高分辨雷达信号的平移不变KPCA特征提取算法

研究高分辨雷达信号特征提取,针对传统提取平移不变特征存在信息损失量大、识别的准确率低的问题,提出了一种平移不变KPCA特征提取算法。首先计算高分辨雷达信号的原点矩,并在低信息损失的前提下利用高分辨雷达信号相对原点矩的位置来描述原信号,从而消除高分辨雷达信号的平移敏感性。然后结合KPCA特征提取算法得到平移不变的特征信号。最后应用SVM分类器对特征信号进行分类识别。实验证明,改进算法识别率高于雷达目标识别系统中的传统特征提取算法,略低于KPCA特征提取算法,且在常用雷达探测距离内都能够保持较高的识别率。     

基于核方法的雷达目标一维距离像识别

由于雷达目标及其所处环境的复杂性,导致不同目标之间的关系往往是非线性的.研究基于核的非线性方法,并将其应用于雷达目标一维距离像识别.核Fisher判别分析(KFDA)是一种抽取非线性特征的最有效方法之一,但它往往会面临小样本问题.针对此问题,给出一种null-KFDA方法,对距离像进行特征提取.然后,采用一种新的核非线性分类器——KNR(kernel-based nonlinear representor),对所提取的特征进行分类.对3种飞机的实测距离像进行实验,结果验证了null-KFDA的有效性.此外,与非线性支持向量机(SVM)和径向基函数神经网络(RBFNN)相比,KNR分类器具有更优的识别性能.     

基于LDA和SVM的步态识别

提出了一种新的基于人体中线投影的步态特征提取方法,同时将线性判别分析(LDA)和支持向量机(SVM)相结合进行步态的分类和识别.应用背景差方法分割出运动人体轮廓,对外轮廓沿人体中线投影可以得到前后两个向量,合成1D向量作为步态特征.通过线性判别分析对得到的一维向量进行特征提取和压缩,对得到的识别量应用支持向量机进行步态的分类和识别.应用上述方法在中科院自动化所的步态数据库上进行了实验,实验结果表明该步态识别方法具有较好的识别性能.     

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.     

基于线性判别分析和支持向量机的步态识别

提出了基于线性判别分析(LDA)和支持向量机(SVM)的步态识别方法.应用背景差方法分割出运动人体轮廓,对人体轮廓进行水平和垂直投影,将垂直和水平投影向量合成为一维步态数据向量.通过线性判别分析对步态数据进行特征提取和压缩,对得到的识别量应用支持向量机进行步态的分类和识别.应用上述方法在CMU步态数据库上进行了实验,实验结果表明本文所提的步态识别方法具有较高的识别性能.     

核方法的对比研究及在步态识别中的应用

为了提高步态识别问题的识别性能,将"核技巧"应用到步态识别上,对核二维线性判别分析提出新的解决方案,在自建的HEU(B)步态数据库上,应用核主成分分析、核线性判别分析、核二维主成分分析与核二维线性判别分析进行特征提取作对比实验研究.实验结果显示:"核技巧"用于矩阵特征比向量更有效;核二维主成分分析对于单训练样本较核主成...     

基于AdaBoost的雷达目标HRRP识别

针对雷达高分辨一维距离像(HRRP)特征维数高的特点,采用线性判别分析(LDA)和核Fisher判别分析(KFD)方法进行特征压缩和提取。分析了基于AdaBoost算法的分类器的设计思想和实现步骤。构造了高斯型弱分类器,利用AdaBoost算法集成高斯弱分类器实现了一强分类器,利用此分类器对降维后的HRRP数据进行分类识别,并同K近邻分类器(KNN)、支持向量机(SVM)分类器进行比较,得到一些有价值的结论。     

基于非参数化最大间隔准则的雷达目标识别

针对线性判别分析（LDA）的“小样本”和要求数据须服从高斯分布的问题,提出一种基于非参数化最大间隔准则（NMMC）的雷达目标识别方法．首先,利用自相关小波变换提取目标高分辨距离像（HRRP）的非平稳特征,将其与HRRP原信号一起作为目标的分类特征,利用NMMC实现特征提取;然后,通过支持向量机进行分类．NMMC在解决小样本问题的同时,松弛了对数据分布的类高斯要求．最后,基于5种飞机高分辨距离像数据的仿真实验验证了所提出方法的有效性．     

基于独立成分分析和核向量机的虹膜识别方法

针对虹膜识别过程中的特征提取及识别问题,提出了用独立成分分析提取虹膜特征,用核向量机进行识别的方法.从采集到的人眼图像中定位虹膜,并对其进行归一化处理和图像增强处理.用独立成分分析提取统计独立的特征,通过选择合适的特征个数可以达到较高的识别准确率.在得到虹膜特征编码后,用核向量机进行分类判决,核向量机是一种适合大规模数据集的快速支持向量机训练算法,并将结果与支持向量机的分类结果进行了对比.实验结果表明了该方法的可行性和有效性.     

基于HRRP样本划分的SVM训练方法

在分析雷达目标高分辨一维距离像性能和特点的基础上,针对其方位敏感所引起的特征不稳定的问题,提出了以其内相关系数为阈值的样本划分方法,采用该方法划分出了实验目标距离像的若干样本子空间.从中选取若干距离像组成训练样本对支持向量机进行训练.采用支持向量机对目标进行了识别实验,所得的正确识别率明显优于随机样本训练的正确识别率.证明样本划分方法是一种有效的特征提取方法.     

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。     

水平集分割方法在合成孔径雷达图像目标识别中的应用

正确分割目标、提取目标的有效特征是合成孔径雷达图像目标识别中的一个关键问题。将水平集图像分割方法应用于合成孔径雷达图像目标识别,将目标图像中的目标区和阴影区从背景杂波中分割出来,其中目标区的形状作为目标的有效特征用于基于模板匹配的目标识别中。用MSTAR数据库中的3类目标的图像数据对该方法进行验证和分析,实验结果表明,在基于模板匹配的目标识别中,该分割方法可提取出有效的目标形状特征,实现目标的正确识别。      

高频区复杂目标宽带雷达特征信号仿真

高频区复杂目标宽带雷达特征信号包括日标的高分辨一维距离像和两维SAR／ISAR图像,高频区复杂目标宽带雷达特征信号仿真对雷达目标识别和SAR／ISAR图像解译具有重要意义。该文在现有高频区复杂目标RCS特征信号计算方法的基础上,重点研究了高频区复杂目标宽带雷达特征信号包括目标的高分辨一维距离像和两维SAR／ISAR图像的仿真方法。并通过仿真目标和实际复杂目标的高频区宽带雷达特征信号的仿真实验结果验证了该文方法的有效性。     

一种基于组合核函数支持向量机的水下目标小波特征提取与识别方法

准确的模式识别要求提取出的特征尽可能反映分类本质的特征.本文利用同态分析理论对水下声信号进行预处理,从最终接收到经过噪声干扰的目标信号中复原出能反映目标传输特性的原始信号,并在此基础上对信号进行离散小波变换,提取小波变换系数在不同区间上的尺度—过零密度、尺度—平均幅度特征,最终利用组合核函数支持向量机对提取出的特征进行分类识别.实验表明,提取出的特征能反映目标类别特点,该方法能对水下目标进行有效的识别.     

一种子像素精度SAR图像目标峰值提取方法

SAR图像目标峰值是SAR图像目标识别的重要特征 ,它本质对应于目标散射中心 ,目标峰值提取是SAR图像目标识别的一个重要步骤。基于峰值SAR图像目标识别系统要求目标峰值提取方法应具有快速、高精度的特点。现有的SAR图像目标峰值提取方法精度较低 ,其对目标峰值位置的估计精度只能达到像素级。为了提高SAR图像目标峰值提取精度 ,该文在分析SAR图像峰值模型基础上 ,提出了一种子像素精度SAR图像目标峰值提取方法 ,并通过仿真实验 ,分析了该方法对目标峰值位置、幅度的估计性能 ,结果表明在SNR =2 0dB的情况下 ,该方法对目标峰值位置估计的标准偏差 <0 .1个像素 ,峰值幅度估计的标准偏差小于 0 .0 5 H(这里H表示目标峰值的真实幅度 ) ,文中还给出了该方法对实测MSTARSAR图像的目标峰值提取结果。     

基于散度差准则的隐空间特征抽取方法

本文提出了一种新的非线性特征抽取方法——基于散度差准则的隐空间特征抽取方法。该方法的主要思想就是首先利用一核函数将原始输入空间非线性变换到隐空间，然后，在该隐空间中，利用类间离散度与类内离散度之差作为鉴别准则进行特征抽取。与现有的核特征抽取方法不同，该方法不需要核函数满足Mercer定理，从而增加了核函数的选择范围。更为重要的是，由于采用了散度差作为鉴别准则，从根本上避免了传统的Fisher线性鉴别分析所遇到的小样本问题。在ORL人脸数据库和AR标准人脸库上的试验结果验证了本文方法的有效性。     

Fisher discriminant analysis based on kernel cuboid for face recognition

This paper builds the concept of kernel cuboid, and proposes a new kernel-based image feature extraction method for face recognition. The proposed method deals with a face image in a block-wise manner, and independently performs kernel discriminant analysis in every block set, using kernel cuboid instead of kernel matrix. Experimental results on the ORL and UMIST face databases show the effectiveness and scalability of the proposed method.