一种集成式Beta过程最大间隔一类分类方法

一类分类是一种将目标类样本和其他所有的非目标类样本区分开的分类方法.传统的一类分类方法针对所有训练样本建立一个分类器,忽视了数据的内在结构,在样本分布复杂时,其分类性能会严重下降.为了提升复杂分布情况下的分类性能,该文提出一种集成式Beta过程最大间隔一类方法.该方法利用Dirichlet过程混合模型(DPM)对训练样本聚类,同时在每一个聚类学习一个Beta过程最大间隔一类分类器.通过多个分类器的集成,可以构造出一个描述能力更强的分类器,提升复杂分布下的分类效果.DPM聚类模型和Beta过程最大间隔一类分类器在同一个贝叶斯框架下联合优化,保证了每一个聚类样本的可分性.此外,在Beta过程最大间隔一类分类器中,加入了服从Beta过程先验分布的特征选择因子,从而可以降低特征冗余度以及提升分类效果.基于仿真数据、公共数据集和实测SAR图像数据的实验结果证明了所提方法的有效性.     

一种最大分类间隔SVDD的多类文本分类算法

文本分类是信息检索和文本挖掘的关键技术之一。提出了一种基于支持向量数据描述(SVDD)的多类文本分类算法,用支持向量描述训练求得包围各类样本的最小超球体,并使得分类间隔最大化,在测试阶段,引入基于核空间k-近邻平均距离的判别准则,判断样本所属类别。实验结果表明,该方法具有很好的泛化能力和很好的时间性能。     

一种采用集成装袋树的雷达多次回波分类方法

传统雷达多次回波分类方法容易受到目标类型和幅度起伏特性等因素的影响,其泛化性和准确性难以满足雷达装备实际需求。针对该问题,提出了一种采用集成装袋树的雷达多次回波分类方法。该方法首先对雷达多脉冲回波数据进行幅度对数变换和相邻脉冲幅度补齐预处理操作,然后利用决策树算法从标注的训练数据中学习雷达多次回波在脉冲维的幅度起伏特征,最后通过多个分类器的集成实现对雷达多次回波的准确分类。实测雷达数据验证结果表明,所提方法分类准确率达到了95.9%,可有效提升雷达多次回波的分类性能,并且不依赖于经验门限的特性,增强了其泛化能力。     

一种新的弱目标自组织模糊分类方法

本文着重研究舰船雷达弱目标的模糊分类问题，讨论了利用Ｋｏｈｏｎｅｎ自组织网络来实现各类目标的二维录属函数生成。     

一种新的最大选择恒虚警检测器

本文提出了一种基于有序统计和单元平均产生局部估计，并应用最大选择产生检测单元杂波功率水平估计Ｚ的新的恒虚警检测器。我们推导出了该检测器在ＳｗｅｒｌｉｎｇⅡ型目标假设下的虚警概率、检测概率和度量平均判决门限解析表达式。分析了它在均匀背景和强干扰环境中的检测性能。     

一种改进的窄带雷达目标分类方法

介绍了4种经典的窄带雷达目标分类方法,并比较了它们的优缺点。由于各方法都有各自的局限性,提出了利用基于回波波形的直接提取方法和基于目标的喷气发动机调制（JEM）特征的分类方法联合运用的策略,以提高识别的准确率,为制定对抗措施提供更为可靠的依据。     

对基于PRI谱计算脉冲重复间隔的一种改进方法

通过PR I变换可以得到PR I谱图,基于PR I谱估计脉冲重复间隔是一种有效的方法,具有很广的应用范围,但也有其局限性。本文针对PR I谱方法对参差雷达的PR I估计效果不理想的情况,结合脉冲列的自相关和一阶直方统计给出了一种改进方法。这种改进方法不仅保留了PR I谱方法的优点,对参差雷达也得到了很好的估计结果。     

一种新的最大选择恒虚警检测器

本文提出一种基于有序统计(OS)和单元平均(CA)产生局部估计,并应用最大选择(GO)产生检测单元杂波功率水平估计Z的新的恒虚警检测器(OSCAGO)。我们推导出了该检测器在Swerling Ⅱ型目标假设下的虚警概率(Pfa)、检测概率(Pd)和度量平均判决门限(ADT)解析表达式。分析了它在均匀背景和强干扰环境中的检测性能。并且把它与OS-,GOSGO-CFAR进行了比较。结果表明,OSCAGO在均匀杂波背景和多目标情况下的检测性能与OS和GOSGO相比,都有很明显的提高。在干扰目标数为某些值时,OSCAGO的CFAR损失比GOSGO小近3dB。     

一种脉冲重复间隔复杂调制雷达信号分选方法

雷达辐射源分选是电子战系统的关键技术之一。为了解决传统的基于脉冲重复间隔(PRI)的分选方法不能有效分选PRI复杂调制雷达信号的问题,该文提出一种利用脉冲到达时间与雷达帧周期的对应关系构成的2维特征向量来提取脉冲序列中PRI的变化规律,进而实现PRI复杂调制雷达信号分选的新方法。该方法可以在脉冲丢失严重且存在噪声脉冲的情况下获得满意的分选结果,并利用模拟仿真验证了方法的有效性。     

无限最大间隔线性判别投影模型

针对具有多模分布结构的高维数据的分类问题,该文提出一种无限最大间隔线性判别投影(iMMLDP)模型。与现有全局投影方法不同,模型通过联合Dirichlet过程及最大间隔线性判别投影(MMLDP)模型将数据划分为若干个局部区域,并在每一个局部学习一个最大边界线性判别投影分类器。组合各局部分类器,实现全局非线性的投影与分类。iMMLDP模型利用贝叶斯框架联合建模,将聚类、投影及分类器进行联合学习,可以有效发掘数据的隐含结构信息,因而,可以较好地对非线性可分数据,尤其是具有多模分布特性数据进行分类。得益于非参数贝叶斯先验技术,可以有效避免模型选择问题,即局部区域划分数量。基于仿真数据集、公共数据集及雷达实测数据集验证了所提方法的有效性。     

三维目标曲线SAR成像的降维搜索算法

曲线合成孔径雷达(CurviLinear Synthetic Aperture Radar,CLSAR)利用雷达平台的单条曲线轨迹就可形成三维成像所需的曲线合成孔径。由于CLSAR采集的数据在三维频率空间是稀疏的,简单地采用非参数化方法所获得的图像几乎无法使用,所以有价值的目标三维像必须采用参数化方法来获得。该文提出一种新的适用于CLSAR的目标三维成像算法。该算法巧妙地利用了接收数据中距离方向与垂直距离方向参数间的弱耦合性,将高维优化问题解耦为低维优化问题,并顺序地估计出相应参数,最后采用一个迭代过程进行参数求精。仿真实验表明,新算法是一种适用于CLSAR的有效的目标三维成像算法。     

基于多特征融合的Chirp扩频通信调制样式分类识别方法

自动调制分类(AMC)在频谱监测和认知无线电中具有重要意义。近年来,Chirp扩频通信(CSS)由于其良好的抗干扰能力和稳健性得到了较大发展,但是对CSS信号的AMC方法却鲜有研究。针对这种情况,该文提出了一种基于多特征融合(MFF)的CSS信号调制分类方法,利用频谱和时频图特征融合学习并引入注意力模块来实现CSS信号调制识别。对11类CSS信号调制样式的仿真实验结果表明,该方法有优越的识别性能。     

空域数据分解的两级降维自适应处理方法

传统的后多普勒自适应处理方法,如因子法和扩展因子法,虽然能大大降低自适应处理时的运算量和独立同分布样本的需求量,但在天线阵元数进一步增大的情况下,还是不能有效抑制杂波。针对这一问题,该文提出一种空域数据分解的两级降维自适应处理方法。该方法将多普勒滤波后的空域数据进行分解,使其变为两个向量的Kronecker乘积,得到一双二次代价函数,利用循环迭代的思想求解最优权。实验表明该方法具有快速收敛,所需训练样本少的优点,尤其在小样本条件下该方法抑制杂波的性能明显优于因子法和扩展因子法。     

基于特征分解的高分辨时—空二维信号谱估计

本文提出一种基于特征分解的高分辨时-空二维信号谱估计方法。该方法对时-空二维信号相关阵进行特征值分解,构造相互正交的信号子空间和噪声子空间,利用其正交性,得到高分辨的时-空二维信号谱。该方法用于相控阵雷达,可以精确地提取空间目标的方位信息和速度信息。计算机模拟表明了算法的有效性。     

一种基于多级空间视觉词典集体的图像分类方法

针对单一特征时存在提取的信息量不足,对图像内容描述比较片面,提出将传统的SIFT特征与KDES-G特征进行串行融合,生成一个联合向量作为新的特征向量.针对传统的视觉词典构造方法缺乏考虑视觉词汇在空间的分布特点,本文引入图像空间信息,提出了一种空间视觉词典的构造方法,先对图像进行空间金字塔划分,再把空间各子区域内的特征分别聚类,构建属于对应子空间区域的空间视觉词典.在图像表示阶段,图像各子区域内的特征基于其对应的空间视觉词典进行LLC稀疏编码,根据各子区域对图像贡献程度的不同,把编码后各子区域的特征向量赋予不同的权重加权处理,再连接形成最终的图像描述.最后,利用线性SVM进行图像分类,实验结果表明了本文方法的有效性和鲁棒性.     

正交化超分辨算法的误差灵敏度分析

本文给出了基于Gram-Schmidt正交化方法的超分辨算法,并分析了该算法对阵列幅度和相位误差的灵敏度.给出了两个目标、不同阵元数和不同阵元间距等情况下的灵敏度计算结果。结果表明,本文的算法在目标小角度间隔、大阵元数的情况下,受幅相误差的影响没有最大似然估计(MLM)和MUSIC算法敏感。     

一种基于散焦偏移差的全带宽机载SAR动目标检测方法

该文分析了斜视下的动目标特性,在深入研究目标偏移量与多普勒参数间相互关系的基础上,提出了一种基于散焦偏移差的全带宽单通道机载合成孔径雷达动目标检测方法,该方法利用动/静目标存在多普勒中心频率差时,调频率偏差会引起动/静目标产生不同偏移量的特点,分离动/静目标.与传统的单通道检测方法相比,该方法具有更强的动目标检测能力、不受斜视角限制的特点.     

基于高维空间典型样本Steiner最小树覆盖模型的一类分类算法

最小生成树数据描述方法在刻画高维空间样本点分布时,将所有图形的边作为新增虚拟样本以提供同类样本分布描述,这种描述存在分支多覆盖模型复杂,且局部覆盖不够合理的问题。针对该问题,依据特征空间中同类样本分布的连续性规律,提出基于高维空间典型样本Steiner最小树覆盖模型的一类分类算法,该算法首先对目标类训练集进行样本修剪,去除冗余信息和噪声信息,选择最具代表性的样本作为训练集,然后对保留的典型样本构建Steiner最小树覆盖模型。算法分析和仿真实验结果表明,相比最小生成树数据描述,文中提出的方法能在较低覆盖模型复杂度的前提下更合理的描述目标类样本空间分布,构建更合理的覆盖模型,在分类正确率和适用样本规模上都表现出一定的优越性。      

利用SVM的极化SAR图像特征选择与分类

该文提出一种新的利用SVM的特征选择算法,并将其融入到极化SAR图像分类过程中,构成一种新的基于SVM的分类方法。其中,特征选择算法利用支持向量个数作为特征评估指标,并以顺序后退法作为搜索策略。真实数据的实验结果表明,该分类方法能有效降低SVM分类器对自身参数的敏感性,与利用原始特征集和经典的RELIEF-F的分类方法相比,该方法能以更少(或相当)的特征个数,在更广泛的SVM参数取值范围内获得更高的分类精度。