特性包括其可见光、红外和紫外特性等，随若光谱波段的增加，其目标信息越多，目标探测与识
收稿日期：2015-07-03，修订日期：2015-11-12
基金项目：国家自然科学基金项目（61575015)资助
目前模式识别算法通常包括支持向量机(SVM)汀、K最
近邻算法、神经网络方法等机器学寸方法，支持间量机算法主要是求解存在约束条件的二次规划（quadraticprogram ming，QP)问题，对于小规模的二次优化间题，SVM能够很好的解决，但是随者样本复杂程度增大，就会出现精度下降、效率低下等问题[9]，而KNN算法和支持向量机SVM算法一样，相较于其他的如贝叶斯、决策树等分类方法有更好的分类精度，但当样本类别数增加，复杂程度增大时，也会出现准确率下降的情况。神经网络算法[10]特别适用于多因素、不精确的信息处理问题，但也存在着学习过程收敛速度慢、训练易陷入摊痪、训练过程中易陷人局部极小值等问题。因此，针对KNN算法中存在的分类效果以及分类效率不足的问题，本文采用了一种自适应权重局部超平面算法(adaptive weightk-local hyperplane，AWKH），使改进后的 AWKH算法在识别精度以及效率上能有显著提高，
作者简介裂，1975年生，北京航空航天大学仪器科学与光电工程学院副教授
e-mail : qbleebuaa@ buaa. edu. cn