CN111767803B - 合成极窄脉冲雷达抗目标姿态敏感的鉴别方法 - Google Patents
合成极窄脉冲雷达抗目标姿态敏感的鉴别方法 Download PDFInfo
- Publication number
- CN111767803B CN111767803B CN202010512089.5A CN202010512089A CN111767803B CN 111767803 B CN111767803 B CN 111767803B CN 202010512089 A CN202010512089 A CN 202010512089A CN 111767803 B CN111767803 B CN 111767803B
- Authority
- CN
- China
- Prior art keywords
- training sample
- training
- test sample
- images
- sample
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了合成极窄脉冲雷达抗目标姿态敏感的鉴别方法,可以有效提高分类鉴别效果,可以解决存在的合成极窄脉冲雷达图像姿态敏感问题。包括如下步骤:获取带有目标的训练样本图像和测试样本图像并做预处理和特征提取,获得训练和测试样本特征向量集合;利用孪生支持向量机对所选取的两训练样本类别获取一个分类超平面;利用先验样本类别信息和分类超平面构建权重矩阵;构建目标函数,并求解得到投影矩阵;对训练和测试样本特征向量集合利用投影矩阵获得投影后的训练样本集合和测试样本集合,利用孪生支持向量机进行分类,实现当前两训练样本类别的二分类。重新选取两训练样本类别实现二分类,直至所有训练样本类别实现两两之间的二分类。
Description
技术领域
本发明涉及合成极窄脉冲雷达目标鉴别技术领域,具体涉及合成极窄脉冲雷达抗目标姿态敏感的鉴别方法。
背景技术
合成极窄脉冲雷达由于具有全天时,全天候和多频带特性,在许多领域中起着越来越重要的作用。自动目标鉴别技术可以通过提取目标特征来判断目标的类型和属性,目前已成为合成极窄脉冲雷达在许多领域的重要应用之一。在过去的几十年中,已经完成了许多工作,并提出了许多新方法,但这仍然是一个非常艰巨和具有挑战性的问题。现有的合成极窄脉冲雷达目标鉴别方法主要包括两个方面:特征提取和分类器设计。一个优秀的分类器不仅能提高分类正确率,而且可以提升分类效率,本发明主要就分类器设计进行研究。
支持向量机(SVM)由于其强大的分类能力,已成功地应用于语音鉴别、人脸验证、文本分类、信息和图像检索等领域。对于标准的支持向量机,其基本原理是找到两个最大分类间隔的平行超平面,以达到分离不同类的目的。与寻找两个平行超平面的标准支持向量机不同,孪生支持向量机(TWSVM)找到两个最近的非平行超平面,使得两个类各自得到一个分类平面,并且属于每个类的数据围绕在与其对应的分类平面附近。这种策略导致了孪生支持向量机和标准支持向量机的根本区别。前者解决了两个较小的二次规划问题,后者解决了一个较大的二次规划问题,使得TWSVM的训练速度比支持向量机提高了四倍左右。在两类问题中,经常会出现样本数据不平衡的现象,即一个样本数据较少,一个样本数据较多,当差距较大时,TWSVM仍有较好的性能,但SVM无法达到预期的效果。
对于合成极窄脉冲雷达图像,由于目标的姿态敏感特性,在高维空间中,属于不同类别的目标可能彼此非常接近,也就是说,一些样本会非常接近不同类别的样本,但却远离相同类别的样本,在使用TWSVM对图像进行分类时很容易造成误判。
因此如何解决合成极窄脉冲雷达图像姿态敏感问题,从而实现提高目标的分类鉴别效果是亟待解决的问题。
发明内容
有鉴于此,本发明提供了合成极窄脉冲雷达抗目标姿态敏感的鉴别方法,可以有效提高分类鉴别效果,可以解决存在的合成极窄脉冲雷达图像姿态敏感问题。
为达到上述目的,本发明的技术方案为:合成极窄脉冲雷达抗目标姿态敏感的鉴别方法,包括如下步骤:
步骤一、利用合成极窄脉冲雷达成像方法获取带有目标的训练样本图像和测试样本图像;其中属于同一目标的训练样本图像标记为同一训练样本类别;训练样本类别总数在2个以上。
步骤二、对训练样本图像和测试样本图像做预处理。
步骤三、对预处理后的训练样本图像和测试样本图像进行特征提取,获得训练样本特征向量集合和测试样本特征向量集合;任意选取两训练样本类别,执行步骤四。
步骤四、利用孪生支持向量机对当前选取的两训练样本类别获取分类超平面。
步骤五、利用先验样本类别信息和分类超平面构建权重矩阵。
步骤六、根据构建的权重矩阵构建目标函数,并求解得到投影矩阵。
步骤七、对所述训练样本特征向量集合和所述测试样本特征向量集合利用投影矩阵获得投影后的训练样本集合和投影后的测试样本集合,利用孪生支持向量机进行分类,实现当前选取的两训练样本类别的二分类。
步骤八、重新选取两训练样本类别,返回步骤四,直至所有训练样本类别均实现两两之间的二分类。
进一步地,步骤一中,利用雷达成像方法获取带有目标的训练样本图像和测试样本图像,属于同一目标的训练样本图像标记为同一训练样本类别;具体为:
利用合成极窄脉冲雷达成像的方法对针对一个以上的已知目标获取不同姿态下的雷达图像,作为训练样本图像,并将属于同一目标的训练样本图像标记为同一训练样本类别,即为先验样本类别信息。
在相同场景下,利用合成极窄脉冲雷达成像的方法对一个以上的待鉴别目标获取多种不同姿态下的雷达图像,作为测试样本图像。
进一步地,步骤二中,对训练样本图像和测试样本图像做预处理,具体为:顺次选取训练样本图像和测试样本图像作为待处理图像执行预处理过程,直至所有的训练样本图像和测试样本图像预处理完成。
所述预处理过程具体为:以所述待处理图像的几何中心为基准,截取中间包含目标所有信息的部分作为子图像,将子图像进行归一化处理。
进一步地,步骤三中,所述对预处理后的训练样本图像和测试样本图像进行特征提取,获得训练样本特征向量集合和测试样本特征向量集合,具体为:对每一幅预处理后的训练样本图像进行特征提取,得到训练样本特征向量xi,将所有训练样本特征向量组成训练样本特征向量集合其中N0表示训练样本图像的总数;i为训练样本特征向量的序号,i为正整数,i∈[1,N0]。
对每一幅预处理后的测试样本图像进行特征提取,得到测试样本特征向量zj,将所有测试样本特征向量组成测试样本特征向量集合其中N1表示测试样本图像的总数;j为测试样本特征向量的序号,j为正整数,j∈[1,N1]。
进一步地,步骤三中,对预处理后的训练样本图像和测试样本图像进行特征提取中,所述特征提取为采用方向梯度直方图HOG特征提取方法进行特征提取。
进一步地,利用孪生支持向量机对每个训练样本类别获取分类超平面,具体为:任意选取两训练样本类别,分别为第一类训练样本和第二类训练样本,构建目标函数如下:
其中K(*)代表核函数,A代表第一类训练样本,B代表第二类训练样本,C=[A;B],c1是第一惩罚系数,c2是第二惩罚系数,e1是维数与第一类训练样本数量相当的单位向量,e2是维数与第二类训练样本数量相当的单位向量,w1是第一类训练样本对应最优超平面的法向量,w2是第二类训练样本对应最优超平面的法向量,b1是第一类训练样本对应最优超平面的偏移量,b2是第二类训练样本对应最优超平面的偏移量,q1是第二个方程的铰链损耗,q2是第一个方程的铰链损耗。
通过优化求解所述第一目标函数和所述第二目标函数得到两个超平面分别为:
第一超平面K(x,CT)w1+b1=0;
第二超平面K(x,CT)w2+b2=0;
其中第一超平面对应所选取的第一类训练样本,第二超平面对应所选取的第二类训练样本。
进一步地,利用先验样本类别信息和分类超平面构建权重矩阵,具体为:
针对第一超平面,构建第一权重矩阵P1,其中每一个元素Pi 1的构建如下:
其中t1为常数,exp(·)为指数函数,||·||表示取2范数;
针对第二超平面,构建第二权重矩阵P2,其中每一个元素Pi 2的构建如下:
其中t2为常数。
进一步地,根据构建的权重矩阵构建目标函数,并求解得到投影矩阵,具体为:
基于权重矩阵P1和P2,构建目标函数J:
其中,yi表示训练样本特征向量集合X投影后特征向量集合Y中的第i个行向量,yi=Axi;A为投影矩阵;∑(·)表示求和函数,min(·)表示求最小值操作。
进一步地,求解得到投影矩阵,具体为利用粒子群优化算法求解目标函数J,得到投影矩阵A。
有益效果:
本发明提供的合成极窄脉冲雷达抗目标姿态敏感的鉴别方法,利用目标先验类别信息,结合孪生支持向量机获得的分类超平面,求解投影变换矩阵,使同类的样本更加靠近属于本类的分类超平面,不同类样本彼此更加远离,可以有效提高分类鉴别效果,可以解决存在的合成极窄脉冲雷达图像姿态敏感问题。
附图说明
图1为本发明实施例提供的合成极窄脉冲雷达抗目标姿态敏感的鉴别方法流程图;
图2为孪生支持向量机示意图:(a)线性孪生支持向量机示意图;(b)非线性孪生支持向量机示意图;
图3为孪生支持向量机分类器误分类情况示意图:(a)线性孪生支持向量机误分类情况示意图;(b)非线性孪生支持向量机误分类情况示意图;
图4为应用投影矩阵后的样本与分类超平面的关系示意图:(a)线性孪生支持向量机应用投影矩阵后的样本与分类超平面的关系示意图;(b)非线性孪生支持向量机应用投影矩阵后的样本与分类超平面的关系示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
为了解决实际中合成极窄脉冲雷达图像存在目标姿态敏感的问题,提出了一种合成极窄脉冲雷达抗目标姿态敏感的鉴别方法,其原理是利用目标的先验类别信息与孪生支持向量机获得的分类超平面,构造投影矩阵,使样本数据靠近本类所属的分类超平面。通过缩短样本数据与所属分类超平面的距离,增加不同类样本数据的差异,提升孪生支持向量机的分类效果。具体流程如图1所示,包括如下步骤:
步骤一、利用合成极窄脉冲雷达成像方法获取带有目标的训练样本图像和测试样本图像;其中属于同一目标的训练样本图像标记为同一训练样本类别。本发明中训练样本类别总数在2个以上。
本发明实施例中利用合成极窄脉冲雷达成像的方法对针对一个以上的已知目标获取不同姿态下的雷达图像,作为训练样本图像,并将属于同一目标的训练样本图像标记为同一训练样本类别,即为先验样本类别信息。
在相同场景下,利用合成极窄脉冲雷达成像的方法对一个以上的待鉴别目标获取多种不同姿态下的雷达图像,作为测试样本图像。
其中训练样本目标与测试样本目标具有相似的外部特征,例如SAR图像的目标包括坦克、装甲车等,对于坦克的各型号之间,其外型差别不大,可称之为具有相似的外部特征。
步骤二、对训练样本图像和测试样本图像做预处理。
本发明实施例中顺次选取训练样本图像和测试样本图像作为待处理图像执行预处理过程,直至所有的训练样本图像和测试样本图像预处理完成;
预处理过程具体为:
以待处理图像的几何中心为基准,截取中间包含目标所有信息的部分作为子图像;截取的子图像的大小为64×64像素。
将子图像进行归一化处理:每一个像素值除以该子图像中所有像素值的最大值,作为后续鉴别分类的图像。
步骤三、对预处理后的训练样本图像和测试样本图像进行特征提取,获得训练样本特征向量集合和测试样本特征向量集合。
本发明实施例中对每一幅预处理后的训练样本图像进行特征提取,得到训练样本特征向量xi,将所有训练样本特征向量组成训练样本特征向量集合其中N0表示训练样本图像的总数;i为训练样本特征向量的序号,i为正整数,i∈[1,N0]。
对每一幅预处理后的测试样本图像进行特征提取,得到测试样本特征向量zj,将所有测试样本特征向量组成测试样本特征向量集合其中N1表示测试样本图像的总数;j为测试样本特征向量的序号,j为正整数,j∈[1,N1]。
特征提取为采用方向梯度直方图(HOG)特征提取方法进行特征提取,也可以提取SIFT特征、图像的灰度值等特征。
步骤四、利用孪生支持向量机对每个训练样本类别获取分类超平面。
本发明实施例中任意选取两训练样本类别,分别为第一类训练样本和第二类训练样本,构建目标函数如下:
其中K(*)代表核函数,A代表第一类训练样本,B代表第二类训练样本,C=[A;B],c1是第一惩罚系数(经验值),c2是第二惩罚系数(经验值),e1是维数与第一类训练样本数量相当的单位向量,e2是维数与第二类训练样本数量相当的单位向量,w1是第一类训练样本对应最优超平面的法向量,w2是第二类训练样本对应最优超平面的法向量,b1是第一类训练样本对应最优超平面的偏移量,b2是第二类训练样本对应最优超平面的偏移量,q1是第二个方程的铰链损耗(经验值),q2是第一个方程的铰链损耗(经验值)。
通过优化求解第一目标函数和第二目标函数得到两个超平面分别为:
第一超平面K(x,CT)w1+b1=0;
第二超平面K(x,CT)w2+b2=0;
其中第一超平面对应所选取的第一类训练样本,第二超平面对应所选取的第二类训练样本。
孪生支持向量机如图2所示,其中图2(a)为线性孪生支持向量机示意图;图2(b)为非线性孪生支持向量机示意图。
步骤五、利用先验样本类别信息和分类超平面构建权重矩阵。
本发明实施例中针对第一超平面,构建第一权重矩阵P1,其中每一个元素Pi 1的构建如下:
其中t1为常数(经验值),exp(·)为指数函数,||·||表示取2范数;
针对第二超平面,构建第二权重矩阵P2,其中每一个元素Pi 2的构建如下:
其中t2为常数。
步骤六、根据构建的权重矩阵构建目标函数,并求解得到投影矩阵。
本发明实施例中基于权重矩阵P1和P2,构建目标函数J:
其中,yi表示训练样本特征向量集合X投影后特征向量集合Y中的第i个行向量,yi=Axi;A为投影矩阵;∑(·)表示求和函数,min(·)表示求最小值操作。
本发明实施例中利用粒子群优化算法求解目标函数J,得到投影矩阵A。
步骤七、对训练样本特征向量集合和测试样本特征向量集合利用投影矩阵获得投影后的训练样本集合和投影后的测试样本集合,利用孪生支持向量机进行分类。此时实现了当前选取的两训练样本类别的二分类。
对训练样本特征向量集合X利用投影矩阵A得到集合Y,Y=AX,对测试样本特征向量集合Z利用投影矩阵A得到集合M,M=AZ,将训练样本集合Y和测试样本集合M均输入孪生支持向量机分类器,分类器自动输出鉴别结果。
步骤八、重新选取两训练样本类别,返回步骤四,直至所有训练样本类别均实现两两之间的二分类。
图3为孪生支持向量机分类器误分类情况示意图:图3(a)线性孪生支持向量机误分类情况示意图;图3(b)非线性孪生支持向量机误分类情况示意图;
图4为应用投影矩阵后的样本与分类超平面的关系示意图:图4(a)线性孪生支持向量机应用投影矩阵后的样本与分类超平面的关系示意图;图4(b)非线性孪生支持向量机应用投影矩阵后的样本与分类超平面的关系示意图。
具体地本发明实施例给出如下仿真实验实例:
仿真实验环境为:MATLAB R2018a,Intel(R)Core(TM)2Duo CPU 2.53GHz,Window7专业版。
本发明的实验数据,采用互联网上公开的MSTAR数据集。
选取T72主战坦克、BTR70装甲车和BMP2步兵战车三类目标。其中T72选取型号为sn-132,BTR70选取型号为sn-c71,BMP2选取型号为sn-9563。所有图像的大小均为128像素×128像素,距离分辨率和方位分辨率为0.3米×0.3米,图像的方位角为0°~360°,采用雷达在俯仰角为17°时的图像作为训练样本,俯仰角为15°时的图像作为测试样本。
训练样本和测试样本的型号和样本个数如表1所示。
表1训练样本与测试样本的型号及样本个数
仿真结果如表2所示:
表2 SAR目标鉴别结果
BTR70,BMP2 | BTR70,T72 | BMP2,T72 | |
原有孪生支持向量机 | 96.16 | 98.72 | 97.95 |
本发明 | 97.44 | 99.49 | 98.46 |
上述SAR目标鉴别结果表明,本发明提出的方法均比原有方法效果好,从中可看出利用本发明进行合成极窄脉冲雷达目标鉴别的优越性。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.合成极窄脉冲雷达抗目标姿态敏感的鉴别方法,其特征在于,包括:
步骤一、利用合成极窄脉冲雷达成像方法获取带有目标的训练样本图像和测试样本图像;其中属于同一目标的训练样本图像标记为同一训练样本类别;训练样本类别总数在2个以上;
步骤二、对训练样本图像和测试样本图像做预处理;
步骤三、对预处理后的训练样本图像和测试样本图像进行特征提取,获得训练样本特征向量集合和测试样本特征向量集合;任意选取两训练样本类别,执行步骤四;
步骤四、利用孪生支持向量机对当前选取的两训练样本类别获取分类超平面,具体为:
任意选取两训练样本类别,分别为第一类训练样本和第二类训练样本,构建目标函数如下:
其中K(*)代表核函数,A代表第一类训练样本,B代表第二类训练样本,C=[A;B],c1是第一惩罚系数,c2是第二惩罚系数,e1是维数与第一类训练样本数量相当的单位向量,e2是维数与第二类训练样本数量相当的单位向量,w1是第一类训练样本对应最优超平面的法向量,w2是第二类训练样本对应最优超平面的法向量,b1是第一类训练样本对应最优超平面的偏移量,b2是第二类训练样本对应最优超平面的偏移量,q1是第二个方程的铰链损耗,q2是第一个方程的铰链损耗;
通过优化求解所述第一目标函数和所述第二目标函数得到两个超平面分别为:
第一超平面K(x,CT)w1+b1=0;
第二超平面K(x,CT)w2+b2=0;
其中第一超平面对应所选取的第一类训练样本,第二超平面对应所选取的第二类训练样本;
步骤五、利用先验样本类别信息和分类超平面构建权重矩阵,具体为:
针对第一超平面,构建第一权重矩阵P1,其中每一个元素Pi 1的构建如下:
其中t1为常数,exp(·)为指数函数,||·||表示取2范数;
针对第二超平面,构建第二权重矩阵P2,其中每一个元素Pi 2的构建如下:
其中t2为常数;
步骤六、根据构建的权重矩阵构建目标函数,并求解得到投影矩阵;
步骤七、对所述训练样本特征向量集合和所述测试样本特征向量集合利用投影矩阵获得投影后的训练样本集合和投影后的测试样本集合,利用孪生支持向量机进行分类,实现当前选取的两训练样本类别的二分类;
步骤八、重新选取两训练样本类别,返回步骤四,直至所有训练样本类别实现两两之间的二分类。
2.如权利要求1所述的方法,其特征在于,所述步骤一中,利用雷达成像方法获取带有目标的训练样本图像和测试样本图像,属于同一目标的训练样本图像标记为同一训练样本类别;具体为:
利用合成极窄脉冲雷达成像的方法对针对一个以上的已知目标获取不同姿态下的雷达图像,作为训练样本图像,并将属于同一目标的训练样本图像标记为同一训练样本类别,即为先验样本类别信息;
在相同场景下,利用合成极窄脉冲雷达成像的方法对一个以上的待鉴别目标获取多种不同姿态下的雷达图像,作为测试样本图像。
3.如权利要求1所述的方法,其特征在于,所述步骤二中,对训练样本图像和测试样本图像做预处理,具体为:
顺次选取训练样本图像和测试样本图像作为待处理图像执行预处理过程,直至所有的训练样本图像和测试样本图像预处理完成;
所述预处理过程具体为:
以所述待处理图像的几何中心为基准,截取中间包含目标所有信息的部分作为子图像;
将子图像进行归一化处理。
5.如权利要求4所述的方法,其特征在于,所述步骤三中,对预处理后的训练样本图像和测试样本图像进行特征提取中,所述特征提取为采用方向梯度直方图HOG特征提取方法进行特征提取。
7.如权利要求6所述的方法,其特征在于,所述求解得到投影矩阵,具体为利用粒子群优化算法求解目标函数J,得到投影矩阵A。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010512089.5A CN111767803B (zh) | 2020-06-08 | 2020-06-08 | 合成极窄脉冲雷达抗目标姿态敏感的鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010512089.5A CN111767803B (zh) | 2020-06-08 | 2020-06-08 | 合成极窄脉冲雷达抗目标姿态敏感的鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111767803A CN111767803A (zh) | 2020-10-13 |
CN111767803B true CN111767803B (zh) | 2022-02-08 |
Family
ID=72720268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010512089.5A Active CN111767803B (zh) | 2020-06-08 | 2020-06-08 | 合成极窄脉冲雷达抗目标姿态敏感的鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767803B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115308705A (zh) * | 2022-08-05 | 2022-11-08 | 北京理工大学 | 一种基于生成对抗网络的多姿态极窄脉冲回波生成方法 |
CN115166649B (zh) * | 2022-09-08 | 2023-04-11 | 北京理工大学 | 一种极窄脉冲雷达散射点特征聚合目标极化检测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6662170B1 (en) * | 2000-08-22 | 2003-12-09 | International Business Machines Corporation | System and method for boosting support vector machines |
CN101561865A (zh) * | 2009-05-22 | 2009-10-21 | 西安电子科技大学 | 基于多参数谱特征的合成孔径雷达图像目标识别方法 |
CN104751183A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于张量mpca的极化sar图像分类方法 |
CN106446951A (zh) * | 2016-09-28 | 2017-02-22 | 中科院成都信息技术股份有限公司 | 一种基于奇异值选择的集成学习器 |
CN106874841A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于正则化局部保持投影的sar变形目标识别方法 |
CN106874932A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于快速稀疏描述的sar目标型号识别方法 |
CN106897730A (zh) * | 2016-12-30 | 2017-06-27 | 陕西师范大学 | 基于融合类别信息与局部保持投影的sar目标型号识别方法 |
CN107292350A (zh) * | 2017-08-04 | 2017-10-24 | 电子科技大学 | 大规模数据的异常检测方法 |
CN107705313A (zh) * | 2017-06-23 | 2018-02-16 | 北京理工大学 | 一种遥感图像舰船目标分割方法 |
CN108256471A (zh) * | 2018-01-16 | 2018-07-06 | 北方工业大学 | 一种基于双层分类网的高分辨率合成孔径雷达船只识别方法 |
CN109787928A (zh) * | 2019-01-25 | 2019-05-21 | 中国人民解放军国防科技大学 | 基于决策树twsvm的高速光信号调制格式识别方法 |
CN110032974A (zh) * | 2019-04-12 | 2019-07-19 | 杭州世平信息科技有限公司 | 一种雷达遥感图像场景特征描述和分类方法 |
CN110516733A (zh) * | 2019-08-23 | 2019-11-29 | 西南石油大学 | 一种基于改进多分类孪生支持向量机的测井岩性识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718932A (zh) * | 2016-01-20 | 2016-06-29 | 中国矿业大学 | 一种基于果蝇优化算法和光滑孪生支持向量机的彩色图像分类方法与系统 |
CN106295153B (zh) * | 2016-08-03 | 2018-12-28 | 南京航空航天大学 | 一种基于孪生支持向量机的航空发动机气路故障诊断方法 |
KR101905129B1 (ko) * | 2016-11-30 | 2018-11-28 | 재단법인대구경북과학기술원 | 서포트 벡터 머신 기반 분류 방법 |
TWI696958B (zh) * | 2018-11-19 | 2020-06-21 | 國家中山科學研究院 | 影像適應性特徵提取法及其應用 |
CN110728231B (zh) * | 2019-10-10 | 2023-03-28 | 华东理工大学 | 基于改进型粒子群算法和孪生支持向量机的睡眠分期方法 |
-
2020
- 2020-06-08 CN CN202010512089.5A patent/CN111767803B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6662170B1 (en) * | 2000-08-22 | 2003-12-09 | International Business Machines Corporation | System and method for boosting support vector machines |
CN101561865A (zh) * | 2009-05-22 | 2009-10-21 | 西安电子科技大学 | 基于多参数谱特征的合成孔径雷达图像目标识别方法 |
CN104751183A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于张量mpca的极化sar图像分类方法 |
CN106446951A (zh) * | 2016-09-28 | 2017-02-22 | 中科院成都信息技术股份有限公司 | 一种基于奇异值选择的集成学习器 |
CN106897730A (zh) * | 2016-12-30 | 2017-06-27 | 陕西师范大学 | 基于融合类别信息与局部保持投影的sar目标型号识别方法 |
CN106874932A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于快速稀疏描述的sar目标型号识别方法 |
CN106874841A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于正则化局部保持投影的sar变形目标识别方法 |
CN107705313A (zh) * | 2017-06-23 | 2018-02-16 | 北京理工大学 | 一种遥感图像舰船目标分割方法 |
CN107292350A (zh) * | 2017-08-04 | 2017-10-24 | 电子科技大学 | 大规模数据的异常检测方法 |
CN108256471A (zh) * | 2018-01-16 | 2018-07-06 | 北方工业大学 | 一种基于双层分类网的高分辨率合成孔径雷达船只识别方法 |
CN109787928A (zh) * | 2019-01-25 | 2019-05-21 | 中国人民解放军国防科技大学 | 基于决策树twsvm的高速光信号调制格式识别方法 |
CN110032974A (zh) * | 2019-04-12 | 2019-07-19 | 杭州世平信息科技有限公司 | 一种雷达遥感图像场景特征描述和分类方法 |
CN110516733A (zh) * | 2019-08-23 | 2019-11-29 | 西南石油大学 | 一种基于改进多分类孪生支持向量机的测井岩性识别方法 |
Non-Patent Citations (4)
Title |
---|
Weighted Linear Loss Projection Twin Support Vector Machine for Pattern Classification;SUGEN CHEN 等;《IEEE Access》;20190514;57349-57360 * |
一种改进的最小二乘孪生支持向量机分类算法;储茂祥 等;《电子学报》;20140531;第42卷(第5期);998-1003 * |
基于最优支持向量拟合的飞行器近似优化策略研究与应用;史人赫 等;《中国力学大会2019》;20191231;1-11 * |
鲁棒的加权孪生支持向量机;花小朋 等;《中南大学学报(自然科学版)》;20150630;第46卷(第6期);2074-2080 * |
Also Published As
Publication number | Publication date |
---|---|
CN111767803A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pei et al. | SAR automatic target recognition based on multiview deep learning framework | |
Clemente et al. | Automatic target recognition of military vehicles with Krawtchouk moments | |
Gao et al. | HEp-2 cell image classification with deep convolutional neural networks | |
Tang et al. | Automatic plankton image recognition | |
Baştan et al. | Visual words on baggage X-ray images | |
CN108122008B (zh) | 基于稀疏表示和多特征决策级融合的sar图像识别方法 | |
Hu et al. | Automatic plankton image recognition with co-occurrence matrices and support vector machine | |
CN107977642B (zh) | 一种核自适应均值判别分析的高分辨距离像目标识别方法 | |
CN111767803B (zh) | 合成极窄脉冲雷达抗目标姿态敏感的鉴别方法 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
CN101526995A (zh) | 基于对角子类判决分析的合成孔径雷达目标识别方法 | |
CN106682675A (zh) | 一种面向高光谱图像的空谱联合特征提取方法 | |
CN110378415A (zh) | 一种sar图像分类算法 | |
Wang et al. | Learning deep features for giant panda gender classification using face images | |
Lu et al. | Few-shot learning neural network for SAR target recognition | |
CN104200229B (zh) | 一种结合稀疏特征选择的sar目标鉴别方法 | |
Nigam et al. | Moment invariants based object recognition for different pose and appearances in real scenes | |
Xu et al. | Adaptive co-occurrence differential texton space for HEp-2 cells classification | |
Miciak | Radon Transformation and Principal Component Analysis Method Applied in Postal Address Recognition Task. | |
Khuspe et al. | Robust image forgery localization and recognition in copy-move using bag of features and SVM | |
CN107871123A (zh) | 一种逆合成孔径雷达空间目标分类方法及系统 | |
CN105373809B (zh) | 基于非负最小二乘稀疏表示的sar目标识别方法 | |
Estrada et al. | Appearance-based keypoint clustering | |
Prates et al. | An adaptive vehicle license plate detection at higher matching degree | |
Tang et al. | Plankton image classification using novel parallel-training learning vector quantization network |
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 |