利用核匹配追踪算法进行雷达高分辨距离像识别

雷达高分辨距离像识别是目前雷达自动目标识别研究领域的一个重点．采用核匹配追踪算法来设计分类器,提取一种非常简单的高分辨距离像平移不变特征——功率谱特征为识别特征,通过把高分辨距离像从像域变换到功率谱域来提取目标的平移不变特征,稳健性较好．基于实测数据的识别结果表明该算法具有较好的识别性能,同时其识别运算量较小．     

采用双向LSTM模型的雷达HRRP目标识别

针对传统雷达高分辨距离像目标识别方法只考虑高分辨距离像样本的包络信息而没有考虑其时序相关特性问题,提出了一种采用双向长短时记忆网络模型的识别算法。该算法首先选取出高分辨距离像样本的目标区域,并根据目标区域提取对于平移敏感性稳健的输入特征;然后采用双向长短时记忆模型对输入特征提取双向时序信息;最后通过投票策略融合双向信息,输出样本类别。采用实测数据的实验结果表明,该算法不仅可以有效地识别雷达目标,而且对于平移敏感性非常稳健。     

基于雷达-维距离像的航迹相关方法

为提高灵巧、多模高分辨雷达跟踪目标的能力,利用宽带雷达－维距离像可实现快速辩别目标的特性,提出了高分辨雷达在多目标跟踪过程中,用一维距离像进行航迹相关的方法,定义了参数匹配分,用它讨论相同或不同目标之间距离遥相关性,利用距离匹配分均值和方差信息确定了航迹相关的判决门限和最大姿态角的变化量,三种真实飞机目标的实验结果表明,在一定姿态角度范围内,可以精确判别出目标的航迹,同时也证明了通过加密采样间隔,可提高航迹关联的准确性。     

基于极化高分辨距离像的SVM目标识别方法

针对支持向量机（SVM）对单一雷达目标高分辨距离像数据源识别率较低和鲁棒性较差的问题,结合雷达目标极化信息,生成了雷达目标的极化综合距离像,提出了一种基于极化高分辨距离像的SVM目标识别方法。应用该方法分别对四类实测和仿真目标的ISAR成像数据进行了处理和识别实验,所得结果明显优于单一极化状态下的正确识别率,且鲁棒性更高。     

树形级联SOM网络用于雷达目标一维距离像识别

在雷达目标识别中,由于雷达目标一维像特征提取容易,而且具有较好的识别效果,因此近来逐渐得到应用．但由于它是以散射点分布模型为依据的,对姿态变化非常敏感,为了提高对姿态变化范围较大的目标一维距离像的识别能力,在本文中,我们基于子波变换的多分辨分析理论及树形分层理论,提出一种级联SOM网络结构用于高分辨一维距离像的识别,并获得了令人满意的结果．     

基于逆向云模型的雷达目标识别

提出了一种基于逆向云模型的雷达目标识别方法。首先,基于模-1距离准则建立了云滴确定度,对高分辨距离像(HRRP)距离单元进行正态逆向云模型建模;然后,定义逆云隶属度表征待测样本属于某个训练类别的概率。对目标模板库中5种飞机高分辨距离像数据的仿真结果表明,该方法具有识别率高、对训练样本量的要求较为宽松和方位角划分不敏感等优点,是一种有效的雷达目标识别方法。     

采用多特征联合学习的噪声稳健HRRP识别方法

为提高低信噪比条件下雷达目标高分辨一维距离像的识别性能,提出一种采用多特征联合学习的噪声稳健目标识别方法．该方法利用核函数实现对稀疏与低秩的联合表示,用来提取目标高分辨一维距离像的局部特征与全局特征．在训练阶段,利用联合可分性分析多分类器综合结构字典学习方法对特征提取字典进行优化,从而提高特征向量的可分性;在测试阶段,利用对消原理对噪声进行自适应抑制,实现噪声干扰下的稳健识别．利用实测数据进行实验,结果表明该方法可有效地对被噪声污染的目标高分辨一维距离像进行恢复,并提高低信噪比下的目标识别准确率,且满足实际应用中的实时性要求．由此可见,该方法可以有效地提高高分辨一维距离像目标识别系统在低信噪比下的总体性能．     

一种历史特征辅助的模糊数据关联算法

针对观测数据存在强模糊性和不确定性问题,提出了一种基于高分辨一维距离像历史特征辅助的模糊数据关联算法.首先,针对高分辨一维距离像的姿态、幅度以及时移敏感性问题,对其提取得到敏感性低的特征;然后,使用航迹起始的特征构建初始特征样本库及历史时刻的特征构建历史特征样本库,并实时更新特征样本库;采用区间熵权法确定特征权重,计算...     

结合紧密度和分散度的近邻亲和相似度函数

针对传统距离或相似度度量未考虑个体样本对整体样本集影响的情况,对K近邻算法提出了一种相似度改进策略．首先提出了一种新的亲和距离函数,以样本对整体样本集的紧密度和分散度为关注点;其次在亲和距离函数的基础上,提出了一种新的基于紧密度和分散度的亲和相似度函数,并将其作为K近邻算法相似度度量函数;最后通过理论分析及18个数值类型UCI数据集,以5交叉验证模式对所提出亲和相似度函数与传统距离和相似度函数进行验证对比．实验表明,所提出方法是一种有效的相似度策略,且与高效索引算法相结合,可降低在大规模数据集的分类时间．     

雷达目标一维距离像的偶数阶中心矩特征的识别

针对雷达目标一维距离像的平移敏感性和姿态敏感性,提出一种提取一维距离像的偶数阶中心矩作为雷达目标特征的方法。用小波变换提高一维距离像的信噪比,在此基础上提取中心矩特征,再选取维数减半的比较稳定的偶数阶中心矩作为目标特征,以适用于支持向量机分类器进行识别分类。对实测雷达目标的数据进行试验,结果显示在减少模板特征向量的存储量和测试样本识别时的计算量的同时,得到了较高的识别率。     

基于PCA 和KNN 的电主轴故障诊断方法研究

电主轴是数控机床中重要的部件之一, 其性能的优劣直接影响机床工况和加工零件质量。对电主轴进行故 障诊断能很大程度上提高数控机床的加工精度, 并且能够有效地增加其可靠性和安全性。在一般诊断过程中, 原 始数据的高维特征量处理较为困难。为顺应实际应用中对电主轴故障诊断的精度要求, 提出一种基于主成分分析 (PCA) 与K 最近邻(KNN) 的电主轴故障诊断方法。此方法利用PCA 对原始非线性时间序列数据的特征向量进行 降维, 并选取其中主成分特征向量。将得到的主成分特征向量作为KNN 的输入进行故障分类。最后将该方法的预 测结果与决策树和随机森林的分类结果进行对比, 结果表明, PCA-KNN 算法在故障分类精度上相较于其他两种算 法有显著提高, 是一种有效的电主轴故障分类方法。     

小圆蓝细胞瘤预测模型研究

为研究肿瘤与基因之间的关系,分析了小圆蓝细胞瘤基因表达数据,建立了分类和预测小圆蓝细胞瘤4 个亚型的多模预测模型.针对小圆蓝细胞瘤的4个亚型,该预测模型创建了4个基于神经网络的分类器,并编 码4个分类器的分类结果,获得每个数据样本的最终预测结果.研究表明,将复杂的多类分类问题分解为多个2 类分类问题是解决多类分类问题的有效方法,基于该方法建立的多模预测模型能够学习基因表达数据中蕴含的 知识,并利用获得的知识准确地分类和预测全部83个数据样本.     

基于遗传编程的线性鉴别分析及其在故障诊断中的应用

针对线性鉴别分析在提取非线性特征时不能取得很好效果的问题,提出了基于遗传编程的线性鉴别分析方法。首先利用遗传编程对传统的时域指标进行特征提取,得到更能反映信号本质的复合指标,然后通过线性鉴别分析提取最佳特征向量,作为识别特征输入多类支持向量机,实现了对机器不同类型故障的识别。实验表明,经过基于遗传编程的线性鉴别分析提取的特征对轴承的故障具有很好的识别能力,进而提高了多类支持向量机的分类准确性。     

基于LSSVM的电梯交通模式的模糊识别

提出可以对电梯交通模式进行模糊识别的方法.采用最小二乘支持向量机(LSSVM)的回归算法来学习2种交通模式的相对隶属度,通过相对比较法得到当前时刻所有交通模式的隶属度.介绍了LSSVM二值分类算法及传统的多值分类算法,分析LSSVM多值分类与函数回归的关系.分析结果表明,采用函数回归算法可以进行多值分类.若以交通模式的隶属度作为类标,则可采用LSSVM的回归算法来进行2种交通模式的模糊分类.为了提高LSSVM的线性度,分3步逐步细分电梯客流的交通模式.实验结果表明,采用该方法得到的各交通模式隶属度随时间的变化曲线与依据群控专家经验得到的曲线非常相似,识别结果的平均误差小于应用神经网络识别的平均误差,可将识别结果作为电梯群控系统的输入参数.     

基于遗传算法的二叉树支持向量机分类方法

针对传统的基于支持向量机的文本分类存在的问题进行了研究,采用二叉树结构与多个支持向量机子分类器组合进行Web文本信息分类,在二叉树支持向量机多类方法的基础上,进一步结合遗传算法,提出了一种新的支持向量机的多类分类方法,实验结果表明,采用该方法进行多类分类,分类精度明显提高,体现了将遗传算法与二叉树支持向量机结合的优越性。     

基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.     

基于人工免疫核聚类的支持向量数据描述方法

为使支持向量数据描述(SVDD)能应用于无监督多分类情况,提出了一种基于人工免疫核聚类的支持向量数据描述(AIKCSVDD)方法。AIKCSVDD将人工免疫核聚类产生的记忆抗体作为目标数据点,使用SVDD方法进行多类学习。在AIKCSVDD中,一方面实现了用核聚类方法解决各类数据边界不清晰的长处与免疫网络聚类方法全局收敛、不需要先验知识的优点的有机结合;另一方面,由于用记忆抗体代替原始数据进行学习,从而更好展现了原始数据的全局分布特征。与基于K-means聚类multi-SVDD方法相比,AIKCSVDD不需要事先指定分类数;在人工数据集和UCI数据集上的实验表明,在为multi-SVDD指定分类数的情况下,AIKCSVDD仍比multi-SVDD具有更好的分类性能。     

基于改进CSSD的脑电信号特征提取方法

针对脑-机接口系统在训练样本较少的情况下,存在脑电(EEG)信号特征值稳定性低、特征向量区分度差等不足,提出一种脑电特征提取方法,即正则化共空域子空间分解法(R-CSSD).该方法在传统共空域子空间分解(CSSD)算法的基础上引入正则化思想,通过正则化参数将目标实验者的训练数据与其他实验者(称为辅助实验者)的同类型训练数据进行有效结合,以构造正则化空间滤波器,完成对目标实验者运动想象EEG信号的特征提取,并进一步选用K近邻(KNN)算法实现脑电数据的分类.实验结果表明:在小训练样本情况下,R-CSSD方法有效提高了脑电信号特征值的稳定性,在提高分类正确率、降低时间消耗方面具有良好的性能.     

基于二叉树和SVM的指纹分类

为解决支持向量机(Support Vector Machine, SVM)进行指纹多类分类存在困难的问题，在应用二叉树理论的基础上，提出了一种新型的指纹分类方法．该算法首先使用二叉树进行多类决策，将原始分类数据分解成3个二类分类问题，然后利用SVM进行二类分类，使3个分类超平面得到优化．两者的有机结合，充分发挥了SVM在二类分类问题方面相对于其它方法的优势，从而使算法的推广能力有较大提高，总的分类正确率可达97.9%．实验结果证明，二叉树构造多类框架将指纹多类分类问题分解成3个二类分类器系统，不仅可以有效的提高指纹分类的效率，还充分发挥了SVM分类器解决二类分类问题的优势．     

基于二叉树和SVM的指纹分类

为解决支持向量机（Support Vector Machine，SVM）进行指纹多类分类存在困难的问题，在应用二叉树理论的基础上，提出了一种新型的指纹分类方法．该算法首先使用二叉树进行多类决策，将原始分类数据分解成3个二类分类问题，然后利用SVM进行二类分类，使3个分类超平面得到优化．两者的有机结合，充分发挥了SVM在二类分类问题方面相对于其它方法的优势，从而使算法的推广能力有较大提高，总的分类正确率可达97．9％．实验结果证明，二叉树构造多类框架将指纹多类分类问题分解成3个二类分类器系统，不仅可以有效的提高指纹分类的效率，还充分发挥了SVM分类器解决二类分类问题的优势．