基于多尺度H/A/α分解的全极化HRRP特征提取

针对现有基于?/?/?分解的全极化高分辨率距离像(HRRP)特征提取方法没有考虑度量尺度对特征性能的影响问题,引入动态互信息思想设计了度量尺度评价准则,并提出了基于平均度量尺度、不定度量尺度和金字塔型度量尺度3种特征提取方法.采用两类飞机目标全极化HRRP数据对提取的特征子集进行了有效性分析,并通过识别多类飞机目标验证了3种方法提取的特征子集具有良好的类别可分性和稳定性.     

基于多尺度H/A/α分解的全极化HRRP特征提取

针对现有基于H/A/α 分解的全极化高分辨率距离像(HRRP) 特征提取方法没有考虑度量尺度对特征性能的影响问题, 引入动态互信息思想设计了度量尺度评价准则, 并提出了基于平均度量尺度、不定度量尺度和金字塔型度量尺度3 种特征提取方法. 采用两类飞机目标全极化HRRP 数据对提取的特征子集进行了有效性分析, 并通过识别多类飞机目标验证了3 种方法提取的特征子集具有良好的类别可分性和稳定性.     

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。     

基于支持向量机的高分辨距离像分类法

雷达高分辨距离像(HRRP)识别,是军事目标识别的一个重要手段.支持向量机(SVM)具有良好的泛化能力,适用于小样本学习问题.本文针对3类飞机目标的HRRP数据,构造了SVM分类器,设计了2组实验以比较SVM与最大相关系数法(MCM)的泛化能力、识别速度和抗噪能力.实验结果表明,SVM在军事目标HRRP分类方面具有良好的应用前景.     

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.     

高分辨雷达一维距离像的融合特征识别

雷达目标识别中,提取目标的有效特征将直接影响识别效果。针对雷达目标高分辨距离像(HRRP)具有平移敏感性,提出了一种基于多特征的融合特征来作为目标特征进行识别。利用PCA将三种平移不变特征融合,采用支持向量机算法来实现识别。仿真实验结果表明,该方法不仅降低了目标特征的存储量,同时也克服了高分辨距离像的平移敏感性,具有较高的识别率和很好的推广性。     

KDDA在高分辨雷达目标识别中的应用

文章研究了核直接判别分析(kernel direct discriminant analysis ,KDDA)在高分辨雷达目标特征提取与识别中的应用.KDDA算法是传统的LDA算法与核方法的结合,文中讨论了KDDA算法原理,首先将KDDA应用于雷达目标距离像特征提取,求取更易于分类的核投影向量,然后采用支持向量机进行分类,提出了基于核直接判别分析的高分辨雷达目标特征提取与识别方法.用四类目标数据进行了实验,实验结果表明,该方法能够提高目标识别性能.     

基于平移不变核主分量分析的雷达目标识别研究*

雷达目标识别中,核主分量分析（KPCA）算法是一种重要的特征提取算法,但雷达目标高分辨率距离像（HRRP）具有平移敏感性,使得该方法应用于基于雷达目标识别系统中具有其缺陷性。采用零相位表示法得到平移不变的HRRP,利用KPCA进行特征维数压缩,利用BP神经网络分类算法来实现识别。仿真实验结果表明,该方法实现了平移不变和降维的结合,具有较高的识别率和很好的推广性。     

一种联合EMD—RST的HRRP—RATR

针对高分辨雷达目标信号非平稳特性,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)特征提取技术的雷达目标高分辨一维距离像自动目标识别(HRRP-ATR)方法.该方法首先利用EMD将雷达目标HRRP分解为多个平稳的内禀分量(Intrinsic mode function,IMF),分别采用AR模型、奇异值分解、能量分布进行特征提取.为缩减特征维数,引入粗糙集理论(RST)进行属性约简、规则提取以及分类,并同基于支持向量机(SVM)的分类方法进行比较,得到一些有价值的结论.     

基于时-距包围盒目标截取的超宽带雷达多人步态识别

为解决超宽带(UWB)雷达多人识别的目标分割问题,提出了一种基于时-距包围盒(TRBB)的UWB雷达回波数据表示方法及TRBB截取算法,结合卷积神经网络(CNN),一起实现了一种多人步态识别算法框架.框架中,TRBB截取算法包括人体目标检测与快、慢时间分割,前者通过k-means聚类方法获取人体HRRP几何中心,后者利用HRRP几何中心作为参考点,通过截取信号矩阵中的TRBB目标子矩阵,从而实现多目标分离.可以看出,TRBB截取算法既可用于目标识别,也可用于目标跟踪.考虑到CNN擅长挖掘图像的隐含特征,框架选用CNN来学习TRBB中蕴含的步态特征是一个自然的选择.实验室条件下,测试了上述多人步态识别算法框架的性能,平均步态识别准确率达89.3％.     

应用小波包变换和主成分分析识别亚健康状态

为了评估亚健康状态,提出一种基于心电信号小波包变换和主成分分析的亚健康状态识别新方法。采用小波包变换对心电信号进行特征提取;再利用主成分分析（PCA）对所提特征进行降维处理,以剔除特征之间的冗余信息;最后应用线性判别式分析（LDA）对亚健康状态进行分类识别。研究结果显示,该方法能获得较高的识别率,对于实现亚健康状态的评估具有一定的参考价值。     

改进的PCA-LDA人脸识别算法的研究

主成分分析算法(PCA)和线性鉴别分析算法(LDA)被广泛用于人脸识别技术中,但是PCA由于其计算复杂度高,致使人脸识别的实时性达不到要求.线性鉴别分析算法存在"小样本"和"边缘类"问题,降低了人脸识别的准确性.针对上述问题,提出使用二维主成分分析法(2DPCA)与改进的线性鉴别分析法相融合的方法.二维主成分分析法提取...     

一种基于局部排序PCA的线性鉴别算法

主分量分析(Principal Component Analysis,PCA)是模式识别领域中一种重要的特征抽取方法,该方法通过K-L展开式来抽取样本的主要特征。基于此,提出一种拓展的PCA人脸识别方法,即分块排序PCA人脸识别方法(MSPCA)。分块排序PCA方法先对图像矩阵进行分块,对所有分块得到的子图像矩阵利用PCA方法求出矩阵的所有特征值所对应的特征向量并加以标识;然后找出这些所有的特征值中k个最大的特征值所对应的特征向量,用这些特征向量分别去抽取所属的子图像的特征;最后,在MSPCA的基础上,将抽取子图像所得到的特征矩阵合并,把这个合并后的特征矩阵作为新的样本进行PCA+LDA。与PCA和PCA+LDA方法相比,分块排序PCA由于使用子图像矩阵,可以避免使用奇异值分解理论,从而更加简便。在ORL人脸库上的实验结果表明,所提出的方法在识别性能上明显优于经典的PCA和PCA+LDA方法。     

基于规范化KDDA的人脸识别算法

传统的PCA和LDA算法受限于“小样本问题”,且对像素的高阶相关性不敏感。论文将核函数方法与规范化LDA相结合,将原图像空间通过非线性映射变换到高维特征空间,并借助于“核技巧”在新的空间中应用鉴别分析方法。通过对ORL人脸库的大量实验表明,该方法在特征提取方面优于PCA,KPCA,LDA等其他方法,在简化分类器的同时,也可以获得高识别率。     

融合PCA与LDA变换的仿生人脸识别研究

就基于PCA与LDA变换的传统人脸识别方法识别率低但特征提取过程中维数低和基于K-L 变换的仿生人脸识别方法识别率高但在特征提取过程中维数过高的的问题,将两者的优点相结合,提出了一种基于PCA与LDA变换的仿生人脸识别新方法。通过PCA与LDA变换对训练人脸样本进行特征提取,然后构建各类样本的覆盖区域。再通过判断待识别人脸特征在各覆盖区域的归属情况来识别人脸。实验收到了预期的效果,证明了方法的可行性。     

基于规范化KDDA的人脸识别

传统的PCA和LDA算法受限于“小样本问题”,且对象素的高阶相关性不敏感。本文将核函数方法与规范化LDA相结合,将原图像空间通过非线性映射变换到高维特征空间,并借助于“核技巧”在新的空间中应用鉴别分析方法。通过对ORL人脸库的大量实验研究表明,本文方法在特征提取方面明显优于PCA,KPCA,LDA等其他传统的人脸识别方法,在简化分类器的同时,也可以获得高识别率。     

基于类矩阵和特征融合的加权自适应人脸识别

为了准确快速地进行人脸识别,提出了一种基于类矩阵和特征融合的加权自适应人脸识别算法,该算法首先,提取人脸的全局特征和6个关键部分的局部特征,同时给出了局部特征权值的动态选择方法,由于该法可以根据不同的训练集得出不同的权值,因而增强了算法的自适应能力;然后通过将全局和局部特征加权融合来得出样本的特征矩阵;接着设计出了一种加权PCA方法用于对样本矩阵进行降维;再进一步提出类矩阵的概念,同时给出并证明了类矩阵的推导公式,并据此得出一种新的投影准则;最后,将类矩阵和试验样本分别进行投影,并根据其欧氏距离的大小得出试验人脸的最终类别。试验表明,该算法不仅计算速度快、识别率高,而且能有效解决LDA小样本空间问题,应用前景良好。     

PCA-LDA算法在性别鉴别中的应用

结合主元分析(Principal Components Analysis, PCA)与线性鉴别分析(Linear Discriminant Analysis, LDA)的特点，提出用于性别鉴别的PCA-LDA算法。该算法通过PCA算法求得训练样本的特征子空间，并在此基础上计算LDA算法的特征子空间。将PCA算法与LDA算法的特征子空间进行融合，获得PCA-LDA算法的融合特征空间。训练样本与测试样本分别朝融合特征空间投影，从而得到识别特征。利用最近邻准则即可完成性别鉴别。基于ORL(Olivetti Research Laboratory)人脸数据库的实验结果表明，PCA-LDA算法比PCA算法识别性能好，在性别鉴别中是一种有效的方法。     

Holistic and partial facial features fusion by binary particle swarm optimization

This paper proposes a novel binary particle swarm optimization (PSO) algorithm using artificial immune system (AIS) for face recognition. Inspired by face recognition ability in human visual system (HVS), this algorithm fuses the information of the holistic and partial facial features. The holistic facial features are extracted by using principal component analysis (PCA), while the partial facial features are extracted by non-negative matrix factorization with sparseness constraints (NMFs). Linear discriminant analysis (LDA) is then applied to enhance adaptability to illumination and expression. The proposed algorithm is used to select the fusion rules by minimizing the Bayesian error cost. The fusion rules are finally applied for face recognition. Experimental results using UMIST and ORL face databases show that the proposed fusion algorithm outperforms individual algorithm based on PCA or NMFs.     

完备鉴别保局投影人脸识别算法

为了充分利用保局总体散布主元空间内的鉴别信息进行人脸识别,提出了一种完备鉴别保局投影(complete discriminant locality preserving projections,简称CDLPP)人脸识别算法.鉴于Fisher鉴别分析和保局投影已经被广泛的应用于人脸识别,完备鉴别保局投影(locality preserving projections,简称LPP)算法将这两者结合起来,分析了保局类内散布、类间散布和总体散布的主元空间和零空间内包含的鉴别信息.该算法采用奇异值分解(singular value decomposition,简称SVD),去除了不含任何鉴别信息的保局总体散布的零空间;分别在保局类内散布的主元空间和零空间提取规则鉴别特征和不规则鉴别特征;用串联的方式在特征层融合规则鉴别特征和不规则鉴别特征形成完备的鉴别特征进行人脸识别.在ORL库、FERET子库和PIE子库上的大量识别实验充分表明了完备鉴别保局投影算法的性能优于线性鉴别分析、保局投影和鉴别保局投影等现有的子空间人脸识别算法,验证了算法的有 效性.