基于SKO—KPCA和SVM的雷达目标HRRP特征提取与识别

将依赖数据变化的自适应SKO技术和迭代算法引入KPCA算法中,结合SVM分类技术,提出了基于SKO—IKPCA和SVM的雷达目标HRRP特征提取与识别方法。讨论了HRRP预处理、迭代KPCA算法和SKO／FKO技术的实现方法,将SKO／FKO技术应用到KPCA的核优化中,并用人工合成数据对其优化性能进行了测试与比较,应用该方法对su-27、F-16及M2000等三类飞机目标的实测HRRP数据进行了特征提取与识别实验。结果表明,所提方法具有较好的稳定性和可靠性,能有效地优化雷达目标主元特征的提取,提高目标的识别性能。     

基于核的k最近邻算法

将核学习的方法应用到k最近邻算法中,提出了1种基于核的k最近邻算法.该算法通过引入核函数,将原空间中的样本映射到1个高维核空间中,突出了不同类别样本之间的特征差异,使样本变得线性可分,从而提高分类性能.并利用UCI数据库中的数据分别验证了k最近邻分类和核k最近邻分类算法的有效性.     

一种复合KPCA故障诊断模型

核函数主元分析(KPCA)故障诊断方法中核函数的具体形式对诊断性能的影响非常大.针对核函数具体形式选取问题,基于径向基高斯核函数和一类特定多项式核函数,构造出一种新的复合核函数模型.对模型的构造方法进行了论述,给出了具体的故障诊断算法的实现步骤.该模型在兼顾全局信息提取的前提下,保证了局部灵敏度,具有很好的拟合能力.通过与其他算法仿真比较表明所提出方法不但可以避免对模型的事先假设,且具有较高的故障诊断效率.     

基于粒子群优化的核主元分析的故障检测方法

目的提出使用粒子群优化(PSO)方法进行核参数优化,获得混合核KPCA的故障检测方法.方法引入多项式核函数和高斯径向基核函数的混合核方法,使用PSO对各参数同时进行优化,得到最优的混合核函数,再与PCA相结合,得到基于PSO优化的KPCA.结果根据混合非线性主元特征计算出的T2和SPE统计量,实现故障检测.并且其故障检测率高于径向基KPCA,时间成本低于多项式KPCA.结论通过田纳西-伊斯曼(TE)测试过程以及电主轴系统的应用实例说明了KPCA方法的可行性与实用性.     

基于核函数的多极化HRRP识别

针对多极化雷达高分辨距离像(HRRP)识别中数据量大、分布复杂和识别算法复杂的问题,提出了基于核函数的识别方法.该方法首先定义了两种基于多极化HRRP的核函数,然后将其分别应用到核主分量分析(KPCA)中降维和提取特征,最后采用最近邻(1NN)分类器和支持矢量机(SVM)分类器对目标进行分类.该方法可以在不丢失极化信息的情况下,将多极化HRRP作为一个整体进行识别,降低了识别算法的复杂度.多极化HRRP数据的仿真实验结果显示,该方法的识别率比单极化HRRP提高7%～10%;与其他多极化HRRP识别方法相比,该方法不仅降低了提取特征的维数,而且还提高了识别性能.     

基于RBF -BP神经网络融合的医学数据分类研究

为改善传统的反向传播(BP)神经网络和径向基函数(RBF)神经网络的学习能力和分类性能的不足,提出一种融合RBF网络与BP网络的混合神经网络算法(HRBF -BP),并将其应用到医学数据分类问题中.在网络结构的实现上,将RBF隐藏层与BP隐藏层进行级联融合,即在连接BP网络输入层与隐藏层之间加入RBF核映射层; 在学习算法的实现上,先采用k-均值聚类算法来实现RBF核参数的估计,然后再使用基于随机梯度下降的BP算法实现级联BP网络的权值优化.将该算法与SGBP、KMRB、PFRBF等算法在不同的医学数据集上进行分类实验对比表明,该方法的网络训练精度以及测试精度均优于SGBP、KMRB、PFRBF算法; 因此,该方法对提高BP网络和RBF网络的学习能力和分类性能具有良好的参考价值.     

改进的模糊核聚类算法

将核学习方法的思想和改进的选择C-均值聚类算法相结合,提出了一种改进的模糊核聚类算法,使其能对非超球体、含有噪音和离群点及样本不均衡的数据进行有效的聚类.通过引入高斯核函数,原样本的特征被非线性变换到高维核空间,提高了聚类性能.实验结果表明,该改进算法具有有效性.     

基于NSVM的核空间训练数据减少方法

针对核空间中大数据集的计算代价高问题, 提出用NSVM方法减少分类器的训练数据. 先用NSVM、核主成分分析(KPCA)和贪婪KPCA分别从全部训练数据中提取训练分类器的子集; 再用子集训练分类器, 并用训练和测试数据的错分率对分类结果进行评价. 在两个数据集和两种分类器中, 用KPCA提取的子集训练的分类器的分类性能弱于NSVM和贪婪KPCA, 但用贪婪KPCA提取的子集训练的分类器的泛化能力弱于NSVM. 仿真结果表明, 用NSVM方法提取的子集训练的分类器, 不仅保证了分类器的泛化能力, 也降低了分类算法的计算复杂度.     

基于GF空间多项式核函数的分类研究

在基于核方法的分类问题中,核函数及其参数选择皆对分类结果具有重要影响,通常基于经验选择核函数或基于多核优化方法确定核函数的权系数。针对GF空间的多项式核函数,在范数限定条件下利用多核学习方法优化多项式权系数,实现多项式核函数的优化。实验结果表明,算法优化得到的多项式核函数其分类性能优于常用的单核函数,与多核方法相当,并在分类中取得良好的效果。     

信噪比估计算法研究

提出了利用核函数挖掘物理散射信息,提取极化特征的Fisher分类方法。该方法在Freeman分解的基础上,采用核函数将极化协方差等信息映射到某特征空间,然后在特征空间中进行线性分类,这样能够从PolSAR数据特有的极化散射信息出发,较好利用核方法的优势,改善不同地物类别的可分性。实验表明,该算法能获取有效的分类结果,实现同类相聚,异类分离,具有良好的紧致性。     

消费函数的非参数回归与实证分析

讨论了传统线性消费函数模型估计的不足,采用随机变量密度函数的非参数核估计和核回归,对我国2004年城镇居民的实际消费数据进行实证分析,结果表明非参数回归结果要优于线性回归.     

一种基于多核函数SVM的图像标注方法

针对多项式核或RBF核SVM不能很好地处理图像标注中的数据不平衡问题,提出了一种基于多核函数SVM的图像标注方法,该方法采用多核函数训练过的SVM将基于区域的图像标注问题转化为对非平衡数据分类的问题,进而对图像标签进行分类以获取更符合图像真实含义的标注.实验结果表明,多核函数SVM图像标注性能优于单独使用局部或全局核函数.     

基于inotify的内核态与用户态跨平台数据交互

为实现本地内核与远程进程之间的数据交互,在分析inotify机制的基础上,设计出一种用户态与内核态之间跨平台的数据交互模型。借助网络套接字技术以及Qt图形库,实现远程进程间的跨平台通信,而在服务器主机上基于inotify机制实现内核模块,使本地进程与本地内核实时通信,从而使得远程进程与本地内核之间的跨平台数据交互得以实现。设计的模型能为内核空间和用户空间提供一种远程数据交互方法,具有良好的移植性。     

基于混合核函数PLS的氧化铝粉流量预测

为了解决氧化铝粉流量需要在线实时预测的问题,提出了一种基于混合核函数PLS的软测量建模方法,建立了混合核函数PLS的氧化铝粉流量预测模型,经采用工业现场数据仿真研究,说明该模型具有算法简单、有较高的预测精度,并兼具了全局及局部核函数的优点,能满足氧化铝粉流量的在线测量要求．     

智能环境下基于核相关权重鉴别分析算法的多特征融合人脸识别

针对智能会议环境下基于单模特征的人脸识别的识别率低、鲁棒性差的问题,提出了一种在智能会议室环境下基于核相关权重鉴别分析(KRWDA)算法的融合全局和局部特征的多特征融合人脸识别方法。基于相关权重鉴别分析算法并结合核方法,提出了一种核相关权重鉴别分析算法,有效解决了小样本问题。利用全局特征和局部特征在识别时所描述的内容和作用的互补性在特征层融合两种特征,全局信息和局部信息分别采用离散余弦变换和Ga-bor小波变换提取。在AMIES2016数据库上的仿真实验表明,本文所提出的方法可以有效地提高系统身份识别的正确率。     

一种基于高斯分布的SVM核参数选择方法

针对支持向量机(Support Vector Machine,SVM)研究中的核选择问题,在Amari和Wu提出的保形变换方法的基础上,提出了一种基于高斯分布的SVM核参数选择方法.分析了确定数据分布特征的重要性,给出了判断数据呈高斯分布的方法,探讨了SVM核函数及其参数选择与数据分布的相关性.在Matlab实验环境下,采用两组数据集进行了数值仿真,仿真结果说明了本文所提方法的可行性与有效性.     

基于多特征融合和混合核SVM的目标识别方法

针对可见光和红外传感器具有不同感知特性的问题,提出了一种基于多传感器特征信息融合和混合核SVM的图像目标识别方法,方法包含多特征提取、主成分分析和混合核SVM分类三个部分.在特征提取中利用可见光和红外图像的互补性,分别提取同一场景可见光与红外图像的灰度共生矩阵以及灰度直方图统计特征,得到一组目标融合的特征量,进一步进行目标分类与识别;利用主成分分析法降低特征的维度,减少计算量;利用混合核SVM方法对目标特征进行分类识别.结果表明,在室内环境中对不同人群密度等级进行分类时,所提出方法的精度可达88.21%.     

基于核Fisher判别分析的目标识别

核Fisher判别分析是基于Fisher线性判别提出的一种非线性分类方法,其主要思想是首先把样本映射到某一特征空间,然后在此特征空间进行Fisher线性判别,这样就隐含地实现了原输入空间的非线性判别. 分析了核Fisher判别方法的分类机理,然后基于此方法对三类实际的船舶目标噪声谱进行了识别,并与神经网络、支撑矢量机等其他分类方法做了比较. 实验结果表明,核Fisher判别分析(加上一线性支撑矢量机做阈值估计)的识别效果优于其他分类算法.     

背景变化鲁棒的微弱瞬态信号检测

在微弱瞬态信号检测中,由于信号完全淹没在背景和噪声中,因此当背景信号发生变化时,传统方法的检测性能会急剧降低。针对上述问题,提出一种基于核函数的对连续背景变化鲁棒的微弱瞬态信号检测方法。利用核函数将信号映射到一个高维空间来解决在原始空间中线性不可分的问题。根据信号和噪声特性对核函数加以约束,使检测方法在能检测出瞬态信号的同时还具有对连续背景变化鲁棒特性。将该方法应用于基于高帧频图像序列的微弱运动点目标检测中,实验证明该方法无论是在稳定背景情况下,还是背景连续变换情况下, 相比传统方法都有更好的检测结果,在背景连续变换的情况下优势更加明显。