小波核极限学习机分类器

分析了核极限学习机的原理,提出了一种小波核极限学习机,将小波函数做为极限学习机的核函数,证明了它是一种允许的极限学习机核。通过在双螺旋数据上的测试表明,小波核极限学习机在无训练数据分布的空间也具有分类能力,而高斯核极限学习机在没有训练数据分布的空间不具备分类能力。通过在不同的UCI数据集中的测试得出小波核极限学习机具有较高的分类性能。最后将小波核极限学习机应用到了人脸识别问题上,同样取得了优良的性能,说明小波核极限学习机具有一定的应用价值。     

基于增量学习的合成孔径雷达目标识别算法

传统的合成孔径雷达(SAR)目标识别往往采用批量学习的方法,但是在现实应用中,系统的训练数据并不能一次性全部获得,当有新的训练样本到来时,采用批量学习方法需要重新训练整个系统。为解决这个问题,将增量学习算法——正则在线序贯式极限学习机(ROSELM)应用到SAR目标识别中,并且采用粒子群算法优化ROSELM的初始权值以提高其稳定性和识别率。实验结果表明,该算法在新的SAR目标样本获得时只需要通过更新输出权值即可完成系统的更新,无需重新训练,且速度极快、识别率高,可以作为SAR目标识别系统在线更新的良好选择。     

线列红外无热化检测系统及其图像清晰度评价方法

分析了红外成像系统随温度变化而离焦的原理,提出一种线列红外无热化检测系统。分析了线列红外成像的特点,针对传统的SMD,TenenGrad,Laplacian等方法容易受到线列红外条纹噪声干扰的问题,结合所采用靶板的形状,提出了一种基于7个方向改进的Sobel算子的清晰度评判的方法。实验结果表明,该方法能够有效克服线列红外成像系统条纹随机噪声对清晰度评价因子带来的干扰。和传统算法对比发现,所提算法的响应曲线变化趋势明显、波动小,能够更好地满足自动调焦的单调和无偏性要求。