基于支持向量机的浅地层探地雷达目标分类识别研究

对于探地雷达用于探测地雷情况下的目标识别,从实用性上说只需识别地雷或非地雷两类目标即可,而通常的支持向量机正是用于两类分类.本文结合浅地层探地雷达数据的特点,提出了一种基于支持向量机的浅地层探地雷达目标分类识别方法,并分析了时域,傅立叶谱,及离散小波变换三种特征数据用于所提方法时的效果.通过对实测数据进行处理,结果表明三种特征数据用于所提方法都能取得较好的效果.     

基于核方法的探地雷达目标特征提取方法

把核方法引入探地雷达目标特征提取中,先对雷达特征数据进行基于核的非线性变换投影到高维空间;然后在高维空间应用传统的探地雷达目标特征提取方法（LDA方法和PCA方法）提取雷达数据特征。对PCA、LDA、基于核方法的PCA和基于核方法的LDA四种探地雷达目标特征提取方法进行对比研究,对实测数据处理的结果表明：无监督的学习方法不适合探地雷达目标特征提取,所提基于核方法的LDA探地雷达目标特征提取方法效果最好。并详细阐述了基于核方法的LDA探地雷达目标特征提取方法。     

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。     

基于核ICA的探地雷达地杂波抑制

地雷及未爆武器给许多国家带来了巨大的经济和社会问题。近年来超宽带探地雷达被广泛用于浅层埋藏的塑性地雷的检测,其中滤除雷达回波信号中的地杂波是完成目标检测、成像与识别的关键。文中通过利用核ICA算法进行研究,给出了一种可以针对多目标数据区域且自动选取独立分量的探地雷达地杂波抑制方法,基于实测数据的实验结果表明了该方法的有效性。     

冲击脉冲雷达探雷

基于毫微秒电磁脉冲理论发展起来的探地雷达技术是一种浅层地下目标探测雷达。根据某型工程侦察车中配置的冲击脉冲探地雷达研制经验,对探地雷达探测地雷时所遇到的若干关键技术进行了研究,给出了工程设计方法。结合具体探测试验数据,对地雷目标识别问题进行了分析,对今后从事冲击脉冲雷达探雷研究工作具有一定参考价值。     

基于支撑矢量机的通信信号调制识别方法研究

提出了一种应用小波变换提取分类特征的基于支撑矢量机的通信信号调制识别方法。使用多个支撑矢量机分类器构成一个多类分类器用于多类信号的调制识别。在中频进行处理,不需要同步信息;利用支撑矢量机具有更好的推广能力,可以使用较少的训练样本。计算机仿真结果表明该方法可以很好地工作于信噪比变化范围较大的通信环境。     

一种新的模糊支持矢量机多目标识别方法

本文主要研究基于支持矢量机(SVM)的多目标识别方法.首先介绍了基于SVM的OAA和OAO多目标识别算法,针对OAA和OAO算法存在的误判问题,基于SVM决策函数建立了样本模糊隶属度函数,对OAA和OAO算法进行了改进,提出了一种新的模糊支持矢量机多目标识别方法.仿真实验结果表明,该方法能够有效提高识别性能.     

美国导弹防御系统地基雷达目标测量与识别

地基雷达的探测与识别能力是整个弹道导弹防御系统识别能力的重要支撑.其主要是以多普勒频移成像和距离高分辨率能力实现对真假目标的识别,目标识别的方法包括基于RCS的识别方法、基于一维像的识别方法和基于二维像的识别方法,其中带宽外推目标识别技术使得宽带雷达成像技术取得了重大进展.在对地基雷达功能与实现过程、目标识别方法进行分析的基础上,从角位置测量、距离测量,径向速度测量三个方面对地基雷达探测与识别能力进行了分析.     

用于一维图像识别的支撑矢量机方法

研究了支撑矢量机的分类机理,并利用支撑矢量机对雷达目标一维像进行了识别.识别的结果表明了该方法的优越性,并显示它可以对残缺不全的样本进行识别.     

一种基于精细极化目标分解的舰船箔条云识别方法

用于干扰舰船目标的箔条云通常具有与舰船目标相近的尺寸和雷达散射截面积,这使得舰船与箔条云的识别成为一个非常有挑战性的问题。该文提出一种基于精细极化目标分解的识别方法。为了能够有效地识别舰船目标与箔条云,该文首先结合3种精细化散射模型,提出了一种基于精细散射模型的七成分分解方法。通过这种分解方法可以有效地刻画舰船目标的散射特性。为了将舰船与箔条云的极化特性进行有效的对比和区分,该文根据分解得到的散射成分贡献构造了一个稳健的散射贡献差特征。最后,通过将构造的散射贡献差与极化散射角结合,构造了新的特征矢量并利用支持向量机实现了最终的识别。实验利用仿真和实测的极化雷达数据对所提方法进行了验证,结果表明该方法优于现有的其他方法,并能够达到最高98%的正确识别率。      

Blind equalizer for constant-modulus signals based on Gaussian process regression

A new blind equalization method for constant modulus (CM) signals based on Gaussian process for regression (GPR) by incorporating a constant modulus algorithm (CMA)-like error function into the conventional GPR framework is proposed. The GPR framework formulates the posterior density function for weights using Bayes' rule under the assumption of Gaussian prior for weights. The proposed blind GPR equalizer is based on linear-in-weights regression model, which has a form of nonlinear minimum mean-square error solution. Simulation results in linear and nonlinear channels are presented in comparison with the state-of-the-art support vector machine (SVM) and relevance vector machine (RVM) based blind equalizers. The simulation results show that the proposed blind GPR equalizer without cumbersome cross-validation procedures shows the similar performances to the blind SVM and RVM equalizers in terms of intersymbol interference and bit error rate.     

基于GPCA的KNNY与SVM融合的人脸识别方法

针对K近邻和支持向量机人脸识别率较低的问题,采用一种KNN和SVM融合的识别方法。提出了一种Gabor小波和主成分分析进行人脸特征提取,KNN-SVM进行分类的人脸识别方法。基于ORL和YALE人脸库中进行实验,结果表明该算法较KNN和SVM中任何一个的识别率都要高,且识别率最高可达到98.89%。     

基于特征融合的人体行为识别

为克服单个行为表达方法有效性上的不足,提出了一种基于多特征融合和支持向量机(SVM)的人体行为识别(HAR)方法。首先,利用背景差分提取运动显著区域;然后提取运动显著区域的剪影直方图和光流直方图,并采取一定的融合策略,构建融合特征结合SVM识别人体行为。实验以广泛使用的公开数据集Weizmann为研究对象,正确识别率达到99.8%以上。结果表明,提出的特征融合及识别方法能有效地对人体行为进行识别;而且,由于规避了比较耗时的序列匹配操作,减少了计算量。     

非均衡数据目标识别中SVM模型多参数优化选择方法

提出了非均衡数据目标识别中SVM模型多参数优化选择方法.首先从理论上分析了SVM模型多参数选择的内涵和必要性,针对非均衡数据的分类识别,基于F测度提出了能全面反映识别性能的多参数优化选择准则.在多参数选择过程中,利用遗传算法进行模型多参数并行优化选择.提出的方法能够寻找模型多参数的全局最优解,避免陷入梯度法常出现的局部最优解情况,同时能够克服传统方法中根据经验选择SVM单参数模型时计算量太大的不足.采用国际通用的标准数据集和雷达目标HRRP数据集进行了仿真实验,实验结果表明,该方法能够得到模型多参数的全局最优值,由此确定的SVM模型分类器性能有较大提高.     

人脸识别中基于均匀设计的SVM超参数调节方法

为了有效地解决超高维、多类别人脸识别中支持向量机(SVM,support vector machine)超参数调节计算复杂性问题,提出一种基于均匀设计(UD,uniform design)的SVM超参数调节的人脸识别方法。用UD代替传统的网格(grid)和梯度下降(gradient descent)方法挑选充分均衡分散在整个试验范围内且能得到满意实验结果的特征点,通过最小化k折交叉验证误差界或留一法(LOO,leave-one-out)误差界获取SVM最佳超参数。在UCI模拟数据集(Waveform)及人脸图像库(Yale,PIE)上进行了实验,结果表明,本文方法与传统的SVM超参数调节方法相比,能大大降低超参数调节的时间且能在一定程度上提高人脸分类识别率,使SVM超参数调节方法在解决高维人脸真实数据问题时具有一定的实用价值。     

自然场景下的车牌检测与识别算法

车牌自动识别是智能交通系统的关键技术之一,主要包括车牌检测和字符识别两部分。为提高车牌检测速度和精度,本文提出了一种基于学习、由粗到精的车牌检测方法。首先采用颜色点对和垂直边缘相结合的方法,快速检测出车牌感兴趣区域;然后采用一种基于梯度方向直方图特征和支持向量机的机器学习方法实现车牌的精确定位。在车牌识别阶段,首先采用基于连通域分析与字符固有特征相结合的方法进行字符分割,然后根据字符结构提取3种稳定且有效的特征,采用支持向量机对分割的字符进行识别。采用上述方法对412幅不同角度、不同光照条件、不同时间段下拍摄的图像进行检测与识别,实验结果表明本文提出的算法精度高、鲁棒性好、识别速度符合实时性的要求。      

基于支持向量机的步态识别算法研究

为了准确快速地进行运动人体的步态识别,提出了一种基于主分量分析(PCA)和统一Hu矩融合的步态识别算法。将人体髋关节以下作为感兴趣区域,对图像序列中运动人体的感兴趣区域进行了分割,并提取主分量外形特征,同时计算感兴趣区域的统一Hu不变矩特征,将二者结合,构成步态序列的特征空间,采用支持向量机(SVM)分类器进行分类识别,通过MATLAB仿真实验验证了算法的有效性。实验结果表明,该算法识别速度快,具有较高的识别率。     

应用太赫兹光谱技术快速无损鉴别中草药品种

确定中药品种是确保中药材质量的第一关。为探索中草药品种的快速鉴别方法,本文应用太赫兹光谱技术结合模式识别方法对6种中草药进行分类鉴别。采集了白附片、大黄、党参、陈皮、麦冬、天麻等6种常用中草药,共得到420组太赫兹光谱数据,在0.2~1.5 THz波段分别采用支持向量机(SVM)、主成分分析(PCA)和支持向量机相结合、线性判别分析(LDA)结合支持向量机等方法对6种中药材进行了定性鉴别分析。结果表明,太赫兹光谱数据结合线性判别分析和支持向量机建立的LDA-SVM中草药品种识别模型最优,模型准确率达100%,对未知样本的鉴别准确率达98.41%。本文的LDA-SVM模型具有较好的鉴别能力,能快速准确地鉴别出中药材的品种,为中草药的质量控制提供了又一鉴别手段。