一种基于联合模型的雷达自动目标识别方法

雷达自动目标识别是将目标识别应用于传统雷达的一项技术,随着信息技术的飞速发展以及战场形势的复杂多变,雷达自动目标识别技术近年来受到广泛关注。目标识别的方法按其模型可分为生成模型和判别模型,生成模型侧重对数据分布的描述,判别模型侧重区分不同类别数据之间的差异。将两种模型有机结合可兼顾二者优势提升模型识别性能。本文提出了一种最大间隔正则化因子分析(MMRFA)模型,该模型对因子分析模型(FA)和隐变量支撑向量机 (LVSVM)建立联合模型。试验结果表明,该模型提升了识别性能且在低信噪比条件下表现优良。     

基于免疫克隆高斯过程隐变量模型的SAR目标特征提取与识别

作为一种非线性维数约减算法,高斯过程隐变量模型(Gaussian process latent variable model,GPLVM)由于其适合处理小样本、高维数据,因而在模式识别、计算机视觉等领域得到了广泛应用.基于此,提出一种基于改进GPLVM的SAR图像目标特征提取及自动识别方法,其中利用改进的GPLVM进行特征提取,高斯过程分类进行目标识别.传统GPLVM使用共轭梯度法对似然函数进行优化,为避免梯度估值易受噪声干扰、步长对算法影响严重等缺点,提出基于免疫克隆选择算法的GPLVM,利用其具有快速收敛到全局最优的特性提高算法性能.实验结果表明,该算法不仅降低了特征维数,且提高了识别精度,从而验证了算法用于SAR图像目标识别的有效性.     

一种基于支持向量机的手写汉字识别方法

本文提出了一种新的基于支持向量机手写汉字识别方法.支持向量机作为一种新的机器学习方法,由于其建立在结构风险最小化准则之上,而不是仅仅使经验风险达到最小,从而使得支持向量分类器具有较好的推广能力.本文首先讨论了支持向量机的基本原理,然后,针对支持向量机识别大类别手写汉字所遇到的特殊问题,文章进行了分析和阐述,并在此基础上,提出了基于最小距离分类器预分类的两级分类策略.最后,针对GB2312-80的1034个汉字类别的120套手写样本,进行了实验仿真.实验结果表明,本文方法的汉字识别率较距离分类器有较大提高,其中多项式核函数的支持向量分类器,识别率平均提高3.38％,表明了本文方法的有效性.     

基于支持向量机和无源特征的目标识别方法

通过引入机栽雷达辐射这一无源特征.采用多类分类支持向量机进行类型识别,提出了一种更有效的目标识别方法.无源特征是有用信号和噪声的叠加.具有一定程度的不确定性,采用范数熵衡量无源特征,类间距较大,类内聚集性较强,还可以抑制噪声.支持向量机分类器结构简单、可获得全局最优、泛化能力强,多类分类支持向量机解决目标识别问题高效而且实用.实验证明,该方法明显地提高了目标识别的正确率.     

一种基于支持向量机的分层调制识别方法

提出了一种新的在高斯白噪声条件下基于支持向量机的分层调制识别方法.其中选取信号的4阶、6阶累积量作为分类特征向量,并利用支持向量机作为分类器对其进行分层调制分类.该方法相比其他非分级调制识别方法具有较低的计算复杂度和较快的分类器训练速度.理论分析和仿真结果均证明了算法的正确性和有效性.     

一种基于支持向量机的数字调制识别方法

自动调制方式识别是非协作通信研究中的重要内容.本文提出了一种基于支持向量机的数字通信信号调制方式识别方法.从信号的瞬时幅度,相位,频率和频谱等特性中提取了7个特征参数,用于训练支持向量机.与已有算法相比,本文算法结构简单、计算量小,同时考虑了符号成型的影响.仿真结果证明,当信噪比大于10dB时,算法的识别率可以达到95%以上.     

基于支持向量机的长波红外目标分类识别算法

红外图像的分辨率低和色彩单一,但由于红外设备的全天候工作特点,因而在某些场景具有重要作用.本文采用一种基于支持向量机(support vector machine,SVM)的长波红外目标图像分类识别的算法,在一幅图像中,将算法提取的边缘特征和纹理特征作为目标的识别特征,输入到支持向量机,最后输出目标的类别.在实验中,设...     

基于支持向量机的红外成像自动目标识别算法

本文针对实战中红外成像制导导弹面临的自动目标识别问题,提出了一种利用若干二维图像识别三维目标的自动目标识别算法,并引入支持向量机作为分类器．仿真试验结果表明,该算法能够成功地识别三维空间中任意角度的目标,很好地解决了许多二维识别算法难以解决的三维目标识别问题．同时,通过比较,证明该算法比传统识别算法拥有更高的识别率．     

一种基于改进高斯过程隐变量模型的多角度人脸识别算法

针对传统谱算法在人脸识别中的局限,该文提出一种基于改进高斯过程隐变量模型(GP-LVM)的多角度人脸识别算法。首先,通过高斯过程(GP)对人脸流形建立概率模型,得到高斯过程隐变量模型(GP-LVM);其次,分析GP-LVM得到共有信息(shared information)和独有信息(private information),利用概率最大化与拉格朗日乘子法得到参照矩阵和参照值;最后,实现多角度人脸识别。选取Yale, JAFFE, FERET, CMU-PIE 4类数据集进行对比实验,实验结果表明：该文提出的算法可以有效地识别多角度人脸,针对无角度人脸识别也具有良好的效果。     

一种基于支持向量机的雷达多目标分类方法

针对小样本条件下雷达目标分类精度低的问题,提出了一种基于支持向量机(Support Vector Machine,SVM)的雷达目标分类方法。通过雷达目标特征的提取、选择和分类器的设计,实现了目标的多分类,且提高了目标分类精度。实验结果表明,基于二维特征的分类器可实现多目标的高精度分类,且平均分类精度均优于85%。     

基于波形结构特征和支持向量机的水面目标识别

借鉴语音声学的研究成果,音色可作为区分不同目标的依据。由于舰船辐射噪声的音色信息包含在其信号的波形结构特征中,可以通过提取舰船辐射噪声的波形结构特征判断目标类型。该文对水面目标信号时域波形结构特征提取进行了研究,构建了基于信号统计特性的特征矢量,包括过零点波长、峰峰幅度、过零点波长差分以及波列面积等。应用支持向量机(Support Vector Machine, SVM)作为分类器识别两类水面目标信号,核函数为径向基函数(RBF)。提出了差分进化和粒子群算法的混合算法,优化了惩罚因子和径向基函数参数的选取,两类目标的识别率较常规的网格搜索法有显著提高。     

基于Adaboost与支持向量机的人脸特征提取

针对单一分类器人脸检测非常耗时的问题，提出了一种由粗到精的融合分类器结构模式加速人脸检测。该系统分为3个阶段：前两个阶段，使用Adaboost级联分类器快速排除大量简单的非人脸图像；最后一个阶段．使用非线性的支持向量机分类器，将已通过前两个阶段检测的复杂图像准确归类为人脸或非人脸。实验结果表明系统性能良好。     

一种支持向量机更新模型的参数选择方法

支持向量机性能主要受模型参数的影响,而支持向量机更新模型的参数选择尚无专门的方法。将量子遗传算法用于模型参数选择并进行改进,用原始模型最优参数设置初始量子模板的生成规则,确定搜索方向;用拟合误差设置量子旋转门的调整策略,缩小解空间取值范围。通过仿真验证了所提方法的有效性。该方法能有效搜索到最优参数,与基本遗传算法相比,其解的精度在搜索过程的初期较高,搜索代数大大降低,能有效降低运算量。     

基于支持向量机的目标图像识别技术

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。     

基于非单点模糊支持向量机的判决反馈均衡器

该文提出了一种具有较强抗突发干扰能力的非单点模糊支持向量机判决反馈均衡器。该方法以支持向量机为框架,采用具有前置滤波特性的非单点模糊高斯核函数,利用梯度下降法调整核函数中的可调参数。通过仿真实验,并与支持向量机判决反馈均衡器和传统判决反馈均衡器进行比较,结果证明该方法具有优良的非线性均衡能力和抗突发干扰能力。     

基于生成对抗数据增强支持向量机的小样本信号调制识别算法

着眼于解决小样本信号调制识别问题,该文首先研究了利用支持向量机(SVM)进行分类识别的理论可行性;其次根据统计学习理论,对利用生成对抗网络(GAN)生成数据增强支持向量机分类识别能力进行了理论分析;最后通过构建包含层归一化的深度卷积生成对抗网络(LDCGAN),与普通深度卷积生成对抗网络相比,其生成数据映射至高维空间后特征更加明显,更有利于支持向量机的分类,实验验证了该生成对抗网络生成数据可以在小样本条件下实现对支持向量机分类识别能力的有效增强。     

一种基于粗糙集理论的支持向量机分类算法

粗糙集理论和支持向量机在数据挖掘方面具有较强的互补特性,基于粗糙集理论的上近似集、下近似集和边界域概念,结合支持向量机的分类原理,提出了一种支持向量机分类算法。首先,在支持向量机分类中定义样本分类的粗糙集规则,然后在边界域寻找两类样本中使判别式绝对值取值最小且分类正确的样本来确定最优分类面,脱离了对惩罚系数C的寻优问题,有效避免了过拟合问题,并通过循环迭代算法寻找合适的参数b,获得分类性能更优的支持向量机,最后通过对一个二维样本数据库进行分类实验,验证了此算法的有效性与可行性。     

基于支持向量机(SVM)的图像去噪方法

提出了一种基于支持向量机进行图像去噪的方法。该方法利用支持向量回归技术构造图像去噪所需的滤波器．其中特征的提取和训练样本的设计旨在抑制不同类型的噪声。实验结果表明，该方法能够有效去除噪声，并能较好地保护边缘信息，适用于边缘检测等操作的预处理。