CN111208483A - 基于贝叶斯支持向量数据描述的雷达库外目标识别方法 - Google Patents
基于贝叶斯支持向量数据描述的雷达库外目标识别方法 Download PDFInfo
- Publication number
- CN111208483A CN111208483A CN202010003876.7A CN202010003876A CN111208483A CN 111208483 A CN111208483 A CN 111208483A CN 202010003876 A CN202010003876 A CN 202010003876A CN 111208483 A CN111208483 A CN 111208483A
- Authority
- CN
- China
- Prior art keywords
- distribution
- parameter
- support vector
- vector data
- samples
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于贝叶斯支持向量数据描述的雷达库外目标识别方法,主要可决现有技术因无法对参数提出概率分布假设而造成的识别率较低的问题。其实现步骤为:加入隐变量,对支持向量数据描述SVDD的参数提出概率分布假设,建立贝叶斯支持向量数据描述模型;生成雷达高分辨距离像训练样本集和测试样本集;对贝叶斯支持向量数据描述模型进行参数初始化,将训练样本集输入到该模型中,对模型中所有参数进行更新,当变分下界收敛时得到训练好的模型;将测试样本集中的所有样本输入到训练好的贝叶斯支持向量数据描述模型中进行目标识别,得到测试样本集所有样本的分类标签。本发明提高了对雷达高分辨距离像的识别性能,可用于雷达库外目标识别。
Description
技术领域
本发明属于雷达技术领域,特别涉及一种雷达库外目标识别方法,可用于雷达高分辨距离像的自动识别。
背景技术
随着智能化水平的提高,雷达自动目标识别RATR技术受到广泛关注。雷达高分辨距离像HRRP是用宽带雷达信号获取的目标散射点子回波在雷达视线上投影的向量和。HRRP包含了对目标分类和识别十分有价值的结构信息,如目标的径向尺寸、散射点分布等,而具有且易于获取、存储和处理等优点。
在实际应用中,RATR系统所要识别的目标往往是非合作目标。因此在训练过程中想建立完备的数据库十分困难甚至难以实现。由于实际RATR系统的目标库往往是不完备的,当有别于库内所有目标的新目标的测试数据出现时,将其判别为库内的任一类样本目标都是不合理的,因此需要对库外目标进行预先识别。
库外目标识别问题的本质是针对库内和库外这两类目标的分类问题,然而在训练阶段往往难以获取库外目标的数据,因此常用单类分类器来实现对库外目标的识别。单类分类器只需用库内目标数据进行学习,形成对库内类别数据的描述,然后设计相似性度量方式,通过计算新来数据与库内类别数据的相似度,并同设定的阈值进行比较,来判定新数据的类别属性。
支持向量数据描述SVDD是常见的单类分类器,其思想是通过对训练数据的学习,形成一个围绕训练数据的超球体,并且最小化该超球体的体积,等价于最小化超球体的半径,来达到最小识别错误率的目的。然而由于传统支持向量数据描述SVDD在训练阶段是通过优化算法来求解模型参数,无法对模型参数提出概率分布假设,造成识别结果的置信度难以评估,且识别性能受限的不足。
发明内容
本发明的目的在于针对上述传统SVDD无法与概率模型相结合的问题,提出一种基于贝叶斯支持向量数据描述的雷达库外目标识别方法,以提高对库外目标的识别性能。
实现本发明目的的思路是,通过理论推导,加入隐变量,将SVDD目标函数用概率模型来代替,对SVDD的参数提出概率分布假设,从而给出贝叶斯支持向量数据描述BSVDD的层次化概率模型,实现传统的SVDD算法与贝叶斯框架相结合。BSVDD具有全共轭先验分布,能够利用变分贝叶斯VB方法对其进行参数估计。
根据上述思路,本发明的实现步骤包括如下:
(1)建立贝叶斯支持向量数据描述模型:
其中,λ=[λ1,…,λn,…,λN]表示隐变量,λn表示第n个样本对应的隐变量,N表示样本总数,n表示第n个样本,n=1,…,N,K表示核矩阵,拉格朗日系数α服从高斯分布,方差项引入γ,参数γ为调和参数,服从形状参数为c,尺度参数为d的Gamma分布,稀疏系数z服从参数为π的伯努利分布,z的先验分布参数π服从形状参数为τ1,τ2的贝塔分布,α=[α1,…,αn,…,αN]T,z=[z1,…zn,…zN]T,π=[π1,…,πn,…,πN]T,αn表示第n个样本对应的拉格朗日系数,zn表示第n个样本拉格朗日系数αn对应的稀疏系数,πn表示第n个样本zn的先验分布参数,kn表示K的第n列,C0为调节常数,表示α和z的点乘,(·)T表示转置操作;
(2)生成高分辨距离像样本集:
(2a)选择三类飞机的雷达高分辨距离像HRRP数据,其中两类作为库内样本,剩下的一类作为库外样本,从库内的两类样本中各选择300个样本,共600个样本组成训练样本集,从每类飞机样本中分别选择800个样本,共2400个样本组成测试样本集;
(2b)用测试样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模二范数,得到归一化后的测试样本集;
(2c)用训练样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模二范数,得到归一化后的训练样本集;
(3)对(1)建立的贝叶斯支持向量数据描述模型进行训练:
(3a)对贝叶斯支持向量数据描述模型进行参数初始化,设置收敛门限ξ=0.1;
(3b)将归一化后的训练样本集输入到贝叶斯支持向量数据描述模型中,对模型中的所有参数进行更新;
(3c)计算在当前迭代次数t下的变分下界LB(t),并判断下界是否收敛:
当|LB(t)-LB(t-1)|/|LB(t-1)|>ξ,则认为下界不收敛,重复步骤(3b),其中t为迭代次数,LB(t)为第t次的变分下界,LB(t-1)为第t-1次的变分下界;
当|LB(t)-LB(t-1)|/|LB(t-1)|≤ξ,则认为下界收敛,将当前参数取值作为模型的解,得到训练好的贝叶斯支持向量数据描述模型;
(4)将归一化后的测试样本集中所有样本输入到训练好的贝叶斯支持向量数据描述模型中进行目标识别,得到测试样本集所有样本的分类标签,库内为1,库外为-1;
本发明与现有技术相比具有以下优点:
本发明由于对SVDD模型参数提出了概率分布假设,并构建了贝叶斯支持向量数据描述模型,克服了在传统求解过程中因SVDD模型无法对参数提出概率分布假设,及不能利用变分贝叶斯方法对模型参数进行参数估计而造成的识别率较低的问题,提高了对库外目标的识别性能。
附图说明
图1是本发明的实现流程图;
图2(a)是现有支持向量数据描述SVDD方法的接收机工作特性曲线;
图2(b)是本发明贝叶斯支持向量数据描述BSVDD方法的接收机工作特性曲线。
具体实施方式
下面结合附图对本发明的实施例和效果做进一步的描述。
参照图1,对本实施例的实现步骤如下:
步骤1,建立贝叶斯支持向量数据描述模型。
(1.1)计算训练样本集X=[x1,…xn,…,xN]的核矩阵K:
(1.1a)根据径向基函数,计算核矩阵K第i行第j列元素为:
其中,σ为核参数,σ>0,xi和xj分别表示第i个和第j个训练样本,i=1,…N,j=1,…N,||·||2表示模2范数;
(1.1b)根据步骤(1.1a)得到的核矩阵K中第i行第j列元素k(xi,xj),得到训练核矩阵为:
(1.2)使用拉格朗日因子法得到支持向量数据描述的对偶问题:
其中,αi为第i个样本对应的拉格朗日系数,αj为第j个样本对应的拉格朗日系数;
(1.3)将隐变量λ引入(1.2)中得到支持向量数据描述对偶问题的伪似然形式:
其中,λ=[λ1,…,λn,…,λN]表示隐变量,λn表示第n个样本对应的隐变量,N表示样本总数,n表示第n个样本,n=1,…,N,K表示核矩阵,拉格朗日系数α=[α1,…,αn,…,αN]T,kn表示K的第n列,C0为调节常数,表示α和z的点乘,(·)T表示转置操作;
(1.4)由于拉格朗日系数α具有很强的稀疏性,所以将稀疏系数z引入到(1.3)的伪似然形式中,利用z使得α具有稀疏性,得到贝叶斯支持向量数据描述的概率模型:
步骤2,生成高分辨距离像样本集。
(2.1)选择三类飞机的雷达高分辨距离像HRRP数据,两类作为库内样本,剩下的一类作为库外样本,从库内的两类样本中各选择300个样本,共600个样本组成训练样本集,从每类飞机样本中分别选择800个样本,共2400个样本组成测试样本集;
(2.2)用测试样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模二范数,得到归一化后的测试样本集;
(2.3)用训练样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模二范数,得到归一化后的训练样本集;
步骤3,对步骤1建立的贝叶斯支持向量数据描述模型进行训练:
(3.1)对贝叶斯支持向量数据描述模型进行参数初始化,
设置收敛门限ξ=0.1,调节常数C0取值为0.97;
设拉格朗日系数α服从的条件后验分布为高斯分布,设置其均值为0,方差为0.67;
设调和参数γ的条件后验分布为伽马分布,形状参数c=10-4,尺度参数d=10-3;
设置稀疏系数z的先验分布参数π,服从形状参数为τ1=10-4,τ2=10-6的贝塔分布;
(3.2)将归一化后的训练样本集输入到贝叶斯支持向量数据描述模型中,对模型中的所有参数进行更新,即对协方差矩阵Σα,后验均值μα,第n个样本的稀疏系数zn,zn的先验分布参数πn的形状参数τ′1,τ′2,调和参数γ的形状参数c′,尺度参数d′,第n个样本对应的隐变量λn的逆进行计算,其实现如下:
(3.2a)设拉格朗日系数组成列向量α的条件后验分布为高斯分布N(α|μα,Σα),计算协方差矩阵Σα,后验均值μα:
(3.2b)设πn的条件后验分布为贝塔分布Beta(πn|τ′1,τ′2),计算更新后的参数τ′1=<zn>+τ1,τ′2=1-<zn>+τ2;
(3.2c)计算zn的条件后验分布
其中,*表示向量与矩阵的相乘;
(3.3)计算在当前迭代次数t下的变分下界LB(t):
(3.3a)计算贝叶斯支持向量数据描述模型的伪似然函数期望<ln p(X|α,λ,z)>:
其中,trace(·)表示求矩阵迹操作;
(3.3b)计算拉格朗日系数向量α的KL距离的期望<KL(q(α)||p(α|γ))>:
其中,KL距离表示变量的变分分布与后验分布之间的散度,
ψ(·)表示伽马函数的导数,I为单位矩阵;
(3.3c)计算调和系数γ的KL距离的期望<KL(q(γ)||p(γ|c,d))>:
Γ(·)表示伽马函数,c为更新前的形状参数,d为更新前的尺度参数,c′为更新后的形状参数,d′为更新后的尺度参数;
(3.3d)计算稀疏系数z的KL距离的期望<KL(q(z)||p(z|π))>:
其中,q(z)为z的变分分布,p(z|π)为z的后验分布,zn为第n个样本的稀疏系数,q(zn=1)为zn=1时的概率分布,q(zn=0)为zn=0时的概率分布;
(3.3e)计算先验π的KL距离的期望<KL(q(π)||p(π|τ1,τ2))>:
(3.3f)计算变分下界LB(t):
LB(t)=<lnp(X|α,λ,z)>-<KL(q(α)||p(α|γ))>-<KL(q(z)||p(z|π))>-<KL(q(γ)||p(γ|c,d))>-<KL(q(π)||p(π|τ1,τ2))>
(3.3e)判断下界是否收敛:
若|LB(t)-LB(t-1)|/|LB(t-1)|>ξ,则认为下界不收敛,返回(3.2),
若|LB(t)-LB(t-1)|/|LB(t-1)|≤ξ,则认为下界收敛,将当前参数取值作为模型的解,得到训练好的贝叶斯支持向量数据描述模型;
其中,LB(t-1)为第t-1次迭代的变分下界,ξ为收敛门限。
步骤4,将归一化后的测试样本集中所有样本输入到训练好的贝叶斯支持向量数据描述模型中进行目标识别,得到测试样本集所有样本的分类标签,库内为1,库外为-1;
下面结合仿真实验对本发明的效果做进一步的描述。
1、仿真实验条件:
本发明实验所采用的雷达实测数据为某院的C波段雷达实测的飞机一维HRRP数据。实验的对象包含三类不同类型的飞机:“雅克-42”、“奖状”和“安-26”。表1给出了实验所用雷达和飞机目标的参数:
表1 雷达和飞机参数
本发明的仿真实验的硬件测试平台为:Intel Core i7 CPU,主频3.4GHz,内存16GB,软件平台为:Windows 7操作系统和Matlab R2017a。
2.实验内容及结果分析
选择三类飞机的雷达高分辨距离像HRRP数据,两类作为库内样本,剩下的一类作为库外样本,从库内的两类样本中各选择300个样本,共600个样本组成训练样本集,从每类飞机样本中分别选择800个样本,共2400个样本组成测试样本集。分别采用本发明和现有支持向量数据描述SVDD两种方法进行库外目标识别实验,结果如图2所示,其中,图2(a)是用现有方法识别的结果,图2(b)是用本发明实验的结果。
从图2(a)可见,其ROC曲线下的面积AUC值为0.862,
从图2(b)可见,其ROC曲线下的面积AUC值为0.886,本发明的识别性能相比现有方法的AUC值提升了0.024。
综上,本发明的仿真实验结果证明本发明能有效地提高对雷达高分辨距离像的库外目标识别性能。
Claims (5)
1.一种基于贝叶斯支持向量数据描述的雷达库外目标识别方法,其特征在于,包括如下:
(1)建立贝叶斯支持向量数据描述模型:
其中,λ=[λ1,…,λn,…,λN]表示隐变量,λn表示第n个样本对应的隐变量,N表示样本总数,n表示第n个样本,n=1,…,N,K表示核矩阵,拉格朗日系数α服从高斯分布,方差项引入γ,参数γ为调和参数,服从形状参数为c,尺度参数为d的Gamma分布,稀疏系数z服从参数为π的伯努利分布,z的先验分布参数π服从形状参数为τ1,τ2的贝塔分布,α=[α1,…,αn,…,αN]T,z=[z1,…zn,…zN]T,π=[π1,…,πn,…,πN]T,αn表示第n个样本对应的拉格朗日系数,zn表示第n个样本拉格朗日系数αn对应的稀疏系数,πn表示第n个样本zn的先验分布参数,kn表示K的第n列,C0为调节常数,表示α和z的点乘,(·)T表示转置操作;
(2)生成高分辨距离像样本集:
(2a)选择三类飞机的雷达高分辨距离像HRRP数据,其中两类作为库内样本,剩下的一类作为库外样本,从库内的两类样本中各选择300个样本,共600个样本组成训练样本集,从每类飞机样本中分别选择800个样本,共2400个样本组成测试样本集;
(2b)用测试样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模二范数,得到归一化后的测试样本集;
(2c)用训练样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模二范数,得到归一化后的训练样本集;
(3)对(1)建立的贝叶斯支持向量数据描述模型进行训练:
(3a)对贝叶斯支持向量数据描述模型进行参数初始化,设置收敛门限ξ=0.1;
(3b)将归一化后的训练样本集输入到贝叶斯支持向量数据描述模型中,对模型中的所有参数进行更新;
(3c)计算在当前迭代次数t下的变分下界LB(t),并判断下界是否收敛:
当|LB(t)-LB(t-1)|/|LB(t-1)|>ξ,则认为下界不收敛,重复步骤(3b),其中t为迭代次数,LB(t)为第t次的变分下界,LB(t-1)为第t-1次的变分下界;
当|LB(t)-LB(t-1)|/|LB(t-1)|≤ξ,则认为下界收敛,将当前参数取值作为模型的解,得到训练好的贝叶斯支持向量数据描述模型;
(4)将归一化后的测试样本集中所有样本输入到训练好的贝叶斯支持向量数据描述模型中进行目标识别,得到测试样本集所有样本的分类标签,库内为1,库外为-1。
2.根据权利要求1所述的方法,其特征在于,步骤(1)建立贝叶斯支持向量数据描述模型,步骤如下:
(1a)计算训练样本集X=[x1,…xn,…,xN]的核矩阵K:
(1a1)根据径向基函数,计算核矩阵K第i行第j列元素为:
其中,σ为核参数,σ>0,xi和xj分别表示第i个和第j个训练样本,i=1,…N,j=1,…N,||·||2表示模2范数;
(1a2)根据步骤(1a1)得到的核矩阵K中第i行第j列元素k(xi,xj),得到训练核矩阵为:
(1b)使用拉格朗日因子法得到支持向量数据描述的对偶问题:
其中,αi为第i个样本对应的拉格朗日系数,αj为第j个样本对应的拉格朗日系数;
(1c)将隐变量λ引入(1b)中得到支持向量数据描述对偶问题的伪似然形式:
(1d)将稀疏系数z引入(1c)的伪似然形式中,得到贝叶斯支持向量数据描述的概率模型:
3.根据权利要求1所述的方法,其特征在于,(3a)中对贝叶斯支持向量数据描述模型进行参数初始化,实现如下:
调节常数C0取值为0.97;
设拉格朗日系数α服从的条件后验分布为高斯分布,设置其均值为0,方差为0.67;
设调和参数γ的条件后验分布为伽马分布,形状参数c=10-4,尺度参数d=10-3;
设置稀疏系数z的先验分布参数π,服从形状参数为τ1=10-4,τ2=10-6的贝塔分布。
4.根据权利要求1所述的方法,其特征在于,(3b)中对贝叶斯支持向量数据描述模型中的所有参数进行更新,即对协方差矩阵Σα,后验均值μα,第n个样本的稀疏系数zn,zn的先验分布参数πn的形状参数τ′1,τ′2,调和参数γ的形状参数c′,尺度参数d′,第n个样本对应的隐变量λn的逆进行计算,其实现如下:
(3b1)设拉格朗日系数组成列向量α的条件后验分布为高斯分布N(α|μα,Σα),计算协方差矩阵Σα,后验均值μα:
(3b2)设πn的条件后验分布为贝塔分布Beta(πn|τ′1,τ′2),计算更新后的参数τ′1=<zn>+τ1,τ′2=1-<zn>+τ2;
(3b3)计算zn的条件后验分布
其中,*表示向量与矩阵的相乘;
5.根据权利要求1所述的方法,其特征在于,(3c)计算在当前迭代次数t下的变分下界LB(t),实现如下:
(3c1)计算贝叶斯支持向量数据描述模型的伪似然函数期望<ln p(X|α,λ,z)>:
其中,trace(·)表示求矩阵迹操作;
(3c2)计算拉格朗日系数向量α的KL距离的期望<KL(q(α)||p(α|γ))>:
(3c3)计算调和系数γ的KL距离的期望<KL(q(γ)||p(γ|c,d))>:
(3c4)计算稀疏系数z的KL距离的期望<KL(q(z)||p(z|π))>:
其中,q(z)为z的变分分布,p(z|π)为z的后验分布,zn为第n个样本的稀疏系数,q(zn=1)为zn=1时的概率分布,q(zn=0)为zn=0时的概率分布;
(3c5)计算先验π的KL距离的期望<KL(q(π)||p(π|τ1,τ2))>:
(3c6)计算变分下界LB(t):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010003876.7A CN111208483B (zh) | 2020-01-03 | 2020-01-03 | 基于贝叶斯支持向量数据描述的雷达库外目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010003876.7A CN111208483B (zh) | 2020-01-03 | 2020-01-03 | 基于贝叶斯支持向量数据描述的雷达库外目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111208483A true CN111208483A (zh) | 2020-05-29 |
CN111208483B CN111208483B (zh) | 2022-04-19 |
Family
ID=70782471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010003876.7A Active CN111208483B (zh) | 2020-01-03 | 2020-01-03 | 基于贝叶斯支持向量数据描述的雷达库外目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111208483B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163373A (zh) * | 2020-09-23 | 2021-01-01 | 中国民航大学 | 基于贝叶斯机器学习的雷达系统性能指标动态评估方法 |
CN113361472A (zh) * | 2021-07-01 | 2021-09-07 | 西安电子科技大学 | 基于ILFAcs模型的雷达HRRP目标识别方法 |
CN114089302A (zh) * | 2021-11-07 | 2022-02-25 | 西安电子工程研究所 | 基于支撑向量数据描述的地面目标识别方法 |
CN114089302B (zh) * | 2021-11-07 | 2024-06-11 | 西安电子工程研究所 | 基于支撑向量数据描述的地面目标识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100046327A1 (en) * | 2008-08-06 | 2010-02-25 | Orlin David J | Methods and Systems to Detect Changes in Multiple-Frequency Band Sonar Data |
CN104007431A (zh) * | 2014-05-29 | 2014-08-27 | 西安电子科技大学 | 基于dpLVSVM模型的雷达HRRP的目标识别方法 |
CN105116397A (zh) * | 2015-08-25 | 2015-12-02 | 西安电子科技大学 | 基于mmfa模型的雷达高分辨率距离像目标识别方法 |
CN105116400A (zh) * | 2015-08-31 | 2015-12-02 | 西安电子科技大学 | 基于iMMFA模型的雷达高分辨距离像的目标识别方法 |
CN106339608A (zh) * | 2016-11-09 | 2017-01-18 | 中国科学院软件研究所 | 一种基于在线变分贝叶斯支持向量回归的交通事故率预测系统 |
CN106951921A (zh) * | 2017-03-14 | 2017-07-14 | 西安电子科技大学 | 基于贝叶斯多核学习支持向量机的sar目标识别方法 |
US20180029840A1 (en) * | 2016-07-29 | 2018-02-01 | Otis Elevator Company | System and method for monitoring handrail entrance of passenger conveyor |
-
2020
- 2020-01-03 CN CN202010003876.7A patent/CN111208483B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100046327A1 (en) * | 2008-08-06 | 2010-02-25 | Orlin David J | Methods and Systems to Detect Changes in Multiple-Frequency Band Sonar Data |
CN104007431A (zh) * | 2014-05-29 | 2014-08-27 | 西安电子科技大学 | 基于dpLVSVM模型的雷达HRRP的目标识别方法 |
CN105116397A (zh) * | 2015-08-25 | 2015-12-02 | 西安电子科技大学 | 基于mmfa模型的雷达高分辨率距离像目标识别方法 |
CN105116400A (zh) * | 2015-08-31 | 2015-12-02 | 西安电子科技大学 | 基于iMMFA模型的雷达高分辨距离像的目标识别方法 |
US20180029840A1 (en) * | 2016-07-29 | 2018-02-01 | Otis Elevator Company | System and method for monitoring handrail entrance of passenger conveyor |
CN106339608A (zh) * | 2016-11-09 | 2017-01-18 | 中国科学院软件研究所 | 一种基于在线变分贝叶斯支持向量回归的交通事故率预测系统 |
CN106951921A (zh) * | 2017-03-14 | 2017-07-14 | 西安电子科技大学 | 基于贝叶斯多核学习支持向量机的sar目标识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163373A (zh) * | 2020-09-23 | 2021-01-01 | 中国民航大学 | 基于贝叶斯机器学习的雷达系统性能指标动态评估方法 |
CN113361472A (zh) * | 2021-07-01 | 2021-09-07 | 西安电子科技大学 | 基于ILFAcs模型的雷达HRRP目标识别方法 |
CN114089302A (zh) * | 2021-11-07 | 2022-02-25 | 西安电子工程研究所 | 基于支撑向量数据描述的地面目标识别方法 |
CN114089302B (zh) * | 2021-11-07 | 2024-06-11 | 西安电子工程研究所 | 基于支撑向量数据描述的地面目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111208483B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256436B (zh) | 一种基于联合分类的雷达hrrp目标识别方法 | |
CN111208483B (zh) | 基于贝叶斯支持向量数据描述的雷达库外目标识别方法 | |
CN111273288B (zh) | 一种基于长短期记忆网络的雷达未知目标识别方法 | |
Zhao et al. | Mutation grey wolf elite PSO balanced XGBoost for radar emitter individual identification based on measured signals | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
Wang et al. | Radar HRRP target recognition based on gradient boosting decision tree | |
CN109871907B (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 | |
CN114973019A (zh) | 一种基于深度学习的地理空间信息变化检测分类方法及系统 | |
Bharti et al. | Approximate Bayesian computation with domain expert in the loop | |
CN112835008B (zh) | 基于姿态自适应卷积网络的高分辨距离像目标识别方法 | |
Missaoui et al. | Multi-stream continuous hidden Markov models with application to landmine detection | |
Bakrania et al. | Using dimensionality reduction and clustering techniques to classify space plasma regimes | |
Springer et al. | Robust parameter estimation of chaotic systems | |
CN109272515B (zh) | 基于高阶多尺度crf无监督的sar图像分割方法 | |
Dridi et al. | Learning stochastic dynamical systems with neural networks mimicking the Euler-Maruyama scheme | |
CN116933083A (zh) | 一种电离层总电子含量预测方法、系统、电子设备及介质 | |
CN116401409A (zh) | 基于原型生成的hrrp识别数据库构建方法 | |
Cabezas et al. | Transport elliptical slice sampling | |
CN115932770A (zh) | 雷达辐射源个体精准智能识别方法、系统、设备及终端 | |
CN107229944B (zh) | 基于认知信息粒子的半监督主动识别方法 | |
Vivarelli et al. | Comparing Bayesian neural network algorithms for classifying segmented outdoor images | |
CN116304966A (zh) | 基于多源数据融合的航迹关联方法 | |
CN111160464B (zh) | 基于多隐层加权动态模型的工业高阶动态过程软测量方法 | |
CN109946669B (zh) | 基于深度置信网络的变体飞机高分辨距离像恢复方法 | |
Faber et al. | A randomized sampling based approach to multi-object tracking with comparison to HOMHT |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |