CN113255603A - 基于黎曼流形监督降维的增强矩阵恒虚警率检测方法 - Google Patents
基于黎曼流形监督降维的增强矩阵恒虚警率检测方法 Download PDFInfo
- Publication number
- CN113255603A CN113255603A CN202110726576.6A CN202110726576A CN113255603A CN 113255603 A CN113255603 A CN 113255603A CN 202110726576 A CN202110726576 A CN 202110726576A CN 113255603 A CN113255603 A CN 113255603A
- Authority
- CN
- China
- Prior art keywords
- matrix
- class
- manifold
- dimension
- inter
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种基于黎曼流形监督降维的增强矩阵恒虚警率检测方法。根据监督分类思想,将黎曼流形上的点分为目标和杂波两类,采用保持类内几何距离最小,类间几何距离最大的准则,分别构建黎曼流形上目标单元与杂波单元的类内和类间权重矩阵,建立降维的目标函数;进而将监督降维问题转化为格拉斯曼流形上的优化问题;采用共轭梯度优化算法求解优化问题得到最优降维映射矩阵,从而黎曼流形被映射到低维;最后在目标与杂波可区分性增强的低维流形上完成矩阵恒虚警率检测。采用本方法可以提高复杂背景下的检测性能。
Description
技术领域
本申请涉及雷达目标检测技术领域,特别是涉及一种基于黎曼流形监督降维的增强矩阵恒虚警率检测方法和装置。
背景技术
雷达目标检测是利用雷达回波信号中的信息判断感兴趣的目标是否存在的处理过程。传统的基于多普勒处理的单元平均恒虚警率检测器(M.A. Richards, Fundamentalsof Radar Signal Processing, Second Edition, McGraw-Hill, 2014),是对回波慢时间维数据进行快速傅里叶变换处理,并对处理后的数据进行线性滤波或平方律滤波,最后对滤波后的数据进行单元平均恒虚警率检测。但在实际中,直接对包含目标距离-多普勒信息回波数据进行快速傅里叶变换,会带来较低的多普勒分辨率以及多普勒滤波器组的能量扩散,使得检测器的性能下降。
基于黎曼流形几何距离的矩阵恒虚警率检测方法是由F. Babaresco提出的一种在矩阵空间中设计的检测器(J. Lapuyade-Lahorgue and F. Barbaresco.: 'Radardetection using Siegel distance between autoregressive processes, applicationto HF and X-band radar', IEEE Radar Conference, 2008, pp. 1-6.)。该检测器将回波数据建模为一个埃尔米特正定矩阵,此矩阵代表了脉冲间的多普勒信息(当目标运动时)或能量大小(当目标静止时),从而避免了因快速傅里叶变换而使检测性能下降的问题,并且其检测性能也优于单元平均恒虚警率检测器。但是目前矩阵恒虚警率检测在复杂背景下检测性能不高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够解决目前矩阵恒虚警率检测在复杂背景下检测性能不高问题的基于黎曼流形监督降维的增强矩阵恒虚警率检测方法和装置。
一种基于黎曼流形监督降维的增强矩阵恒虚警率检测方法,所述方法包括:
根据脉冲-回波数据,建立每个距离单元的埃尔米特正定协方差矩阵;
根据所述埃尔米特正定协方差矩阵,构建黎曼流形;所述埃尔米特正定协方差矩阵对应所述黎曼流形的点;
根据测地线距离对数欧氏距离,确定所述黎曼流形上每个点对应的邻近点集合,将所述邻近点集合划分为类内邻近点集合和类间邻近点集合,并计算所述类内邻近点集合对应的类内权重矩阵和所述类间邻近点集合对应的类间权重矩阵;
根据所述测地线距离对数欧氏距离作为所述黎曼流形的几何距离度量方式,得到黎曼流形的降维表示;
根据所述降维表示、类内权重矩阵和类间权重矩阵,以类内测地线距离对数欧氏距离最小和类间测地线距离对数欧氏距离最大,建立降维目标函数;
采用共轭梯度优化算法求解所述降维目标函数,得到最优映射矩阵,根据所述最优映射矩阵和所述埃尔米特正定协方差矩阵,得到降维后的埃尔米特正定协方差矩阵,以此构建降维黎曼流形;
根据降维黎曼流形,构建不同度量下的降维检测统计量;将降维检测统计量输入至预先设定的检测器中,输出检测结果。
在其中一个实施例中,还包括:根据所述埃尔米特正定协方差矩阵,构建黎曼流形为:
在其中一个实施例中,还包括:计算所述类内邻近点集合对应的类内权重矩阵和所述类间邻近点集合对应的类间权重矩阵为:
在其中一个实施例中,还包括:根据所述测地线距离对数欧氏距离作为所述黎曼流形的几何距离度量方式,得到黎曼流形的降维表示为:
在其中一个实施例中,还包括:根据所述降维表示、类内权重矩阵和类间权重矩阵,以类内测地线距离对数欧氏距离最小和类间测地线距离对数欧氏距离最大,建立降维目标函数为:
在其中一个实施例中,还包括:对所述降维目标函数进行简化,以使所述降维目标函数具备正交集,得到优化目标函数为:
构建格拉斯曼流形上的梯度计算公式为:
根据所述最优映射矩阵和所述埃尔米特正定协方差矩阵,得到降维后的埃尔米特正定协方差矩阵,以此构建降维黎曼流形。
在其中一个实施例中,所述降维检测统计量包括:黎曼距离、对数欧氏距离、KL散度和sKL散度。
在其中一个实施例中,还包括:将降维检测统计量输入至预先设定的检测器中,输出检测结果为:
上述基于黎曼流形监督降维的增强矩阵恒虚警率检测方法和装置,根据监督分类思想,将黎曼流形上的点分为目标和杂波两类,采用保持类内几何距离最小,类间几何距离最大的准则,分别构建黎曼流形上目标单元与杂波单元的类内和类间权重矩阵,建立降维的目标函数;进而将监督降维问题转化为格拉斯曼流形上的优化问题;采用共轭梯度优化算法求解优化问题得到最优降维映射矩阵,从而黎曼流形被映射到低维;最后在目标与杂波可区分性增强的低维流形上完成矩阵恒虚警率检测。
附图说明
图1是一个实施例中基于黎曼流形监督降维的增强矩阵恒虚警率检测方法流程图;
图2是一个实施例中矩阵恒虚警率检测原理框图;
图3是一个实施例中基于仿真数据,信杂比为5 dB时,RD距离下的归一化检测统计量示意图;
图4是一个实施例中基于仿真数据,信杂比为5 dB时,LE距离下的归一化检测统计量示意图;
图5是一个实施例中基于仿真数据,信杂比为5 dB时,KL散度距离下的归一化检测统计量示意图;
图6是一个实施例中基于仿真数据,信杂比为5 dB时,sKL散度距离下的归一化检测统计量示意图;
图7是一个实施例中所述的基于仿真数据,信杂比为7 dB时,不同几何距离下的检测概率随流形维数的变化曲线;
图8是一个实施例中所述的基于仿真数据,虚警率为10-3时,RD距离在降维后的检测概率随信杂比的变化曲线;
图9是一个实施例中所述的基于仿真数据,虚警率为10-3时,LE距离在降维后的检测概率随信杂比的变化曲线;
图10是一个实施例中所述的基于仿真数据,虚警率为10-3时,KL散度距离在降维后的检测概率随信杂比的变化曲线;
图11是一个实施例中所述的基于仿真数据,虚警率为10-3时,sKL散度距离在降维后的检测概率随信杂比的变化曲线;
图12是一个实施例中所述的基于实测海杂波数据,信杂比为8 dB时,不同几何距离下的检测概率随流形维数的变化曲线;
图13是一个实施例中所述的基于实测海杂波数据,虚警率为10-3时,RD距离在降维后的检测概率随信杂比的变化曲线;
图14是一个实施例中所述的基于实测海杂波数据,虚警率为10-3时,LE距离在降维后的检测概率随信杂比的变化曲线;
图15是一个实施例中所述的基于实测海杂波数据,虚警率为10-3时,KL散度距离在降维后的检测概率随信杂比的变化曲线;
图16是一个实施例中所述的基于实测海杂波数据,虚警率为10-3时,sKL散度距离在降维后的检测概率随信杂比的变化曲线。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于黎曼流形监督降维的增强矩阵恒虚警率检测方法,包括以下步骤:
步骤102,根据脉冲-回波数据,建立每个距离单元的埃尔米特正定协方差矩阵。
步骤104,根据埃尔米特正定协方差矩阵,构建黎曼流形。
埃尔米特正定协方差矩阵的集合即构成了黎曼流形为:
步骤106,根据测地线距离对数欧氏距离,确定黎曼流形上每个点对应的邻近点集合,将邻近点集合划分为类内邻近点集合和类间邻近点集合,并计算类内邻近点集合对应的类内权重矩阵和类间邻近点集合对应的类间权重矩阵。
本步骤中,将邻近点集合划分为类内邻近点集合和类间邻近点集合,以此将黎曼流形上的点进行划分。
选择易于计算且近似的测地线距离对数欧氏 (Log-Euclidean, LE)距离作为黎曼流形的几何距离,计算黎曼流形上每个点的个邻近点,其中,表示邻近点的集合;接着,将划分为类内邻近点集合与类间邻近点集合,即,其中,表示并集;最后,构建类内权重矩阵和类间权重矩阵。
步骤108,根据测地线距离对数欧氏距离作为黎曼流形的几何距离度量方式,得到黎曼流形的降维表示。
步骤110,根据降维表示、类内权重矩阵和类间权重矩阵,以类内测地线距离对数欧氏距离最小和类间测地线距离对数欧氏距离最大,建立降维目标函数。
步骤112,采用共轭梯度优化算法求解所述降维目标函数,得到最优映射矩阵,根据最优映射矩阵和所述埃尔米特正定协方差矩阵,得到降维后的埃尔米特正定协方差矩阵,以此构建降维黎曼流形。
步骤114,根据降维黎曼流形,构建不同度量下的降维检测统计量;将降维检测统计量输入至预先设定的检测器中,输出检测结果。
上述基于黎曼流形监督降维的增强矩阵恒虚警率检测方法中,根据监督分类思想,将黎曼流形上的点分为目标和杂波两类,采用保持类内几何距离最小,类间几何距离最大的准则,分别构建黎曼流形上目标单元与杂波单元的类内和类间权重矩阵,建立降维的目标函数;进而将监督降维问题转化为格拉斯曼流形上的优化问题;采用共轭梯度优化算法求解优化问题得到最优降维映射矩阵,从而黎曼流形被映射到低维;最后在目标与杂波可区分性增强的低维流形上完成矩阵恒虚警率检测。
在其中一个实施例中,根据所述埃尔米特正定协方差矩阵,构建黎曼流形为:
在其中一个实施例中,计算所述类内邻近点集合对应的类内权重矩阵和所述类间邻近点集合对应的类间权重矩阵为:
在其中一个实施例中,根据测地线距离对数欧氏距离作为黎曼流形的几何距离度量方式,得到黎曼流形的降维表示为:
在其中一个实施例中,对降维目标函数进行简化,以使降维目标函数具备正交集,得到优化目标函数为:
则
进而可将上式的目标函数化简为
展开上式,令
则可以在正交约束下的降维优化问题可以表示为
在其中一个实施例中,采用共轭梯度优化算法求解所述降维目标函数,得到最优映射矩阵的步骤如下:
构建格拉斯曼流形上的梯度计算公式为:
步骤三、直至步骤二收敛,得到最优映射矩阵。
在其中一个实施例中,降维检测统计量包括:黎曼距离、对数欧氏距离、KL散度和sKL散度。
具体的,假设是降维后的黎曼流形上两点,采用包括:黎曼距离(Riemannian distance, RD) ,对数欧氏(Log-Euclidean, LE) 距离,KL(Kullback-Leibler, KL)散度和sKL (symmetric Kullback-Leibler, sKL) 散度等作为降维后流形的几何距离度量方式。
在其中一个实施例中,将降维检测统计量输入至预先设定的检测器中,输出检测结果为:
具体的,如图2所示,在降维后黎曼流形进行增强矩阵恒虚警率检测,首先可以构建新的矩阵恒虚警率检测统计量,其中,表示上述的几何距离,表示流形降维后的待检测目标单元,表示流形降维后的杂波参考单元均值。最后,将检测统计量与设定的门限值比较判定是否存在目标,门限值是根据事先设定的虚警率利用蒙特卡罗实验得到,最终实现目标检测。相应的检测判决式为:
以下通过实验过程进行具体说明:首先,仿真数据实验是仿真产生的雷达回波数据中杂波服从K分布。相关的参数设置是:K分布杂波的尺度参数为0.5,形状参数为0.5,距离单元数,每个距离单元中脉冲数,在第9个距离单元中加入回波信号, ,目标的归一化多普勒频率,是信号幅值控制系数,根据信杂比利用下式来计算:。取检测单元左右各个保护单元,根据第五步提出的各个几何距离,计算他们各自对应的参考距离单元几何均值矩阵。当虚警率为10-3,信杂比(Signal-to-clutter ratio,SCR)=5 dB时,不同几何距离在降维前、后的归一化检测统计量变化情况,其中,图3是RD距离下的归一化检测统计量示意图,图4是LE距离下的归一化检测统计量示意图,图5是KL散度距离下的归一化检测统计量示意图,图6是sKL散度距离下的归一化检测统计量示意图,由上述图可知,随着维数降低,杂波参考单元的归一化检测统计量均逐渐降低,待检测目标单元将更加突出。结果表明通过流形监督降维能够增强目标与杂波的区分性,并且在检测中使得杂波参考单元得到有效抑制,进而将在低维获得更好的检测性能。
图 7给出了当SCR=7 dB时,不同几何距离下检测概率()随维数变化曲线。从图中可以看出,当维数降低时,不同几何距离下的检测概率均得到提高,这与图3-6中归一化检测统计量变化结果相符合,表明在映射的目标与杂波区分性增强的低维流形空间中进行目标检测,能够具有更好的检测概率,并且KL散度度量始终保持着较好的检测概率。
接着,假设流形监督降维后的维数分别为9、6和3,虚警率为10-3时,不同几何距离下检测概率随SCR变化曲线,其中,图8表示RD距离在降维后的检测概率随信杂比的变化曲线,图9表示LE距离在降维后的检测概率随信杂比的变化曲线,图10表示KL散度距离在降维后的检测概率随信杂比的变化曲线,图11表示sKL散度距离在降维后的检测概率随信杂比的变化曲线。由上图可知,所提增强检测方法能够进一步提升检测性能,其中,当检测概率达到0.8时,流形的RD和LE距离均提高约4 dB,KL散度和sKL散度均提升约2 dB,表明了不同几何距离下的增强检测效果也会不同,并且KL散度保持着较好的检测性能。
进一步,采用麦克马斯特大学的IPIX雷达实测数据进行仿真实验验证。采用该雷达采集的#202组数据,文件名为19980304_184107_ANTSTEP,其中包含28个距离单元,每个距离单元由60000个采样脉冲串组成,包含27个距离单元,每个距离单元含有60000个脉冲。采用蒙特卡洛仿真,仿真中取前17个距离单元,每个距离单元脉冲数,利用前56000组杂波数据计算检测门限。同样在第9个距离单元加入回波信号作为待检测单元,归一化多普勒频率,待检测单元左右各设置2个保护单元。虚警概率,利用后4000组杂波数据计算检测概率。
实测海杂波数据条件下,图 12给出了不同几何距离的检测概率随流形维数的变化曲线,SCR=8 dB。由图 12可知,所提方法的检测概率随着维数降低整体依旧呈现提高的趋势,表明在低维流形能够具有更好的检测性能。同时,基于不同几何距离,给出了本文所提增强检测方法在实测数据下的检测性能曲线,其中,图13表示虚警率为10-3时,RD距离在降维后的检测概率随信杂比的变化曲线,图14表示虚警率为10-3时,LE距离在降维后的检测概率随信杂比的变化曲线,图15表示虚警率为10-3时,KL散度距离在降维后的检测概率随信杂比的变化曲线,图16表示虚警率为10-3时,sKL散度距离在降维后的检测概率随信杂比的变化曲线,由上图可知,当降维维数,检测概率时,所述的RD、LE、KL和sKL等几何距离度量方式下的检测性能分别改善了约2 dB和2.5 dB。实测仿真结果进一步表明,目标与杂波可区分性在映射的低维流形上得到了增强,并且目标信号获得了较强的积累,因而相比于未降维时的矩阵恒虚警率检测方法,所提方法能够获得更好的检测性能。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于黎曼流形监督降维的增强矩阵恒虚警率检测方法,其特征在于,所述方法包括:
根据脉冲-回波数据,建立每个距离单元的埃尔米特正定协方差矩阵;
根据所述埃尔米特正定协方差矩阵,构建黎曼流形;所述埃尔米特正定协方差矩阵对应所述黎曼流形的点;
根据测地线距离对数欧氏距离,确定所述黎曼流形上每个点对应的邻近点集合,将所述邻近点集合划分为类内邻近点集合和类间邻近点集合,并计算所述类内邻近点集合对应的类内权重矩阵和所述类间邻近点集合对应的类间权重矩阵;
根据所述测地线距离对数欧氏距离作为所述黎曼流形的几何距离度量方式,得到黎曼流形的降维表示;
根据所述降维表示、类内权重矩阵和类间权重矩阵,以类内测地线距离对数欧氏距离最小和类间测地线距离对数欧氏距离最大,建立降维目标函数;
采用共轭梯度优化算法求解所述降维目标函数,得到最优映射矩阵,根据所述最优映射矩阵和所述埃尔米特正定协方差矩阵,得到降维后的埃尔米特正定协方差矩阵,以此构建降维黎曼流形;
根据降维黎曼流形,构建不同度量下的降维检测统计量;将降维检测统计量输入至预先设定的检测器中,输出检测结果。
7.根据权利要求6所述的方法,其特征在于,采用共轭梯度优化算法求解所述降维目标函数,得到最优映射矩阵,根据所述最优映射矩阵和所述埃尔米特正定协方差矩阵,得到降维后的埃尔米特正定协方差矩阵,以此构建降维黎曼流形,包括:
构建格拉斯曼流形上的梯度计算公式为:
根据所述最优映射矩阵和所述埃尔米特正定协方差矩阵,得到降维后的埃尔米特正定协方差矩阵,以此构建降维黎曼流形。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述降维检测统计量包括:黎曼距离、对数欧氏距离、KL散度和sKL散度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110726576.6A CN113255603B (zh) | 2021-06-29 | 2021-06-29 | 基于黎曼流形监督降维的增强矩阵恒虚警率检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110726576.6A CN113255603B (zh) | 2021-06-29 | 2021-06-29 | 基于黎曼流形监督降维的增强矩阵恒虚警率检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255603A true CN113255603A (zh) | 2021-08-13 |
CN113255603B CN113255603B (zh) | 2021-09-24 |
Family
ID=77190214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110726576.6A Active CN113255603B (zh) | 2021-06-29 | 2021-06-29 | 基于黎曼流形监督降维的增强矩阵恒虚警率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255603B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807423A (zh) * | 2021-09-09 | 2021-12-17 | 中山大学 | 一种基于spd流形切空间和局部lda的spd数据降维算法 |
CN116687406A (zh) * | 2023-05-06 | 2023-09-05 | 粤港澳大湾区精准医学研究院(广州) | 情绪识别方法、装置、电子设备及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777189A (zh) * | 2014-01-26 | 2014-05-07 | 电子科技大学 | 一种基于信息几何复自回归模型的雷达弱目标检测方法 |
CN103954960A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于杂波脊导向矢量的机载预警雷达动目标检测方法 |
CN104778480A (zh) * | 2015-05-08 | 2015-07-15 | 江南大学 | 一种基于局部密度和测地距离的分层谱聚类方法 |
CN105719323A (zh) * | 2016-02-18 | 2016-06-29 | 江苏优图空间信息科技有限公司 | 一种基于优化图谱理论的高光谱降维方法 |
CN106611425A (zh) * | 2016-12-19 | 2017-05-03 | 辽宁工程技术大学 | 一种全色遥感图像分割方法 |
CN107390194A (zh) * | 2017-07-20 | 2017-11-24 | 中国人民解放军国防科学技术大学 | 一种基于全布雷格曼散度的雷达目标检测方法 |
EP3333596A1 (en) * | 2016-12-07 | 2018-06-13 | Nuctech Company Limited | Multi-energy-spectrum x-ray imaging system and method of substance identification of item to be inspected by using the same |
CN108764351A (zh) * | 2018-05-30 | 2018-11-06 | 佛山科学技术学院 | 一种基于测地距离的黎曼流形保持核学习方法及装置 |
CN109061619A (zh) * | 2018-06-25 | 2018-12-21 | 西北大学 | 一种信号处理的方法、设备及计算机存储介质 |
US20190087692A1 (en) * | 2017-09-21 | 2019-03-21 | Royal Bank Of Canada | Device and method for assessing quality of visualizations of multidimensional data |
CN110007284A (zh) * | 2019-04-10 | 2019-07-12 | 南京航空航天大学 | 一种脉冲体制1-比特雷达非线性目标重构问题降维方法 |
AU2020102444A4 (en) * | 2020-09-27 | 2020-11-12 | Arya, Vivek MR | Dimensionality reduction of hyper spectral images using isomap techniques for sparse data |
CN111965632A (zh) * | 2020-08-10 | 2020-11-20 | 中国人民解放军国防科技大学 | 一种基于黎曼流形降维的雷达目标检测方法 |
CN112163450A (zh) * | 2020-08-24 | 2021-01-01 | 中国海洋大学 | 基于s3d学习算法的高频地波雷达船只目标检测方法 |
-
2021
- 2021-06-29 CN CN202110726576.6A patent/CN113255603B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777189A (zh) * | 2014-01-26 | 2014-05-07 | 电子科技大学 | 一种基于信息几何复自回归模型的雷达弱目标检测方法 |
CN103954960A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于杂波脊导向矢量的机载预警雷达动目标检测方法 |
CN104778480A (zh) * | 2015-05-08 | 2015-07-15 | 江南大学 | 一种基于局部密度和测地距离的分层谱聚类方法 |
CN105719323A (zh) * | 2016-02-18 | 2016-06-29 | 江苏优图空间信息科技有限公司 | 一种基于优化图谱理论的高光谱降维方法 |
EP3333596A1 (en) * | 2016-12-07 | 2018-06-13 | Nuctech Company Limited | Multi-energy-spectrum x-ray imaging system and method of substance identification of item to be inspected by using the same |
CN106611425A (zh) * | 2016-12-19 | 2017-05-03 | 辽宁工程技术大学 | 一种全色遥感图像分割方法 |
CN107390194A (zh) * | 2017-07-20 | 2017-11-24 | 中国人民解放军国防科学技术大学 | 一种基于全布雷格曼散度的雷达目标检测方法 |
US20190087692A1 (en) * | 2017-09-21 | 2019-03-21 | Royal Bank Of Canada | Device and method for assessing quality of visualizations of multidimensional data |
CN108764351A (zh) * | 2018-05-30 | 2018-11-06 | 佛山科学技术学院 | 一种基于测地距离的黎曼流形保持核学习方法及装置 |
CN109061619A (zh) * | 2018-06-25 | 2018-12-21 | 西北大学 | 一种信号处理的方法、设备及计算机存储介质 |
CN110007284A (zh) * | 2019-04-10 | 2019-07-12 | 南京航空航天大学 | 一种脉冲体制1-比特雷达非线性目标重构问题降维方法 |
CN111965632A (zh) * | 2020-08-10 | 2020-11-20 | 中国人民解放军国防科技大学 | 一种基于黎曼流形降维的雷达目标检测方法 |
CN112163450A (zh) * | 2020-08-24 | 2021-01-01 | 中国海洋大学 | 基于s3d学习算法的高频地波雷达船只目标检测方法 |
AU2020102444A4 (en) * | 2020-09-27 | 2020-11-12 | Arya, Vivek MR | Dimensionality reduction of hyper spectral images using isomap techniques for sparse data |
Non-Patent Citations (3)
Title |
---|
ZHENG YANG等: "Enhanced Matrix CFAR Detection With Dimensionality Reduction of Riemannian Manifold", 《IEEE SIGNAL PROCESSING LETTERS》 * |
于方浦: "基于信息几何的雷达目标检测", 《中国优秀硕士学位论文全文数据库》 * |
赵文静: "基于谱范数的矩阵CFAR检测器", 《电子学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807423A (zh) * | 2021-09-09 | 2021-12-17 | 中山大学 | 一种基于spd流形切空间和局部lda的spd数据降维算法 |
CN116687406A (zh) * | 2023-05-06 | 2023-09-05 | 粤港澳大湾区精准医学研究院(广州) | 情绪识别方法、装置、电子设备及存储介质 |
CN116687406B (zh) * | 2023-05-06 | 2024-01-02 | 粤港澳大湾区精准医学研究院(广州) | 情绪识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113255603B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255603B (zh) | 基于黎曼流形监督降维的增强矩阵恒虚警率检测方法 | |
Hua et al. | MIG median detectors with manifold filter | |
CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
CN111580064B (zh) | 一种基于多域多维特征融合的海面小目标检测方法 | |
Lin et al. | Evaluation and prediction of slope stability using machine learning approaches | |
CN112462355B (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
CN115128590A (zh) | 基于矩阵信息几何的自适应雷达目标检测方法和装置 | |
Hua et al. | LDA-MIG detectors for maritime targets in nonhomogeneous sea clutter | |
CN105158749A (zh) | 高频雷达海杂波幅度统计分布检验方法 | |
Li et al. | Building damage assessment from PolSAR data using texture parameters of statistical model | |
CN113219432B (zh) | 基于知识辅助和稀疏贝叶斯学习的运动目标检测方法 | |
CN111428318A (zh) | 一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法 | |
CN103761741A (zh) | 一种基于极化目标分解特征的变分极化sar图像分割方法 | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
CN108387880A (zh) | 一种基于多尺度有向Lyapunov指数的海杂波背景下弱小目标检测方法 | |
CN101582159A (zh) | 基于无监督核回归分析的红外图像背景抑制方法 | |
Hua et al. | A divergence mean-based geometric detector with a pre-processing procedure | |
Wang et al. | A robust constant false alarm rate detector based on the Bayesian estimator for the non-homogeneous Weibull clutter in HFSWR | |
Bahri et al. | Time series forecasting using smoothing ensemble empirical mode decomposition and machine learning techniques | |
CN104021399B (zh) | 基于距离像时频图非负稀疏编码的sar目标识别方法 | |
Zhou et al. | Robust sliding window CFAR detection based on quantile truncated statistics | |
CN114690143A (zh) | 一种抑制雷达杂波的方法、装置、雷达和介质 | |
Yan et al. | Floating small target detection in sea clutter based on the singular value decomposition of low rank perturbed random matrices | |
Zhang et al. | Improved Sparse Representation of Open Set HRRP Recognition Method | |
Bai et al. | Floating small target detection in sea clutter based on multi-feature angle variance |
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 |