基于PSO-KPCA-LVQ神经网络的雷达一维距离像识别

针对雷达目标一维距离像识别研究,将子空间法中的核主成分分析方法(KPCA)与LVQ神经网络相结合应用到雷达目标一维距离像识别中,提出了KPCA-LVQ算法,并取得了较好的识别效果。研究中发现,在使用核主成分分析时,存在核函数中未知参数难以确定的问题。针对此问题,深入分析核函数矩阵和核函数参数之间的关系发现,主成分的贡献率与核函数的参数之间存在着一定的对应关系。据此,确定了基于主成分贡献率的优化问题,并采用粒子群算法(PSO)进行优化求解,得到最优的核参数。实验分析结果表明,该方法克服了核主成分分析方法中依靠经验来确定未知参数的缺点,降低了计算量,提高了目标识别率。     

基于GSVD的核不相关辨别子空间与雷达目标识别

该文提出了一种基于广义奇异值分解的核不相关辨别子空间算法,并将其用于高分辨距离像雷达目标识别。新算法结合广义奇异值分解与核方法的优点,有效地解决了传统方法面临的矩阵奇异问题,同时进一步改善了目标的类可分性。其次,依据Fisher准则导出了距离像总散度矩阵零空间中不含有有用辨别信息的结论。利用这一结论,可以在求解核不相关最优辨别矢量之前对各散度矩阵进行预降维,以减小后续运算的计算复杂度。对3类飞机目标实测数据的识别结果表明了所提方法的有效性。     

基于类内类间离散度的分类器设计方法

提出了一种基于类内类间离散度的最小距离分类器设计方法.该方法解决了分类过程中样本点分散和样本不可分问题.基本思想是:利用训练样本定义类内类间离散度矩阵,根据对离散度矩阵的分析,建立目标函数,求解目标函数,得到一组最优解.在分类时,应用最优解进行加权定义,从而获得更好的识别结果.采用UCI标准数据集实验,实验结果表明该算法具有一定的优越性.     

高分辨距离像识别中支持向量机分类技术研究

核函数参数对支持向量机分类器性能有很大影响。首先定性分析了核函数参数对分类器分类边界的影响,然后基于高分辨距离像比较了各种泛化误差估计方法性能,得到了适合高分辨距离像识别的泛化误差估计方法,最后基于该方法优化支持向量机分类器参数实现了对4类目标的分类识别,通过识别混淆矩阵、识别ROC曲线验证了有效性。     

基于改进矩阵束的超宽带一维散射中心提取方法

针对微动参数的高精度快速估计问题,该文提出一种基于几何绕射(GTD)模型和改进矩阵束的超宽带(UWB)散射中心提取算法,可实现散射中心径向距离、类型参数及散射强度的同时估计。该方法将超宽带条件下的目标GTD散射模型转化为状态空间方程,利用奇异值分解将汉克尔矩阵中的噪声分量去除,对降秩的汉克尔矩阵做广义特征值分解,利用单个脉冲内最强的若干散射点构造回波估计,进而获得径向距离的估计;在准确估计距离参数的条件下,对模型参数解耦,使得类型参数与其他参数分离,通过最小二乘算法和搜索算法获得类型参数的估计;最后基于最小二乘法估计出散射中心的散射强度。仿真结果表明,改进的矩阵束方法在低信噪比(SNR)下具有好的鲁棒性,可快速且高精度地提取目标微动距离、类型参数和散射强度等信息。     

基于C-均值聚类的高分辨距离像识别

针对已有核聚类算法中核参数优化方法的不足,提出一种新的反映类内类间间距的有效性指标,通过使类内样本相似性最大,类间样本相似性最小来达到优化核参数的目的.在对核C-均值聚类算法深入研究的基础上,提出一种基于核C-均值聚类的高分辨距离像识别算法.仿真结果表明:该算法可以通过训练识别率判定最佳聚类数,同时运用改进的核参数优化方法可以得到最优的核参数,进而得到最佳的识别结果.     

一种主瓣灵巧干扰环境下的盲距离-角度联合估计方法

提出了一种主瓣灵巧干扰环境下的盲距离-角度联合估计方法,可有效对抗主瓣灵巧干扰（Mainlobe Smart Jamming,MSJ）并提取目标回波的距离-角度联合参数信息.新方法首先利用阵元级数据进行盲源分离（Blind Source Separation,BSS）,分离目标回波和干扰,同时可得到信源混合矩阵的估计.然后根据主瓣灵巧干扰在某一角度上表现为多个回波信号,而目标只有一个回波这一先验信息来鉴别目标和主瓣灵巧干扰,由此可以估计目标的距离参数.最后,由上述的鉴别结果得到对应目标的混合矩阵的列矢量,其包含了目标导向矢量信息,据此可估计目标的空间角度参数.仿真结果表明,新方法可以至少有效对抗2个主瓣灵巧干扰,且可同时得到较高的目标距离-角度估计精度.另外,分析了目标输入信噪比、输入干噪比、目标与干扰的夹角、干扰空域个数对所提方法性能的影响,并给出了本文方法能够有效盲距离-角度联合估计的边界条件.     

基于RID序列的微动目标高分辨三维成像方法

微动是指目标或目标上某些部件沿雷达视线方向的小幅、非匀速运动。通过对微动目标进行逆合成孔径雷达(ISAR)高分辨3维成像,能够获得其结构和运动信息,从而为微动目标检测、跟踪、分类与识别提供重要依据,并在空间态势感知与防空反导中发挥着重要作用。由于微动目标运动形式复杂、回波非平稳性强,现有的参数化ISAR成像方法已经不再适用。针对该问题,该文提出基于散射中心航迹矩阵分解的微动目标高分辨3维成像方法。该方法首先生成距离-瞬时多普勒(RID)像序列,利用watershed图像分割方法提取RID像的散射中心支撑域,并基于最小欧氏距离准则实现航迹关联。然后,针对散射中心航迹关联时瞬时斜距估计精度受距离分辨率影响等问题,进一步提出基于现代谱估计的散射中心航迹矩阵精估计方法。最后,通过带约束的航迹矩阵分解实现微动目标的高分辨3维成像。仿真结果表明,该文所提的成像方法能够有效实现章动等复杂微动目标的高分辨3维成像。      

基于核方法和主成分分析(PCA)的探地雷达目标特征提取新方法

常用探地雷达目标特征提取方法LDA(又称为FDA)直接在低维的探地雷达数据空间提取探地雷达目标特征, 提取的探地雷达目标特征的区分度小;常用的正则化技术存在正则化参数选取困难的问题。本文提出先通过基于核方法的 非线性变换把低维的探地雷达样本数据投影到高维空间,然后在高维空间中用PCA对奇异的核矩阵降维重建,最后对重 建后的非奇异核矩阵用LDA提取探地雷达目标特征。对实测数据的对比处理分析表明,本文所提探地雷达目标特征提取 方法优于其它方法。     

一种基于D~2权重的核k-means聚类算法

核k-means算法是标准k-means算法的扩展,提高了k-means聚类中对非线性不可分数据的聚类效果.传统核k-means算法的初始中心是随机选取的,导致出现聚类时间较慢、聚类性能低等问题.文中提出了一种基于D2权重的核k-means算法,它根据点对簇内距离的贡献,选取对其贡献最大的点为簇中心,然后在核空间内进行相应的聚类.在UCI数据集上进行实验,实验结果表明,新算法相对于传统的核k-means算法,可以有效地缩短聚类时间,并提高聚类的质量,新算法性能优于传统的核K-means算法.     

基于测度优化Laplacian SVM的中文指代消解方法

相比于传统的基于半监督学习的指代消解方法,Laplacian SVM（Support Vector Machine）能有效的挖掘已标注样本和未标注样本的相似性和关联性,更好的推导模型的分类边界。而传统Laplacian SVM采用欧式距离度量样本之间的距离,使得异类样本之间的相似性可能过大,不利于样本的准确分类。对此,提出一种基于数据驱动学习最优测度Laplacian SVM算法以解决中文指代消解语料不足的问题。该方法通过优化样本对之间的相似性约束条件和引入Fisher判别项,增大同类样本间的相似性,并突出强判别能力的特征。此外,提出核嵌入的测度优化方法将以上线性测度优化推广到非线性空间,有利于Laplacian SVM利用核函数实现非线性分类。在ACE2005中文语料库上的测评结果表明,所提出测度优化的Laplacian SVM（包括线性和核嵌入两种形式）的方法只需少量标注样本就可以获得与经典的有监督学习模型相当甚至更好的消解性能,同时也优于其他传统的半监督学习方法。     

Information theoretic learning with adaptive kernels

This paper presents an online algorithm for adapting the kernel width that is a free parameter in information theoretic cost functions using Renyi's entropy. This kernel computes the interactions between the error samples and essentially controls the nature of the performance surface over which the parameters of the system adapt. Since the error in an adaptive system is non-stationary during training, a fixed value of the kernel width may affect the adaptation dynamics and even compromise the location of the global optimum in parameter space. The proposed online algorithm for adapting the kernel width is derived from first principles and minimizes the Kullback-Leibler divergence between the estimated error density and the true density. We characterize the performance of this novel approach with simulations of linear and nonlinear systems training, using the minimum error entropy criterion with the proposed adaptive kernel algorithm. We conclude that adapting the kernel width improves the rate of convergence of the parameters, and decouples the convergence rate and misadjustment of the filter weights.     

SVM-KNN分类器——一种提高SVM分类精度的新方法

本文提出了一种将支持向量机分类和最近邻分类相结合的方法,形成了一种新的分类器.首先对支持向量机进行分析可以看出它作为分类器实际相当于每类只选一个代表点的最近邻分类器,同时在对支持向量机分类时出错样本点的分布进行研究的基础上,在分类阶段计算待识别样本和最优分类超平面的距离,如果距离差大于给定阈值直接应用支持向量机分类,否则代入以每类的所有的支持向量作为代表点的K近邻分类.数值实验证明了使用支持向量机结合最近邻分类的分类器分类比单独使用支持向量机分类具有更高的分类准确率,同时可以较好地解决应用支持向量机分类时核函数参数的选择问题.     

分类判别的覆盖算法研究

基于数据的机器学习是研究从观测数据出发寻找规律,并利用这些规律对未来数据进行预测.该文提出一种新的分类判别方法--覆盖算法,其主要过程是利用某种覆盖规则算法寻找一些训练样本集的支撑点(代表点),在决策的时候仅需计算待分类样本与支撑覆盖点之间的距离并进行比较,与之最近的支撑点所在类别即为代分类样本的类别.而支撑点仅占全部训练样本的一部分,所以相比最近邻方法具有较小运算量和存储量的优点.另一方面,覆盖算法主要是样本之间的距离运算,不需要像SVM那样考虑核函数的选择问题,因此更适用于大数据量的自动分类问题.对正常星系和恒星两类光谱数据进行实验,结果表明,覆盖算法具有较好的鲁棒性、较高的分类正确率.     

基于改进的支持向量机的开关磁阻电机的模型建立

开关磁阻电机具有结构简单、工作可靠、运行效率高等优点。但开关磁阻电机的磁路高度饱和、非线性化,很难建立准确的数学模型,难以实现高精度控制。在研究开关磁阻电机的电磁与转矩特性的基础上,结合支持向量机算法在解决小样本、非线性、高维数、局部极小值问题上的优势,建立了径向基函数核函数的支持向量机的开关磁阻电机的数学模型,通过仿真与传统BP神经网络算法对比,证明该算法具有较高的性能,实验平台检测的数据表明,所构建的开关磁阻电机模型是可行的,证明了模型的正确性和有效性。     

特征加权支持向量机

该文针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑特征重要性对分类结果的影响的缺陷,提出了基于特征加权的支持向量机方法,即特征加权支持向量机(FWSVM)。该方法首先利用信息增益计算各个特征对分类任务的重要度,然后用获得的特征重要度对核函数中的内积和欧氏距离进行加权计算,从而避免了核函数的计算被一些弱相关或不相关的特征所支配。理论分析和数值实验的结果都表明,该方法比传统的SVM具有更好的鲁棒性和分类能力。     

基于SVM的金属发射率预测模型研究

根据金属原子特征,提出了基于支持向量机（support vector machine,SVM）金属发射率预测模型。通过分析原子的原子量、原子半径、第一电离势和电负性等特征,选择合适的惩罚参数和多项式核函数,利用一定的训练样本,建立了基于SVM的金属发射率预测模型。通过实例验证了该方法的有效性。     

基于支持向量机的企业信用风险评估研究

介绍了小样本学习的通用学习算法——支持向量机（SVM）,建立了基于SVM的企业信用风险评估模型,并将支持向量机非线性分类器应用于信用风险的评估中.分析对比了选取不同核函数和参数的实验结果,同时实验结果表明,相比传统的人工神经网络,SVM在有限样本情况下具有良好的泛化能力.     

基于采样协方差矩阵的混合核SVM高效频谱感知

近年来随着盲检测算法的提出,越来越多的基于采样协方差矩阵的盲检测算法应用于频谱感知。针对其检测门限是近似值,检测性能会受到影响等问题,提出了基于采样协方差矩阵的混合核函数的支持向量机（support vector machine,SVM）高效频谱感知,通过感知信号采样协方差矩阵的最大最小特征值（maximum minimum eigenvalue,MME）和协方差绝对值（covariance absolute value,CAV）提取的统计量作为SVM的特征向量并训练其生成频谱感知的分类器,无需计算检测门限并且特征提取减少了样本集的大小。利用遗传算法（genetic algorithm,GA）优化混合核函数的SVM的参数。实验结果表明,该方法比MME算法和CAV算法的检测概率有所提高,并且比SVM减少了感知时间,具有良好的实用性。     

基于修正核函数SVM的一维距离像识别

支持向量机的识别性能很大程度上依赖于核函数的使用。根据黎曼几何理论,提出了一种新的保角变换,对核函数进行数据依赖性改进。该方法通过扩大分类边界处的黎曼张量,使得分类间隔扩大,从而提高支持向量机的分类能力。针对多类舰船目标的识别,利用聚类分析中的均值距离来生成二叉树,将分类器分布在各个节点上,构成多分类支持向量机。对四类舰船目标仿真实验的结果表明,该分类方法无论识别率还是识别速度都具有优势。