首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 851 毫秒

1.  基于支持向量机和遗传算法的水下目标特征选择算法  被引次数:5
   杨宏晖  孙进才  袁骏《西北工业大学学报》,2005年第23卷第4期
   基于统计学习理论和遗传算法理论,提出了一种基于支持向量机和遗传算法相结合的水下目标特征选择算法。通过对实测数据的特征集的优化选择实验,证明了该算法的有效性和鲁棒性,它能较好地解决在复杂水下目标信号所提取的特征维数高,样本采样困难,数目偏少的实际情况下的分类识别问题。    

2.  改进遗传算法和支持向量机的特征选择算法  
   杜卓明  冯静《计算机工程与应用》,2009年第45卷第29期
   提出了一种基于改进遗传算法的特征选择算法。该算法以支持向量机分类器的识别率作为特征选择的可分性判据,对传统遗传算法的交叉和选择操作进行了改进,实现了指定数目的特征选择。而且算法在特征选择的过程中,还同时优化了支持向量机分类器的两个参数。实验数据的特征选择实验表明,提出的算法仅以损失2.7%识别率的代价,得到的特征维数却是传统遗传算法的1/5,极大地简化了分类器设计的复杂度。    

3.  中远距离舰船目标识别方法研究  
   赵峰民  刘皞  陈望达《激光与红外》,2012年第42卷第9期
   分析了中远距离舰船目标的特点和对其进行识别的重要性,提出了一种新的舰船目标识别算法。该算法采用基于曲线进化的方法提取目标的骨架,通过计算目标骨架扩展的Hu不变矩提取目标特征,最后选用支持向量机作为分类器,并用创建的舰船目标的模型对分类器进行训练,利用训练好的分类器对实际获取的目标的红外图像进行分类识别。实验结果表明算法的识别率较高,鲁棒性较好。    

4.  一种基于小波分频带统计特征的舰船分类识别方法  
   潘琳  张效民  刘义海《鱼雷技术》,2013年第1期
   为了有效提高舰船目标的识别率,提出了一种基于小波分频带统计特征的舰船分类识别方法。该方法利用小波变换分别提取了舰船辐射噪声带内信号的小波模极大值和带外信号的分频段能量两类特征,并将两类目标特征的联合量作为舰船的目标特征用以识别舰船目标。同时利用实测海录58组舰船的辐射噪声数据对上述舰船目标特征的分类识别方法进行了验证,结果表明,利用联合特征对目标的检测概率可以达到97%以上。    

5.  突发QAM信号盲识别算法  
   刘聪杰  彭华  吴迪《计算机应用》,2012年第32卷第8期
   针对非协作通信中的7种正交幅度调制(QAM)方式识别问题,提出一种新的基于联合特征的盲识别算法.该算法在对信号的循环平稳性以及QAM瞬时幅度分布特点讨论和分析基础上,采用基于循环平稳检测、四阶零次共轭循环累积量以及瞬时包络的联合特征,并选择二叉树支持向量机作为识别分类器,完成了对7种中频QAM信号的识别.仿真实验表明,该算法在码元数目为1000,信噪比大于6 dB时,正确识别率可达到90%以上.    

6.  支持向量机和AdaBoost目标跟踪新方法  
   宋华军  范志刚  朱明《微计算机信息》,2006年第22卷第31期
   在目标跟踪领域,目标检测对跟踪的效果起决定性作用,提出一种用支持向量机进行目标跟踪的方法。采用AdaBoost算法选择最具有代表性的Harr特征,将选择出来的特征作为支持向量机训练器的输入数据来训练目标检测分类器。为了加速检测速度,使用了层叠加速检测算法。实验结果表明,该算法不但提高了识别的正确率,而且大大提高了检测速度。    

7.  基于数据挖掘技术与支持向量机的目标识别研究  
   段纪军  陈琳  王海燕  田娜《计算机与数字工程》,2004年第32卷第6期
   提出了基于数据挖掘技术及基于支持向量机的两种水中目标识别方法,分别藉助目标噪声特征量提取和模式识别算法以及支持向量及二次规划算法,对比性地研究了不同工况下三类目标的分类识别效果。其方法和结果对水中目标识别有较好的参考价值。    

8.  光学遥感舰船目标识别方法  
   杜春  孙即祥  李智勇  滕书华《中国图象图形学报》,2012年第17卷第4期
   提出一种基于粗糙集理论和分层判别回归技术的光学遥感舰船目标识别方法。该方法首先提出新的光学遥感舰船识别特征———面积比编码,并与四类特征组合作为备选特征;然后基于粗糙集理论按同可区分度来计算各备选特征的重要性权值,自动选择出对正确识别贡献较大的特征组合;最后根据分层判别回归原理生成分类判决树来识别光学遥感舰船目标。实验结果表明,本文方法在识别精度和速度方面优于最近邻和支持向量机方法,且通用可行。    

9.  不变矩的改进支持向量机在显微目标识别中的应用研究  
   曾祥进  黄心汉  王敏《机器人》,2009年第31卷第2期
   为完成多个微小零件的识别,提出了一种改进的支持向量机分类算法.该算法应用基于边缘提取的不变矩获得特征属性,利用基于粗糙集的可辨识矩阵的启发式属性约简算法获得特征属性的约简,最后应用支持向量机进行目标识别分类.比较了使用支持向量机分类和使用提出的改进支持向量机分类对多个微小零件识别的效果.在显微视觉环境下的实验表明,提出的改进支持向量机分类方法能满足系统应用要求,分辨率达95%.    

10.  用于水声目标识别的近邻无监督特征选择算法  
   《声学技术》,2016年第3期
   针对水声目标数据的特征冗余问题,提出一种新的近邻无监督特征选择算法。首先利用顺序向后特征搜索算法生成原始特征集的子集,然后利用基于代表近邻选取方法的特征评价机制评价特征子集的优越性。使用实测水声目标数据集和声呐数据集进行特征选择和分类实验,在保持支持向量机平均分类正确率几乎不变的情况下,特征数目分别降低了90%和75%。结果表明,该算法选择出的特征子集,在去除冗余特征后有效地提高了后续学习算法的效率。    

11.  组合核函数支持向量机在水中目标识别中的应用  被引次数:4
   陆阳  王海燕  田娜《声学技术》,2005年第24卷第3期
   论文研究了支持向量机核函数构成条件以及不同核函数的特性,结合水中目标识别技术特点,提出了一种组合核函数支持向量机的方法。提取了基于小波变换的舰船辐射噪声奇异性、尺度-过零、尺度-能量特征,对水中目标进行了SVM分类识别。研究表明,基于组合核函数的支持向量机分类识别效果优于单独核函数的支持向量机识别效果。    

12.  基于支持向量机的遥感图像舰船目标识别方法  被引次数:1
   李毅  徐守时《计算机仿真》,2006年第23卷第6期
   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。    

13.  一种多光谱红外舰船目标融合检测方法  
   詹维  仇荣超  刘军  马新星《红外》,2018年第39卷第9期
   针对复杂岸岛背景下的红外舰船目标检测问题,提出了一种多光谱融合红外舰船目标检测方法。首先根据不同谱段信息相互间的关系进行基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform, NSCT)域的多级多光谱图像融合,然后利用LSD线段检测和聚类对融合后的图像进行岸岛线检测。采用选择性搜索算法生成初始目标候选区域,然后结合岸岛线空间位置以及舰船目标的几何特征和灰度特征约束剔除部分虚假目标区域,最后提取候选区域的方向梯度直方图(Histogram of Oriented Gradient, HOG)特征算子。利用线性支持向量机(Support Vector Machine, SVM)分类器进行分类识别,以检测出真实舰船目标。实验结果表明,与单谱段红外舰船目标检测方法相比,本文方法在检测精度上有较大提升。    

14.  一种基于调制特征向量的空目标识别方法  
   苗振奎  徐 伟  李 亮  张同舟《太赫兹科学与电子信息学报》,2013年第11卷第6期
   空中目标旋转部件对雷达回波有调制作用。将回波时域幅度调制信息的幅度偏差系数作为调制特征,首先利用仿真数据分析了固定翼飞机目标和直升机飞机目标的差异,随后提出了一种最近邻分类器的设计方法,最后利用实测数据对目标进行分类,取得了较高的识别率。与支持向量机的算法相比,该分类器算法复杂度低,计算量小,识别率高,在工程上可以选用这种方法对两类目标进行分类识别。    

15.  基于距离排序的快速支持向量机分类算法  
   《计算机应用与软件》,2013年第4期
   传统支持向量机算法由于时空复杂度较高,因此很难有效地处理大规模数据。为了降低支持向量机算法的时空复杂度,提出一种基于距离排序的快速支持向量机分类算法。该算法首先计算两类样本点的样本中心,然后对每一个样本计算它与另一类样本中心之间的距离,最后根据距离排序选择一定比例的小距离样本作为边界样本。由于边界样本集合很好地包含了支持向量,而且数目较原始样本集合少得多,因此算法可以在保证支持向量机学习精度的前提下,有效地缩短训练时间和节约存储空间。在UCI标准数据集和20-Newsgroups文本分类数据集上的实验说明算法较以往支持向量预选取算法而言可以更为快速准确地进行支持向量预选取。    

16.  基于遗传算法和支持向量机的玉米品种识别  被引次数:5
   王宏勇  侯惠芳  刘素华《计算机工程与应用》,2008年第44卷第18期
   提出了一种基于遗传算法(GA)和支持向量机(SVM)的玉米种子的图像特征选择和分类识别的新方法。该方法首先用遗传算法对采集到的玉米种子图像的特征进行优化,而后采用决策二叉树的支持向量机分类算法对玉米品种进行识别。该分类算法将分类器分布在各个结点上,构成多类支持向量机,减少了分类器的数量和重复训练样本的数量。实验结果表明该方法能选出适合于识别的玉米种子特征并能对玉米种子进行正确地识别。    

17.  使用粒子群算法进行特征选择及对支持向量机参数的优化  
   张俊才  张静《微电子学与计算机》,2012年第29卷第7期
   特征选取和参数设置是提升支持向量机分类器的效果的两个主要手段.为了将两者结合起来,实现同步优化,以达到更好的分类效果,设计了一种基于粒子群算法的分类器优化算法.新算法对粒子采用2进制编码的,设计适合的目标函数,同步进行特征选择和支持向量机参数的优化.经过对比验证,新方法能够更加准确的得到待分类数据的特征子集跟支持向量机参数,最终得到更优的处理结果.    

18.  基于多分类支持向量机的模式识别研究  
   苏晓伟《计算机与数字工程》,2015年第7期
   支持向量机是现代人工智能领域中的一个重要分支,它在统计学习理论的基础上,实现了结构风险最小化,提高了分类器的泛化能力,保证了分类的准确度。论文提出一种基于多分类支持向量机的模式识别方法,采用特征选择序列极小化算法对数据样本特征进行选择,并在此基础上,分析对比了“一对一”分类算法和“一对多”分类算法,实验结果表明,“一对一”分类算法的分类准确性较高,且具有较好的推广能力。    

19.  基于优化Adaboost迭代过程的SVM集成算法  
   《Planning》,2017年第15期
   为提高Adaboost算法迭代过程中生成基分类器的分类精度以及简化整个集成学习系统的复杂度,文章提出了一种优化Adaboost迭代过程的SVM集成算法。该算法提出了一种在其迭代过程中加入样本选择和特征选择的集成方法。通过均值近邻算法对样本进行选择,并利用相对熵法进行特征选择,最后利用优化得到的特征样本子集对基分类器SVM进行训练,并用加权投票法融合各个SVM基分类器的决策结果进行最终判决。通过对UCI数据集的仿真结果表明,本算法与支持向量机集成算法相比,能够在更少的样本以及特征的基础上,实现较高的识别正确率。    

20.  基于支持向量机的目标图像识别技术  
   张红  陆谊《微电子学与计算机》,2006年第23卷第7期
   介绍了目标图像的前期处理、目标图像的特征提取和基于支持向量机的目标图像识别方法。为了验证方法的正确性.采用了一批太空目标图像对其算法进行了检验。数据实例表明,支持向量机识别的正确率比其它两种神经网络方法的正确率要高很多。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号