排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
2.
针对线性判决分析(LDA)用于图像特征提取时存在破坏二维空间结构、特征向量维数过大的缺点。二维线性判决分析(2DLDA)直接对图像矩阵进行运算,在一定程度上弥补了LDA的缺陷,但其实质是按行压缩图像矩阵进行特征提取,只消除了图像列的相关性,所提取的特征维数依然过大。为解决以上问题,本文采用两向2DLDA的方法,在行和列方向同时压缩图像矩阵进行特征提取。并结合支持向量机(SVM)进行分类识别,用MSTAR计划发布的实测合成孔径雷达(SAR)图像数据进行实验。结果表明,该方法在减少计算量的同时能达到较高的识别率。 相似文献
3.
4.
5.
为满足复杂环境下目标敌我属性识别能力,提出了一种基于模糊神经网络(FNN:Fuzzy Neural Net-works)和证据理论的新敌我识别方法。该方法利用模糊神经网络和证据理论信息的处理能力,将敌我识别器(IFF:Identification Friend-or-Foe)、电子支援措施(ESM:Electronic Warfare Support Measure)、雷达及红外获取的信息融合,进行敌我识别。仿真结果表明,该方法的识别能力明显优于单一模糊神经网络分类器,识别率达0.994,同时具有很强的容错性和一定的抗干扰能力,更适合战场需要。 相似文献
6.
线性判决分析(LDA)用于图像特征提取时,存在着损失二维空间结构信息、计算复杂度大的缺点。二维线性判决分析(2DLDA)弥补了LDA的缺点,但2DLDA仅消除了图像各列间的相关性,所提取的图像特征维数仍然较大。为解决上述问题,采用双向2DLDA与LDA相结合的特征提取算法对图像的行和列同时进行压缩,减少特征矩阵维数,降低计算量。实验结果表明,所提出的SAR(Synthetic Aperture Radar)图像目标识别方法有效地降低了图像数据维数,提高了识别率,并克服了方位角变化对识别结果的影响。 相似文献
1