探地雷达多目标识别方法的研究

与现有的机器学习算法相比,在有限样本的情况下,支撑矢量机具有更强的分类推广能力。该文在提出利用非线性映射进行探地雷达目标识别的基础上,将多目标识别支撑矢量机与探地雷达目标识别相结合,得到了基于一对一(One against one) 支撑矢量机的探地雷达多目标识别方法。所提方法包括基于一对一的探地雷达多目标识别方法、交叉验证的参数选取方法、多通道识别方法;并且和传统的神经网络识别方法进行对比分析。所提识别方法可以与各种目标特征选取方法相结合。对实测数据的对比处理表明所提方法优于传统探地雷达目标识别方法,所得结论对探地雷达目标识别的研究有指导意义。     

强混叠模式下基于神经元捕获/抑制原理的分类器设计

目前的许多分类器设计方法,如多层感知器网络(MLP)、支持向量机(SVM)、相关向量机(RVM)、径向基函数网络(RBF)等,实际是非线性映射加线性分类的方法,即将输入空间的非线性可分问题经非线性映射到另一空间,在那一空间实现线性分类.本文则开拓性的运用脉冲耦合神经网络神经元的点火捕获的思想,提出了一种基于耦合神经元点火捕获/抑制特性的分类器设计方法,使一类样本对应神经元总是较其它类样本对应神经元先点火以实现对样本的有效分类.所设计的分类器可实现对样本空间中任意复杂分布训练样本的非线性稳健分类,特别是有效实现复杂混叠模式的模式稳健分类,大量复杂混叠模式分类问题的仿真实验验证了本文方法的有效性和可行性,并应用于微波暗室实测一维距离像数据的自动目标识别中.     

垃圾短信的智能识别和实时处理

本文提出了短信语义和号码特征相结合的垃圾信息智能识别方法.在分类器的设计上,采用了BP神经网络与支撑矢量机(SVM)的分类集成技术,使得分类识别效果明显.垃圾短信的学习样本识别正确率达99.86%,测试样本识别正确率达到97.4%.由于本文方法提取的特征构成了稀疏矩阵,因此大大缩短了,机器学习时间,使得系统具有实时学习和实时提高分类能力的功能.     

基于自组织稀疏RAM的N-tuple神经网络的人脸识别

本文提出了一种首先采用自组织映射(SOM)神经网络对稀疏RAM的N-tuple神经网络(SN-tuple)的稀疏分布存储器(SDM)的地址矢量根据训练样本进行优化,然后再对SN-tuple进行学习训练的人脸识别方法,在此称为自组织稀疏RAM的N-tuple神经网络。通过大量人脸识别的实验证明,该方法有效的解决了SN-tuple受随机SDM地址矢量影响较大的问题,具有识别率高且稳定的特点。     

基于SOM神经网络的航舵故障分类方法

为解决航舵故障诊断的复杂非线性模式分类问题,提出一种基于自组织特征映射(SOM)神经网络的航舵故障诊断方法,构造一个2层SOM神经网络,训练后多个权值向量位于输入向量聚类中心,实现快速有效的自适应分类.仿真结果表明:SOM网络经过100次训练即可实现聚类,对有限故障测试样本分类准确率可达90％,对航舵故障诊断具有一定的参考价值.     

基于RSOM树模型的机器学习原理与算法研究

机器学习和识别可归结于一个高速、有效地搜索非常大的样本空间问题,以实现对训练和识别样本的最佳拟合.对于复杂背景的模式样本集,同类型样本的独立同分布(i.i.d)特性通常难以保证,统计理论无法有效应用.本文将层次化思想和自组织映射(SOM)神经网络相结合,采用递归实现技术实现了一种高效、高容量,能够自适应增长的模式分类树(RSOM树)生长方法,用于模式识别和机器学习的基本建模.通过对大量公用数据集的测试以及在实际的雷达目标识别系统中应用,方法有效性得到了证明.     

神经网络的特征映射聚类算法研究

自组织特征映射作为一种神经网络方法,在数据挖掘、机器学习和模式分类中得到了广泛应用。他将高维输入空间的数据映射到一个低维、规则的栅格上,从而可以利用可视化技术探测数据的固有特性。说明自组织特征映射神经网络的工作原理和具体实现算法,并在对已有神经网络聚类分析方法概括和总结的基础上,结合一些实验数据、仿真数据对自组织特征映射算法进行研究,得出了一些有意义的结论。     

一种用于图象编码的神经网络及其改进算法

本文用Kohonen的自组织特征映射神经网络设计图象矢量量化的码书,研究了网络的基本性质和学习算法的实现,提出了对学习算法的改进方法。实验结果表明,自组织特征映射神经网络能够有效地用于构造图象矢量量化的码书,算法简洁,实现快速,编码效果优良。     

改进的Kohonen网络及图像自适应矢量量化

本文针对图像矢量量化存在的分块效应问题,通过对Kohonen自组织模型的研究,修改了Kohonen的自组织特征映射(SOFM)算法,设计了两个DCT(离散余弦变换)域的特征值,用于图像数据块的分类。在此基础上,进一步探讨了改进的自组织特征映射(MSOFM)算法在图像自适应矢量量化中的应用。计算机模拟实验表明,MSOFM算法有效地减少了分块效应,与SOFM算法相比具有更好的性能。     

基于组织协同进化分类算法的遥感图像目标识别

针对遥感图像目标识别问题,提出了一种基于组织协同进化分类算法的识别方法。它没有复杂的运算,训练和识别速度都很快。对实测遥感图像的实验表明,本文方法性能稳定,优于文献[3]和[4]中基于支撑矢量机的方法,识别率均达到了95％以上,且训练时间非常短,不到1秒钟。     

一种有效的遥感图像目标识别方法

本文提出了一种基于矩不变量和支持矢量机对遥感图像中的目标进行识别的方法，该方法提取目标七个Ｈｕ矩不变量作为特征矢量，应用支撑矢量机方法对其进行分类识别，结果表明，这一方法对仅含有目标和背景的遥感图像具有很好的分类识别结果。此外，我们发现对于不同的图像，其二值化取值范围对识别结果有着直接的影响。     

复杂分类问题支持向量机的简化

对于复杂分类问题,不可避免的会有错分情况,此时支持向量机的支持向量较多,影响了识别速度.为了解决这个问题,我们提出了基于最小错分间隔的分类思想,并在此基础上得出了一种新的简化支持向量机.与普通支持向量机相比,这种简化支持向量机有较少的支持向量、较高的识别速度,而且实验结果表明,它的识别精度完全可以与普通支持向量机的识别精度相媲美,甚至更优.     

基于中心矩特征的空间目标识别方法

目标的雷达散射截面（RCS）包含了丰富的目标类别信息，有效地利用目标RCS特征对空间目标的雷达识别具有重要的意义。该文利用空间目标回波的距离维信号来进行识别。中心矩特征具有平移不变性，是一种简单有效的波形特征提取算法。文中首先提取中心矩作为特征向量，再采用Fisher判据进一步进行特征压缩，最后利。用支撑矢量机（SVM）分类算法实现识别。基于实测数据的仿真实验结果表明，该方法具有较好的识别性能和推广能力。     

基于中心矩特征的雷达HRRP自动目标识别

针对雷达高分辨距离像(HRRP)的方位敏感性和平移敏感性，对一定角域内的HRRP非相干平均，提取具有平移不变性的中心矩作为特征向量，采用Karhunen-Loeve变换进一步进行特征压缩，建立相应的支撑矢量机（SVM）分类算法，与基于原始距离像特征的最大似然(ML)方法和基于中心矩特征的ML方法识别结果比较，该方法在减少计算量的同时具有较高的识别率，具有良好的推广能力。     

用于SVM的RCS统计特征集约减方法

传统的支持向量机分类算法对训练样本数目敏感且不具备增量学习的能力,而空间目标识别的工程应用需要积累样本进行大样本的增量学习。根据样本在特征空间分布,提取几何意义上边缘的样本点,成功约减了应用于支持向量机学习的基于雷达散射截面统计特征的训练样本集。利用中心距离比和特征空间多维高斯分布特性,分别提取两类边界样本集和单类边缘样本集;再采用直推式实验设计方法再采样,根据样本潜在结构分布信息选择最能代表样本集结构分布的高价值样本。实验结果表明：样本初选算法能够在有效约减样本集规模的同时保持支持向量机训练分类的精度。     

基于卷积神经网络的SAR图像目标识别研究

针对合成孔径雷达(Synthetic Aperture Radar, SAR)的图像目标识别应用, 该文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量, 提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine, SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)SAR图像数据进行实验, 识别结果证明了所提方法的有效性。      

基于频谱相像系数的间歇采样转发干扰识别

正确的干扰识别是采取有效抗干扰措施的前提和基础,文中针对间歇采样转发干扰的识别问题,提出了一种基于频谱相像系数和支持向量机的干扰识别方法。通过对目标回波及干扰信号的模型及频谱进行分析,挖掘回波与干扰信号频域上的差异,提取频谱相像系数特征,并利用支持向量机进行分类识别。仿真结果表明:相像系数特征参数类间分离度好、不易受噪声及实验次数影响,将其作为干扰识别的特征参数,得到的识别准确率较高,可以为后续雷达系统采取针对性抗干扰措施提供重要的决策信息。     

基于主动标记支持向量机和太赫兹光谱的转基因物质检测方法研究

为克服传统支持向量机需要事先对训练样本进行 人为标记的缺点,提出了一种主动训练 支持向量机模型。利用仿射传播聚类算法对未标记样本进行聚类分析,在迭代过程中 不断更新现 有支持向量机的训练数据,从而不仅可以减少人为标记样本所带来的误差,还能够最大限度 地提高模型的识 别准确率。本文以转基因棉花的太赫兹光谱数据为研究对象对该模型进行了验证,实验结果 表明,本文 提出的方法对总待测样品的种类的识别率为95.56%,较其他三种方法 有较少的误判和更高的识别率。 基于仿射传播聚类的支持向量机较传统支持向量机有更高的识别率和更低的误判率,为转基 因物质的检测提供了一种快速,无损的新方法。     

基于数据挖掘技术的网络热门舆情分类研究

以提升网络热门舆情分类准确率,降低分类时间为目标,提出了基于数据挖掘技术的网络热门舆情分类方法.将小波核函数和支持向量机结合构成小波模糊支持向量机,采用增量学习机制和贝叶斯分类算法建立增量贝叶斯分类算法,组成小波模糊支持向量机-增量贝叶斯分类算法解决测试样本易分类失误以及类条件独立假定性很难获取问题,通过计算待测样本和...     

基于多特征联合处理的灵巧噪声干扰识别

灵巧噪声干扰已成为一种作用于新体制相参雷达的重要干扰类型.为了有效抑制该类干扰,提出一种基于多维特征的抗干扰方式.通过分析DRFM产生灵巧噪声干扰原理,建立目标与干扰信号模型;在分析对比两类信号特性的基础上,提取包络起伏参数、相位门限内概率及盒维数特征以表征目标与干扰信号在波形、相位及尺度信息上的差异;为了进一步提高干扰识别性能,加入表征信号复杂度的近似熵特征,分析表明该特征因子对噪声具有较强的鲁棒性;最后采用支撑向量机对提取的多维特征进行处理以实现灵巧噪声干扰的识别对抗.仿真实验表明,该方法对目标和干扰的正确识别率高且基本不受干噪比影响.