基于KFD+ICA特征提取的SAR图像目标识别

提出了一种用基于核函数的Fisher判别分析(kernel based Fisher discriminant analysis,KFD)和独立分量分析(independent component analysis,ICA)特征提取的合成孔径雷达(synthetic aperture radar,SAR)图像目标识别方法。用基于核函数的Fisher判别分析提取SAR图像样本在高维特征空间中的最佳分类向量,对最佳分类向量做独立分量分析,得到表征图像样本的特征向量,用支持向量机(support vector machine,SVM)对提取得到的特征向量分类完成目标识别。对MSTAR数据库中三类军事目标用该方法进行特征提取和识别实验,识别率为96.92%。结果表明,KFD ICA特征提取方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

基于KPCA与LSSVM的网络控制系统时延预测方法

针对网络控制系统中随机时延很难精确预测的问题,首次将核主成分分析（kernel principal component analysis, KPCA）与最小二乘支持向量机（least squares support vector machine, LSSVM）结合对随机时延进行预测,KPCA对输入随机时延序列降维,消除重复性与噪声,减少LSSVM的运算量,降维后的时延序列通过LSSVM算法预测时延值。仿真结果表明,基于KPCA与LSSVM的时延预测方法的预测精度高于其他的预测方法。     

基于Cholesky分解的K2DPCA人脸识别研究

K2DPCA(kernel 2D principal component analysis)是基于非线性特征提取的重要人脸识别方法,具有成功的应用.但对大规模训练数据库,其因核矩阵K规模过大、计算代价高而不能有效实现.采用选主元Cholesky,分解方法,仅需计算核矩阵的对角线上元素和部分精选列,得到迹范数意义下核矩阵K的最优Nystr(o|¨)m型低秩近似LL~T来解决该问题.并只需计算小规模矩阵L~TL的特征值和特征向量,实现大规模K2DPCA/KPCA(kernel principal component anialysis)的非线性特征提取.在加噪ORL人脸数据库上的实验结果表明,较K2DPCA/KPCA方法,新方法显著提高了识别率,并可以很大程度上克服噪声的影响;在Extended YaleB大型人脸数据库上的实验结果表明,此算法解决了K2DPCA核矩阵过大而不能有效实现的缺点.     

基于FSVMs的雷达辐射源信号分类识别

利用核函数主分量分析(KPCA)提取雷达辐射源信号时频分布图像的特征矢量.为解决多分类问题中的不可分情况,引入基于模糊C均值聚类的模糊支持向量机.实验表明,该方法对辐射源信号的识别率高于传统的分类方法.     

基于四阶累积量与核Fisher判别分析的MPSK信号分类方法

提出了一种基于高阶累积量和核Fisher判别分析的MPSK信号自动调制识别方法。该算法选取信号的四阶累积量作为分类特征,利用核函数的思想把特征向量映射到一个高维空间,并在高维空间中采用线性Fisher判别分析实现了数字信号的分类。选用了径向基核函数,使用一对一或一对余多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳健的多类核Fisher判别分析分类器。计算仿真结果表明,基于核Fisher判别分析的分类器具有良好的性能,它与支持向量机的分类精度相当,且训练时间较短。     

雷达目标自动识别系统的拒识新算法

提出了一种基于代价因子的Fisher判别函数拒识门限确定算法.该算法充分考虑了系统识别和误识的代价因子,引入Fisher判决理论,确定了拒识门限.设计了基于独立分量分析(independent component analy-sis,ICA)的雷达目标特征提取方法,将雷达高分辨距离像(high resolution range profile,HRRP)在"基信号"域中分解,提取相应的基系数组成向量,作为目标特征向量.采用基于欧氏距离度量的K最近邻(K nearest neighbor,KNN)分类器作为识别系统的分类规则,并引入拒识门限设计了一种新的分类器.实验结果表明,基于以上算法的雷达目标识别系统在最小代价前提下具有较高的正确识别概率.     

基于主成分分析与核独立成分分析的降维方法

根据主成分分析（principal component analysis, PCA）法的降维去噪技术和核独立成分分析（kernel independent component analysis, KICA）法的盲源分离技术,提出了一种关于两者的融合方法,即PCA-KICA方法。将该方法应用于线性和非线性高维混合信号的降维处理中,以相关系数和Amari误差为标准,同主成分分析与独立成分分析（principal component analysis independent component analysis, PCA-ICA）融合方法进行比较。仿真结果标明,PCA KICA方法与PCA-ICA方法相比,在处理复杂非线性高维混合信号时效果相当,但在处理线性高维混合信号时的效果较好。     

基于独立分量分析的雷达目标识别方法

通过分析雷达距离像的数学模型,利用独立分量分析(independent component analysis,ICA)技术提取雷达距离像信号中的独立分量,并定义为独立基波形。将观测信号投影到几个峰度大的独立基波形上,得到的各个投影分量作为待识别的信号特征。由于独立基波形实际上对应了目标回波中的散射中心响应,使得通过该方法提取的特征不仅保持了独立性,而且还具有实际的物理意义。在此基础上,使用支持矢量机(support vectormachine,SVM)作为分类器,进行了仿真实验和对比实验,实验结果表明该方法是有效和可行的。     

Efficient face recognition method based on DCT and LDA

It has been demonstrated that the linear discriminant analysis (LDA) is an effective approach in face recognition tasks. However, due to the high dimensionality of an image space, many LDA based approaches first use the principal component analysis (PCA) to project an image into a lower dimensional space, then perform the LDA transform to extract discriminant feature. But some useful discriminant information to the following LDA transform will be lost in the PCA step. To overcome these defects, a face recognition method based on the discrete cosine transform (DCT) and the LDA is proposed. First the DCT is used to achieve dimension reduction, then LDA transform is performed on the lower space to extract features. Two face databases are used to test our method and the correct recognition rates of 97.5% and 96.0% are obtained respectively. The performance of the proposed method is compared with that of the PCA LDA method and the results show that the method proposed outperforms the PCA LDA method.     

基于核主元分析与多支持向量机的监控诊断方法及其应用

为保证密闭鼓风炉冶炼过程的正常运行,构造了一种基于核主元分析(KPCA)和多支持向量机(MSVM)的监控模型.该监控模型首先用核主元分析方法对过程数据进行特征提取,然后将代表过程特征的核主元送入到多支持向量机分类器中进行故障诊断与分类.仿真研究显示, 该监控模型具有较好的泛化能力,能有效地应用于鼓风炉的监控诊断,可用于鼓风炉熔炼过程的现场操作指导.     

基于多尺度低频特征组合的线性鉴别分析

目前线性鉴别分析(LDA)方法是在原始图像上直接进行,抽取的是图像的全局特征,受光照、表情变化而引起的局部高频信息影响较大,忽视了更能反映图象本质的低频特征.为此提出先将图像进行多尺度划分,再提取划分后的每个子图像的低频部分,组合起来作为该图像的特征向量,最后根据这些特征向量再应用LDA方法进行鉴别分析.多尺度低频特征组合的向量反映了图像从局部到全局的全部低频特性,具有更有效的鉴别信息.在ORL和Yale人脸库上的实验结果显示,所提出的算法识别性能显著提高,鉴别能力更好.     

基于PCA和SVM的控制图失控模式智能识别方法

控制图是在线质量控制的重要工具,而利用控制图进行异常过程模式识别却是个困难问题。该文在分析现有控制图识别技术在实际应用中存在缺陷的基础上,提出了一种基于主元分析(PCA)和支持向量机(SVM)的控制图失控模式识别方法。首先,将控制图作为信息图用于趋势模式数据集提取;然后,通过对数据集的高维特征进行线性组合并向低维空间投影的方法,降低了分类器的输入维数,提高了各维特征的敏感性;最后,为了克服神经网络方法速度慢和泛化能力弱的缺陷,利用SVM小样本学习能力,有针对性地设计SVM多分类器进行模式识别。用一个含有6种趋势的20维特征仿真数据集对该方法进行检验,通过主元分析后,数据集的特征被降到了3维并保留了88%的分类信息。进一步的识别结果表明,该方法相对现有的BP、SLFM识别方法达到更高的识别率和识别速度,适合质量控制图在线实时识别。     

基于信息熵和GA-ELM的调制识别算法

针对当前通信信号调制识别算法在低信噪比（signal-to-noise ratio，SNR）下识别率低、训练速度慢、识别调制类型少的问题，提出了基于信息熵特征和遗传算法-超限学习机（genetic algorithm-extreme learning machine，GA-ELM）的调制识别算法。首先，提取信号的4种熵特征：奇异谱香农熵、奇异谱指数熵、功率谱香农熵和功率谱指数熵作为调制识别的特征参数；其次，采用GA-ELM作为分类器。仿真实验表明，对11种模拟、数字调制信号进行分类识别，在SNR大于4 dB时算法的总体识别率均超过98%，同时该算法训练速度快，识别系统设计简单，具有较大的应用价值。     

基于熵特征和支持向量机的调制识别方法

通信信号调制识别在非合作通信领域是一项重要的研究课题。针对当前算法计算量大,能识别的调制类型少的特点,提出了一种基于熵特征和支持向量机（support vector machine, SVM）的调制识别新方法。该算法通过提取接收信号的多维熵特征,作为调制识别的特征参数,并利用基于二叉树的SVM作为分类器,对接收信号进行调制识别。除了信号的信噪比,该算法不需要信号带宽和载频等其他先验知识。理论分析与计算机仿真结果表明,该方法具有很高的识别率,计算量小,具有很好的应用价值。     

卫星导航电磁干扰识别分类器设计

根据卫星导航系统干扰识别特点与高阶累积量对高斯噪声的抑制作用,提出了一种基于干扰四阶及六阶累积量的特征识别算法,分析了在不同干噪比下不同干扰信号的特征区间分布。根据在相同识别特征下不同干扰信号的分离度,设计了一种基于高阶累积量的树形干扰识别分类器。仿真试验结果表明,当干噪比达到5 dB时,识别分类器对9种干扰信号的识别率均达到100%,并且受干噪比变化影响较小,试验验证了其良好的分类识别性能。     

基于线性判别分析的时频域特征提取算法

针对复杂环境中的声目标特征提取与选择问题,结合声信号时频域的特点,提出了一种时频域相结合的特征提取方法。首先,对信号进行小波分解,达到去噪目的;然后,将短时能量、短时平均幅值、过零率及频带能量值作为原始特征矢量,并结合Fisher判别准则进行特征选择,以此构造低维特征向量;最后,对两类声目标的实测样本数据进行特征提取,并采用支持向量机和K近邻两种分类器对该特征提取方法的有效性进行校验。实验结果表明,采用“时域+频域+线性判别分析”的特征提取方法简单有效,且与单一时域或频域的特征提取方法相比,识别率更高。     

基于高维特征选择的跳频电台细微特征识别

将高维特征用于跳频电台细微特征个体识别具有很大优势,为了增强对跳频电台的分类识别能力,需要增加特征类型和维数,提高特征集的表征能力,但同时会引入大量冗余特征,导致分类器计算时间过长,分类正确率降低。为了降低高维特征集维数,首先采用相关性快速过滤特征选择算法,删除高维特征集中的不相关冗余特征,得到最优特征集。然后利用经过参数优化的支持向量机(support vector machine, SVM)分类器进行训练分类。实验表明,所提算法能够对高维特征集进行合理的降维,提高了SVM的分类器的分类性能,在保证分类正确率的基础上,降低了运算量,提高了跳频电台细微特征识别的时效性。     

基于连续小波变换的水下目标特征提取与分类

在连续小波变换的基础上,提出了信号的尺度-小波能量谱和时间-小波能量谱的概念 ,同时定义了选择特征的一种判别函数。利用信号的尺度-小波能量谱、时间-小波能量谱提取了菜蒙湖底沉积物反射回波的特征,依据判别函数给出了回波的特征向量,并用最近距离分类器和近邻分类器对反射回波进行了分类。结果表明,尺度-小波能量谱和时间-小波能量谱相比有较好的分类效果和较低的特征维数。最后研究了所提取特征的鲁棒性。