基于核方法和主成分分析(PCA)的探地雷达目标特征提取新方法

常用探地雷达目标特征提取方法LDA(又称为FDA)直接在低维的探地雷达数据空间提取探地雷达目标特征, 提取的探地雷达目标特征的区分度小;常用的正则化技术存在正则化参数选取困难的问题。本文提出先通过基于核方法的 非线性变换把低维的探地雷达样本数据投影到高维空间,然后在高维空间中用PCA对奇异的核矩阵降维重建,最后对重 建后的非奇异核矩阵用LDA提取探地雷达目标特征。对实测数据的对比处理分析表明,本文所提探地雷达目标特征提取 方法优于其它方法。     

探地雷达多目标识别方法的研究

与现有的机器学习算法相比,在有限样本的情况下,支撑矢量机具有更强的分类推广能力。该文在提出利用非线性映射进行探地雷达目标识别的基础上,将多目标识别支撑矢量机与探地雷达目标识别相结合,得到了基于一对一(One against one) 支撑矢量机的探地雷达多目标识别方法。所提方法包括基于一对一的探地雷达多目标识别方法、交叉验证的参数选取方法、多通道识别方法;并且和传统的神经网络识别方法进行对比分析。所提识别方法可以与各种目标特征选取方法相结合。对实测数据的对比处理表明所提方法优于传统探地雷达目标识别方法,所得结论对探地雷达目标识别的研究有指导意义。     

基于支持向量机的浅地层探地雷达目标分类识别研究

对于探地雷达用于探测地雷情况下的目标识别,从实用性上说只需识别地雷或非地雷两类目标即可,而通常的支持向量机正是用于两类分类.本文结合浅地层探地雷达数据的特点,提出了一种基于支持向量机的浅地层探地雷达目标分类识别方法,并分析了时域,傅立叶谱,及离散小波变换三种特征数据用于所提方法时的效果.通过对实测数据进行处理,结果表明三种特征数据用于所提方法都能取得较好的效果.     

基于核ICA的探地雷达地杂波抑制

地雷及未爆武器给许多国家带来了巨大的经济和社会问题。近年来超宽带探地雷达被广泛用于浅层埋藏的塑性地雷的检测,其中滤除雷达回波信号中的地杂波是完成目标检测、成像与识别的关键。文中通过利用核ICA算法进行研究,给出了一种可以针对多目标数据区域且自动选取独立分量的探地雷达地杂波抑制方法,基于实测数据的实验结果表明了该方法的有效性。     

冲击脉冲雷达探雷

基于毫微秒电磁脉冲理论发展起来的探地雷达技术是一种浅层地下目标探测雷达。根据某型工程侦察车中配置的冲击脉冲探地雷达研制经验,对探地雷达探测地雷时所遇到的若干关键技术进行了研究,给出了工程设计方法。结合具体探测试验数据,对地雷目标识别问题进行了分析,对今后从事冲击脉冲雷达探雷研究工作具有一定参考价值。     

地表探测雷达图像ROI的人工神经网络提取方法

双曲线特征是探地雷达二维回波图像中的小目标的一个先验知识,本文根据这一特征提出了一种利用人工神经网络（ANN）进行感兴趣区域（ROI）提取的方法。根据探地雷达（GPR）数据解译的特点,设计了相应的B-SCAN图像预处理方法和ANN的结构、训练及测试方法,进而用塑料管和其他目标的B-SCAN实测数据对ANN进行训练和测试,并将检测结果与人工判读结果加以比较,结果表明此法可行而有效。     

基于核主分量相关判别分析特征提取方法的目标HRRP识别

为有效提高雷达高分辨1维距离像目标识别系统的总体性能,需要对目标高分辨1维距离像进行特征提取,以得到具有最小信息损失、高可分性且低维度的目标特征,为实现该目的提出一种基于核主分量相关判别分析的特征提取算法。该算法基于目标高分辨1维距离像的统计特性,通过对核主分量分析中核函数的选择,实现对不同类型距离单元的特征提取。同时综合线性判别分析与典型相关分析理论构建新的准则函数,以实现特征空间中类内相关性与类间差异性最大化,同时减少目标特征中的冗余信息。利用实测数据进行实验,结果表明该方法提高了特征向量的可分性,降低了特征向量的维度,并且对该算法在不同强度杂波下的识别性能进行了分析,实验结果表明,该方法可以有效的提高目标高分辨1维距离像目标识别系统的总体性能。     

一种低维空间线性人脸识别方法的研究

本文在基于成分方法的基础上提出了一种低维空间线性人脸识别分析方法.该方法着重强调和突出判别能量较高的特征,从而提高在低维空间的人脸识别正确率.通过对ORL人脸数据库的实验,表明了本文提出的方法在低维空间比传统的线性判别分析法LDA和主成分分析法PCA有更高的识别正确率.     

基于超宽带探地雷达技术的探雷系统研究

常规的探雷方式虚警率高、误差大。利用超宽带脉冲探地雷达既可探测金属又可探测非金属的特点,结合探地雷达较好的穿透深度和目标分辨能力,可在空间与介质上对雷区浅地层埋藏的地雷进行区分与成像探测。     

一种多通道探地雷达数据实时融合方法

针对不同工程实例的需求,采用新的处理方法,使多通道探地雷达能在一个视图中实时输出所有通道信息。该方法以数据融合技术为基础,具体实现分为三步:首先,进行带通滤波、时空校准和坐标转换等预处理;然后,采取信息熵这一度量参数和加权平均的融合准则进行实时计算;最后,利用自动增益对融合数据补偿、增强。多通道探地雷达数据实时融合结果能同时显示所有通道检测到的目标或异常,根据各通道信息熵的大小,能在发现目标的同时进行快速定位。该方法使多通道探地雷达的数据显示突破了传统方式的局限性,改善了滞后性,满足了工程应用对目标快速定位的要求。     

RX及其变种在高光谱图像中的异常检测

为了提高核RX算法在高光谱图像异常检测中的稳定性,将核矩阵正则化,并提出正则化的核RX算法(rkRX)。将规范化后的正则化RX算法和正则化的核RX算法融合改进,称为融合RX算法(mRX),该算法同时考虑了原始线性空间和高维特征空间的异常检测结果,使异常检测效果更加稳定。在仿真图像和真实高光谱图像的实验中,上述2种算法与原始的RX、正则化RX(rRX)和核RX(kRX)3种算法进行了比较,使用了双窗口技术和核主成分分析(KPCA)进行特征提取和基于高阶统计量的特征选择作为预处理来降低数据维数,并在未降维数据上比较上述5种算法。最后,使用ROC曲线评价检测效果,结果表明:提出的2种算法提高了检测效果并具有一定鲁棒性。     

Sparse matrix transform-based linear discriminant analysis for hyperspectral image classification

Due to the high dimensionality of hyperspectral image (HSI), dimension reduction or feature extraction is usually needed before the HSI classification. Traditional linear discriminant analysis (LDA) method for feature extraction usually encounters difficulty because the available training samples in HSI classification are limited, which causes the singularity of data scatter matrix. In this paper, we propose a sparse matrix transform-based LDA (SMT-LDA) algorithm for the HSI classification. By using SMT, the total scatter matrix used in LDA can be constrained to have an eigen-decomposition where the eigenvectors can be sparsely parametrized by a limited number of Givens rotations. In this way, the estimated scatter matrix is always positive definite and well conditioned even in the case of limited training samples. The proposed SMT-LDA method is compared with regularized LDA and PCA-LDA methods on two benchmark hyperspectral data sets. Experimental results indicate that the performance of the proposed method is overall superior to these methods, especially for small-sample-size classification.     

基于类别保留投影的基因表达数据特征提取新方法

 从两两样本的类别关系出发,提出一种新的线性鉴别特征提取方法,叫做类别保留投影.相比经典的fisher线性鉴别分析方法,类别保留投影具有最优子空间维数不受样本类别数限制、计算复杂度低的优点.通过对真实基因表达数据进行样本分类识别,证实了本文方法的有效性.并将类别保留投影方法推广到非线性空间,提出核类别保留投影,用于解决非线性特征提取问题,对基因表达数据的实验验证了方法的可行性.     

一种面向隐含主题的上下文树核

该文针对上下文树核用于文本表示时缺乏语义信息的问题,提出了一种面向隐含主题的上下文树核构造方法。首先采用隐含狄利克雷分配将文本中的词语映射到隐含主题空间,然后以隐含主题为单位建立上下文树模型,最后利用模型间的互信息构造上下文树核。该方法以词的语义类别来定义文本的生成模型,解决了基于词的文本建模时所遇到的统计数据的稀疏性问题。在文本数据集上的聚类实验结果表明,文中提出的上下文树核能够更好地度量文本间主题的相似性,提高了文本聚类的性能。     

基于DCT的改进零空间人脸识别算法

线性判别分析(LDA)是一种较为普遍的线性特征提取方法,它的主要缺点是在应用时经常遇到小样本问题,同时其准则函数并不与识别率直接相关。该文提出一种基于DCT的改进零空间LDA方法,能够解决以上两个问题。首先,通过使用DCT代替像素聚类并重新定义类间散布矩阵,得到一种新的零空间法。然后将这种方法与F-LDA结合起来得到一种新的对人脸识别更有效的特征提取方法,实验证明这种方法能得到较好的识别率。     

基于非线性特征提取和SVM的人脸识别算法

传统的PCA或LDA都是从像素的二阶依赖上考虑的,对于多像素之间的依赖性或像素的高阶关系不敏感。该文利用核函数方法提取像素高阶相关,并与线性SVM相结合来进行人脸识别。从Yale人脸库上的实验结果可以看出,非线性特征提取是很有效的,并且SVM分类器的性能优于最近邻分类器。     

基于流形学习能量数据预处理的模板攻击优化方法

能量数据作为模板攻击过程中的关键对象,具有维度高、有效维度少、不对齐的特点,在进行有效的预处理之前,模板攻击难以奏效。针对能量数据的特性,该文提出一种基于流形学习思想进行整体对齐的方法,以保留能量数据的变化特征,随后通过线性投影的方法降低数据的维度。使用该方法在Panda 2018 challenge1标准数据集进行了验证,实验结果表明,该方法的特征提取效果优于传统的PCA和LDA方法,能大幅度提高模板攻击的成功率。最后采用模板攻击恢复密钥,仅使用两条能量迹密钥恢复成功率即可达到80%以上。     

Kernel neighborhood preserving embedding for classification

The Neighborhood Preserving Embedding(NPE)algorithm is recently proposed as a new dimensionality reduction method.However,it is confined to linear transforms in the data space.For this,based on the NPE algorithm,a new nonlinear dimensionality reduction method is proposed,which can preserve the local structures of the data in the feature space.First,combined with the Mercer kernel,the solution to the weight matrix in the feature space is gotten and then the corresponding eigenvalue problem of the Kernel NPE (KNPE) method is deduced.Finally,the KNPE algorithm is resolved through a transformed optimization problem and QR decomposition.The experimental results on three real-world data sets show that the new method is better than NPE,Kernel PCA (KPCA) and Kernel LDA(KLDA)in performance.     

值域空间超球面上的判别分析

Fisher线性判别分析(LDA)是模式识别中使用最广泛的线性分析方法之一。然而,实际应用中,样本数量相对于样本空间的维数而言是很少的,即样本在高维空间中呈稀疏分布。LDA采用基于欧式距离的度量方法将会使判别向量趋向于较大的类间距离。从而,可能融合距离较近的类。我们用超球面模型表示数据在高维空间中的结构信息,提出一种值域空间中的超球面判别分析方法(RHDA)。RHDA方法将数据映射到其值域空间的单位超球面上;在值域空间超球面上计算各个子类的判别子空间;最后,计算测试样本与各个判别子空间中子类均值向量间的距离。RHDA将测试样本判别为第 类仅当测试样本与第 类的均值向量的距离最小。超球面判别分析采用单位超球面上数据的归一化向量来表示样本向量的结构信息,它主要针对于基于欧式距离的判别分析所引起的判别向量偏离问题。最后本文还提出了值域空间超球面核判别分析方法。超球面核判别分析方法为高维空间中对不同数据采用不同映射提供了可能。在不同数据库上的分类实验结果证实了RHDA相对于 LDA及其相关推广算法的优良性。