基于二维时频特征的地雷目标检测

利用车载前视超宽带地表穿透雷达进行大区域地雷探测是探雷的发展方向,目前制约车载前视超宽带地雷穿透雷达探雷实用化的关键问题是难以提取一致性较好的地雷目标特征。文中以地雷目标的斜距 方位 频率 反射角四维散射函数为基础,提取二维时频域特征图像。然后对时频图像进行特征选择,并实现目标和杂波的分类。为降低分类器训练误差以提高其泛化性能,将特征选择和分类器设计有机结合。同时为保证地雷探测过程中具有恒定的探测率,在分类器训练过程中以恒检测率下的虚警率作为代价函数,通过实测数据验证,该方法适用于车载前视超宽带地表穿透雷达,最终得到的分类器能提供恒定的检测率,并且具有很好的泛化性能。      

基于图像分割的地雷目标检测

前视地表穿透雷达能够对车前安全距离外的区域成高分辨率图像,利用前视地表穿透雷达进行地雷探测是一个复杂环境下的微小目标检测问题。受非平稳背景干扰,传统检测算法探测性能有限。该文提出一种基于图像分割的背景估计及地雷目标检测方法。连续多帧图像用来估计出耦合信号,为降低计算量,将成像后估计改进为回波域估计后成像。对剔除耦合信号后的图像实施均衡以保证各处增益相同,均衡后图像利用二维Otsu 算法分割出能量较强的区域,降低后续检测过程中强目标对杂波统计的影响,最终获得比传统检测算法更好的探测性能。该文同时还提出一种快速算法用于实时系统。通过实测数据验证,该方法可以有效改善前视地表穿透雷达的探测性能。      

基于改进AdaBoost分类器的一种目标识别算法

文章提出一种基于改进AdaBoost分类器的目标识别算法,用于克服当前级联AdaBoost分类器存在的分类识别性能不足的问题。首先,对训练样本提取图像的海量Haar-like特征,然后对提取的特征基于AdaBoost算法进行特征选择和分类器构建,最后利用所选择的特征和训练得到的AdaBoost分类器进行目标的两类识别。实验结果表明,本方法优于传统的方法,具有较好的应用意义。     

基于拟合型弱分类器的AdaBoost算法

针对AdaBoost算法通过最小化训练错误率来选择弱分类器造成的精度不佳问题以及单阈值作为弱分类器训练过程较慢难以收敛问题,提出了一种基于拟合型弱分类器的AdaBoost算法。首先针对每个特征,在特征值与标记值之间建立映射关系,引入最小二乘法求解拟合多项式函数,并转换成离散分类值,从而获得弱分类器。其次从获得的众多弱分类器中,选择分类误差最小的弱分类器作为本轮迭代的最佳弱分类器,构成新的 AdaBoost 强分类器。与传统训练算法相比,极大地减少了待选弱分类器的个数。选取 UCI 数据集和MIT人脸图像数据库进行实验验证,相较于传统Discrete-AdaBoost算法,改进算法的训练速度提升了一个数量级,人脸检测率可达96.59%。     

用蜜蜂探测埋藏的地雷

美国进行的研究，不久后可用蜜蜂发现地雷，让人摆脱探雷的危险。其法是训练蜜蜂嗅出埋藏地雷的炸药味，并用光雷达跟踪飞行蜜蜂，确定其所处位置。     

红外成像技术在地雷探测中的应用

文章介绍了红外成像系统的组成,对被动红外技术作了强调．在此基础上分析了红外探雷的机理,并对当今世界先进的红外探雷系统作了介绍,阐明了红外成像技术在地雷探测中的重大作用．     

Semi-supervised Robust Feature Selection with eq-Norm Graph for Multiclass Classification

Flexible manifold embedding (FME) is a semi-supervised dimension reduction framework.It has been extended into feature selection by using different loss functions and sparse regularization methods.However,these kind of methods used the quadratic form of graph embedding,thus the results are sensitive to noise and outliers.In this paper,we propose a general semi-supervised feature selection model that optimizes an eq-norm of FME to decrease the noise sensitivity.Compare to the fixed parameter model,the eq-norm graph brings flexibility to balance the manifold smoothness and the sensitivity to noise by tuning its parameter.We present an efficient iterative algorithm to solve the proposed eq-norm graph embedding based semi-supervised feature selection problem,and offer a rigorous convergence analysis.Experiments performed on typical image and speech emotion datasets demonstrate that our method is effective for the multiclass classification task,and outperforms the related state-of-the-art methods.     

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。     

基于LARK特征提取的AdaBoost人脸检测系统

由于图像易受到外部条件及图像背景的影响,AdaBoost人脸检测方法在特征分类的过程中,单个分类器存在将人脸图像误判为非人脸图像的情况,致使分类器在检测过程中存在误差。文中通过研究AdaBoost人脸检测方法,并将LARK特征提取方法应用到特征分类当中,使原有的方法上得到改进,从而有效提高了人脸检测的准确度。     

基于AdaBoost的音乐情绪分类

随着流媒体应用的蓬勃兴起,音频信号的自动分类开始成为工程与学术关注的热点之一。根据音乐信号对乐曲表现的情绪进行分类,由于涉及音乐信号的社会属性和自然属性的综合表征与模糊分类,因此处理方法相应需要在各种传统表征与分类方法的基础上进行机制筛选与架构优化。该文探讨了在AdaBoost算法,K-L变换和GMM模型的基础上构造弱分类器的方法,采用多层分类器结构,成功地实现了对音乐信号进行情绪分类。初步的实验对163首歌曲进行平静(Calm),悲伤(Sad),激动(Exciting)以及愉悦(Pleasant)4种类别的分类,训练集和测试集的分类准确率分别达到97.5%和93.9%,展示了这种方法的可行性和进一步发展的潜在价值。     

相控阵雷达目标跟踪下的自适应波形选择

针对相控阵雷达的检测概率与能量资源消耗间的矛盾问题,采用了一种按照预测检测概率来自适应选择照射波形的方法,并在建立相控阵雷达模型的基础上进行了仿真。结果表明,该方法可在保证检测概率的同时,有效地节约雷达能量资源。     

基于类别分布差异和VPRS特征选择的文本分类方法

权值计算和特征降维是影响文本分类的精度和效率的两个重要步骤。该文首先根据特征词的类别分布差异进行特征过滤;然后,分析传统的权值公式TF-IDF的缺点,采用改进的权值计算公式简记为TF-CDF,依据TF-CDF公式计算每个特征词的权值,生成文档集的向量空间模型VSM;接着,提出了一种基于可变精度粗糙理论(VPRS)的特征选择进一步选择对分类贡献度大的特征,并用SQL实现。最后利用支持向量机LibSVM分类器进行实验,实验结果表明特征过滤和选择方法及TF-CDF权值公式有助于提高分类精度和分类效率。     

SVM全极化SAR图像分类中的特征选择

本文将SVM用于全极化SAR图像分类,并提出一种新的应用于SVM分类的特征选择算法。该算法以支持向量个数作为特征评估准则,利用顺序前进法加入特征。基于NASA/JPL实验室AIRSAR系统的L波段荷兰Flevoland全极化数据的与RELIEF-F算法的对比实验表明,在特征个数更少(或相当)的情况下,本文特征选择算法能在更广泛的SVM参数取值范围内获得更高的分类精度。     

动态加权条件互信息的特征选择算法

特征选择是机器学习、自然语言处理和数据挖掘等领域中数据预处理阶段必不可少的步骤。在一些基于信息论的特征选择算法中,存在着选择不同参数就是选择不同特征选择算法的问题。如何确定动态的非先验权重并规避预设先验参数就成为一个急需解决的问题。该文提出动态加权的最大相关性和最大独立性(WMRI)的特征选择算法。首先该算法分别计算新分类信息和保留类别信息的平均值。其次,利用标准差动态调整这两种分类信息的参数权重。最后,WMRI与其他5个特征选择算法在3个分类器上,使用10个不同数据集,进行分类准确率指标(fmi)验证。实验结果表明,WMRI方法能够改善特征子集的质量并提高分类精度。     

对海雷达目标识别中全极化HRRP的特征提取与选择

充分、有效地利用目标全极化HRRP的特征信息是提高对海雷达目标识别率的研究热点之一。该文利用CST软件仿真建立了7类海上目标在不同方位角下的全极化HRRP数据库。在此基础上,提取了4类共39个特征。提出一种基于归一化互信息(NMI)并利用模拟退火(SA)算法进行优化的全局最优特征选择算法,并命名为NMI-SA。基于HRRP数据集以及9个UCI数据集,利用k-近邻分类器将该算法与另外3种常用的特征选择算法进行对比,结果表明新算法选择的特征具有良好的可分性和较低的冗余度,最终用于分类时的正确率总体优于其余3种算法。最后,用该算法对全极化HRRP的39个特征进行重点分析,选择出25个辨别力强、冗余度低的特征。     

Feature Selection with Data Field

A new feature selection method is proposed for high-dimensional data clustering on the basis of data field. With the potential entropy to evaluate the importance of feature subsets, features are filtered by removing unimportant features or noises from the original datasets. Experiments show that the proposed method can sharply reduce the number of dimensions and effectively improve the clustering performance on WDBC dataset.