摘要:

针对反导目标识别系统需对具有不同重要性的目标类别进行不同精度识别这一问题,提出一种基于直觉模糊核匹配追踪的目标识别方法.该方法利用核匹配追踪算法及平方间隔损失函数的优势设计了基于平方间隔损失函数的直觉模糊核匹配追踪学习机,并进一步扩展到任意非平方间隔损失函数,建立基于任意损失函数的直觉模糊核匹配追踪学习机.提出直觉模糊参数函数化的选取算法,使学习机的最终判决对指定的重要目标类别达到较高的识别精度.线性、同心圆样本高精度识别的实验分别展示了直觉模糊核匹配追踪算法的优越性,实际目标样本的识别结果验证了该方法的高识别率.

摘要:

为了得到信号的稀疏表达结果，正交核匹配追踪采用贪婪算法，在逐步回归建模过程中，每步只寻求当前最优原子，这使得计算效率大大降低。针对此局限性，提出了一种新的更加贪心的策略：在每次回归时，选择超过阈值的一个或者多个原子。为了更好的提高算法精度和稀疏度，再利用原子相似度对所挑选的原子做进一步筛选。实验结果和计算复杂度的分析说明：较传统的方法，新的基于更贪心策略的方法不仅能够提高计算效率，而且所得到的模型具有稀疏性好，泛化能力高等优点。

摘要:

为了增强集成系统中各分类器之间的差异性，提出了一种使用旋转森林策略集成两种不同模型分类器的方法，即异构多分类器集成学习算法。首先采用旋转森林对原始样本集进行变换划分，获得新的样本集；然后通过特定比例选择分类精度高的支撑矢量机或分类速度较快的核匹配追踪作为基本的集成个体分类器，并对新样本集进行分类，获得其预测标记；最后结合两种模型下的预测标记。该算法通过结合两种不同分类器模型，实现了精度和速度互补，将二者混合集成后改善了集成系统泛化误差，相比单个模型集成提高了系统分类性能。对 UCI数据集和遥感图像数据集的仿真实验结果表明，文中算法相比单一分类器集成缩短了运行时间，同时提高了系统的分类准确率。

摘要:

针对现有直觉模糊核匹配追踪算法采用部分样本进行训练和停机策略而导致学习机泛化能力下降的缺陷,结合集成学习的思想,提出了一种基于直觉模糊核匹配追踪集成的目标识别方法.该算法通过采用样本扰动和参数扰动的二重扰动策略产生子学习机,并利用多数投票法对其识别结果进行融合,从而提高了集成学习机的分类精度和泛化性能.实验结果表明,与传统方法相比,该方法可获得更优的识别效果,有效提高了识别精度,并能避免采样学习带来的不稳定性.

摘要:

针对核匹配追踪算法(KMP, kernel matching pursuit)进行全局最优搜索导致学习时间过长这一缺陷,汲取直觉模糊c均值聚类(IFCM, intuitionistic fuzzy c-means)算法的动态聚类特性优势,提出一种基于直觉模糊c均值聚类的核匹配追踪(IFCM-KMP, intuitionistic fuzzy c-means kernel matching pursuit)算法,且对UCI库中4组实际样本数据进行了分类实验及有效性测试.最后,选取高分辨距离像(HRRP)这一弹道中段目标识别常用的特征属性,对其进行特征提取获得子像,并分别采用FCM,KMP,IFCM-KMP 3种算法对真弹头进行目标识别仿真实验及结果对比分析,充分表明了IFCM-KMP算法用于弹道中段目标识别较之FCM、KMP的优越性及有效性.

摘要:

雷达高分辨距离像识别是目前雷达自动目标识别研究领域的一个重点.采用核匹配追踪算法来设计分类器,提取一种非常简单的高分辨距离像平移不变特征--功率谱特征为识别特征,通过把高分辨距离像从像域变换到功率谱域来提取目标的平移不变特征,稳健性较好.基于实测数据的识别结果表明该算法具有较好的识别性能,同时其识别运算量较小.

摘要:

针对现有直觉模糊核匹配追踪算法采用贪婪算法搜索最优基函数而导致学习时间过长的问题,汲取了粒子群优化算法全局搜索能力强、收敛速度快的优势对最优基函数的搜索过程进行优化,提出了一种基于粒子群优化的直觉模糊核匹配追踪算法,并将该算法应用于时效性要求更高的空天目标识别领域.实验结果表明,与传统方法相比,本文方法在识别率相当的情况下有效缩短一次匹配追踪时间,计算效率明显提高,且所得模型具有稀疏性好,泛化能力高等优点,特别适用于兼顾识别率和实时性的应用领域.