基于小波分解与方位角平均HRRP的SVM目标识别方法

针对雷达目标高分辨距离像(HRRP)方位角敏感以及以此为特征时正确分类识别率不高的问题,提出一种小波分解与按一定范围方位角平均的综合处理方法,降低了HRRP的维数,减小了HRRP的方位敏感性,增强了HRRP的稳定性,提取了雷达目标的主要特征;研究了结合支持向量机(SVM)的雷达目标分类识别方法,并对两种飞机目标缩比模型的原始HRRP数据、小波分解与方位角平均综合处理HRRP数据进行了分类识别实验,结果表明,小波分解、方位角平均以及SVM相结合的方法能够显著提高雷达目标的正确分类识别率,且稳定性更高,证明了方法的有效性.     

结合SVM和DS 证据理论的多极化HRRP 分类研究

针对雷达目标一维距离像(HRRP)识别问题,结合支持向量机(SVM)和 DS 证据理论提出一种多极化HRRP 分类方法—–SDHRRP.该方法通过混淆矩阵获取基分类器之间的距离,从而根据基分类器对不同目标类的分类能力给其赋予不同的可信度.将该可信度值与 SVM 后验概率结合到 DS 证据理论的基本概率赋值(BPA)中,以实现 SVM 和 DS 证据理论在目标识别中的有效结合.对实测目标数据的实验结果表明,基于分类器可信度得到的 BPA 能够有效避免证据冲突, SDHRRP 方法可以有效降低融合分类的误差率.     

帧内最大相似像在HRRP目标识别中的应用

由于高分辨距离像(HRRP)具有便于获取、处理方便的优势,基于HRRP的雷达目标识别技术一直是雷达自动目标识别技术研究的热点.HRRP的几何结构特征能够直接反映目标的物理结构,在利用帧内最大相似像缓和HRRP的方位敏感性的基础上,HRRP的等效散射中心维数、等效目标尺寸等几何结构特征的提取,有效实现了三类不同飞机目标的识别.实验表明,在基于几何结构特征的HRRP目标识别中,与平均向量的帧中心提取方法相比,帧内最大相似像具有更好的识别效果.     

基于时域双谱特征的雷达目标识别

雷达目标高分辨一雏距离像(High range resolution profile,HRRP)是目标散射回波在雷达径向上的投影,具有非高斯、非线性特点.文中从双谱概念出发引入时域双谱概念.分析了HRRP的时域双谱特征.为提高识别性能,定义了Fisher类可分离度函数,以类间可分离度最大化作为特征提取准则,提取一些特征双谱作为HRRP的特征向量.采用基于子空间变换的独立分量分析(Principle component analysis,PCA)和线性判别分析(Linear discriminant analysis,LDA)的特征提取方法进行了对比实验.结果表明,本文方法用于雷达目标高分辨一维距离像识别具有良好的抗喙性能和较高识别率.     

雷达HRRP自动目标识别算法

针对雷达高分辨距离像(HRRP)的方位敏感性和平移敏感性,对一定角域内的HRRP非相干平均,提取具有平移不变性的中心矩作为特征向量,采用Karhunen2Loeve变换进一步进行特征压缩,建立相应的支撑矢量机(SVM)分类算法。与基于原始距离像特征的最大似然(ML)方法和基于中心矩特征的ML方法识别结果比较,该方法在减少计算量的同时具有较高的识别率,具有良好的推广能力。     

基于复数高分辨距离像特征提取的雷达自动目标识别

高分辨距离像(HRRP)已成为雷达自动目标识别(RATR)领域研究的热点。由于目标复数HRRP的初相具有不确定性(本文称其为初相敏感性),在RATR中通常使用的HRRP为实向量(文中称为实HRRP),即目标复基频回波信号的幅度像,而完全丢弃了相位信息。事实上,复HRRP中除初相外的其他相位信息也应该是对识别有利的。文中提出了一种复HRRP的特征提取方法,该方法得到的复特征向量与初相无关但却保留了距离单元间的差分相位信息,称为相位差分复特征向量。若基于散射点模型理论分析,这种复特征向量的物理意义与实HRRP类似(只是包含了差分相位信息),因此,对实HRRP适用的识别、建模和预处理方法同样适用于该复特征向量。同时,相位差分复特征向量的各分量具有类Gauss性,更有利于统计识别。基于实测数据的识别实验表明,只要在特征提取时适当选取距离单元间隔参数,文中提出的相位差分复特征向量可以取得比实HRRP更好的识别效果。     

基于支持向量机的遥感图像舰船目标识别方法

针对高分辨率遥感图像舰船目标识别问题,提出了一种基于支持向量机的舰船目标分类方法。支持向量机(SVM)是一类新型机器学习方法,基于结构风险最小化归纳原则,具有出色的学习能力。与传统的方法相比,支持向量机不但结构简单,而且技术性能特别是泛化能力明显提高。该文简要介绍了有关统计学习理论和支持向量机算法,将支持向量机应用于遥感图像舰船目标识别,并同传统的舰船识别方法进行了相关的对比实验,实验结果说明本文提出的分类器在识别性能上明显优于其它传统分类器,具有更高的识别性能率。     

通过迭代学习简化支持向量机决策函数

支持向量机经过实践证明在小样本的情况下具有良好的泛化能力。但是在手写体数字识别的实验中，支持向量机被发现其在分类阶段的速度明显比神经网络要慢，因此在不影响支持向量机泛化能力的前提下简化支持向量机的决策函数。从而提高SVM的分类速度是很有意义的研究。利用迭代学习的方法来简化支持向量机的决策函数，实验证明本文的方法能够极大的简化SVM的决策函数，该方法易于实施。     

改进的决策树支持向量机地下水水质评价

基于结构风险最小原理的支持向量机(SVM)具有较强的学习泛化能力和良好的分类性能,能用来解决少样本学习的二类模式识别问题。针对具备多级类别的地下水水质评价问题,可以采用决策树SVM分类方法,通过对多类别水质标准的重新组合以构建类似于决策树的多个子分类器来实现。但基于决策树SVM分类过程中常常会出现由于正负类训练样本数据不均一导致的局部识别误差。基于二叉树原理提出了一种改进决策树SVM模型,通过加密数据插值和二叉分类有效避免正负类训练样本数据不均一的问题,针对地下水水质评价特点,增加了第5个子分类器以精确识别Ⅱ类水质和Ⅲ类水质。实验结果表明,改进的决策树SVM分类模型评价结果稳定。     

基于SA-SVM的中文文本分类研究

基于支持向量机SVM的中文文本分类方法的泛化能力与其参数选取紧密相关,参数优化对文本分类精度有较大影响。为解决优化SVM参数难题,提出一种基于模拟退火(SA)优化SVM的文本分类方法。将文本分类准确率作为模拟退火的优化目标,利用SA良好的寻优能力搜索SVM的最优参数组合。在相同的数据集上进行实验,结果表明模拟退火具有稳定的全局搜索性能,是优化SVM参数的一种有效方式。相比其他文本分类算法,基于SA-SVM的中文文本分类的分类准确率更高,泛化能力更强,具有良好的分类性能。