用于HRRP多类目标识别的D距离分类器

在雷达自动目标识别（radar automatic target recognition,RATR）领域,为了保证基于高分辨距离像（high-resolution range profile,HRRP）的目标识别算法在进行小样本多类目标识别时仍然具有优异的识别性能,需要提出一种同时具备优异泛化性能与低运算复杂度的识别算法。利用比值计算两个向量之间的比值距离,并将比值距离应用于距离分类器中,称之为D距离分类器。然后利用八类地面目标实测数据将D距离分类器与其他一些RATR统计模型进行比较,分别分析其在小样本与多类目标时的识别精度。最终结果验证出D距离分类器在训练样本有限且多类目标识别时仍然具有优异的泛化性能与很低的运算复杂度。     

基于互信息的弱随机特征子空间生成算法

集成算法是机器学习领域的研究热点。随机子空间算法是集成算法的一个主要算法。随机子空间生成的特征子集可能含有冗余特征、甚至噪声特征,影响算法的分类精度。为此,本文提出了一种基于互信息的弱随机特征子空间生成算法（WRSMI）,有效去除了特征子集中的冗余特征和噪声特征。在UCI数据集上的实验结果表明,WRSMI的分类性能优于随机子空间算法。     

一种雷达HRRP在线自适应目标识别方法

“边录取、边学习、边建模”是一维高分辨距离像（HRRP）雷达自动目标识别（RATR）工程化的一条路径,宽带雷达对飞行中的机动目标录取的HRRP随着目标相对于雷达的姿态而变化,完备（全姿态）的HRRP数据库可以看做是关于姿态（主要是方位）的非平稳过程,常用的平稳环境下的在线算法对非平稳的环境适应能力有限．文中通过一种在线混合专家（OME）将HRRP数据在线地分割成若干个近似平稳的区域,在各个区域内使用平稳协方差函数的在线Gauss过程分类器（0GPC）．针对迭代在线GaHSS过程分类（IOGPC）的参数学习算法EP和EM,提出了一种双链Gauss过程（Bi—OGP）来使OGPC的参数得以在单次数据扫掠的情况下实现在线更新．针对迭代在线混合专家门网络参数的学习算法EM,提出了基于初值选择的单次数据扫掠学习方法．基于HRRP实测数据的仿真试验证明,文中方法在单次扫描数据时就获得了高于或接近最近邻、迭代在线线性最小均方（LMS）混合专家和0GPC的识别率．     

一种改进的线性调频步进信号目标抽取算法

针对线性调频步进信号一维成像算法中的目标抽取问题,提出一种改进的目标抽取算法. 在保证目标最强散射点被抽取到的前提下,该算法对最强散射点所在采样点的抽取区所有可能的位置进行遍历,根据每个可能的位置反推出一个抽取起始点,获取多组目标一维高分辨距离像(HRRP),并对各HRRP进行散射点提取,最终选择各强散射点能量累加值最大的那组HRRP作为目标的HRRP. 经实测数据验证,该方法抽取效果优于逆向舍弃法.      

子空间分解法在声目标特征提取中的应用

目的　研究用于识别直升机目标声信号的特征提取方法。方法　通过对直升机声信号频域特性分析,采用基于子空间分解的多重信号分类法(MUSIC)算法提取信号谐波频率作为目标特征,利用子空间分解将观测数据分解为信号子空间与噪声子空间的特点,抑制噪声干扰,提高识别能力。结果与结论　对实测的直升机声信号谐波频率提取结果表明,子空间分解方法提取目标频域特征是可行的,用MUSIC算法提取谐波频率值是有效的。     

子空间分解法在声目标特征提取中的应用

研究用于识别直升机目标声信号的特征提取方法,方法通过对直升机信号频特征分析,采用基于子空间分解的多重信号分类法算法提取信号谐波频率作为目标特征,利用子空产妥将观测数据分解为信号子这僮与噪声子空间特点,抑制噪声干扰,提高识别能力。     

柔性控制器MMC子模块最优冗余数量双重协同优化方法

柔性直流系统中模块化多电平换流器(MMC)的子模块故障影响系统正常运行,可靠性和经济性的相互制约是MMC冗余数量配置优化的关键问题之一.对此,建立含冗余子模块MMC可靠性和经济性数学模型的多目标优化函数,提出一种柔性控制器子模块冗余数量双重协同优化方法.该方法结合权重系数和NSGAII多目标优化算法的优势,在冗余数量取...     

基于SKO—KPCA和SVM的雷达目标HRRP特征提取与识别

将依赖数据变化的自适应SKO技术和迭代算法引入KPCA算法中,结合SVM分类技术,提出了基于SKO-IKPCA和SVM的雷达目标HRRP特征提取与识别方法.讨论了HRRP预处理、迭代KPCA算法和SKO/FKO技术的实现方法,将SKO/FKO技术应用到KPCA的核优化中,并用人工合成数据对其优化性能进行了测试与比较,应用该方法对Su-27、F-16及M2000等三类飞机目标的实测HRRP数据进行了特征提取与识别实验.结果表明,所提方法具有较好的稳定性和可靠性,能有效地优化雷达目标主元特征的提取,提高目标的识别性能.     

基于属性最大间隔的子空间聚类

子空间聚类能有效的发现各簇与所属于的子空间的联系,同时减少高维数据中因为数据冗余和不相关属性对聚类过程产生的干扰.已有的子空间聚类方法强调各子空间中簇的发现,往往忽略子空间的划分.提出了基于属性最大间隔的子空间聚类,该方法主要思想是对子空间的划分时信息的丢失达到最小,从而子空间聚类的结果的效果比较好.主要工作包括:第一,建立了子空间划分的目标函数,也就是使各划分的子空间相互依赖达到最小,第二,设计了基于属性最大间隔的子空间聚类算法Maximum Margin Subspace Clustering(MMSC)进行子空间聚类集成.最后,采用UCI和NIPS2013比赛等数据来做实验,结果表明,在大多数数据上MMSC算法比其他子空间算法能得到更好的聚类结果.     

基于子空间融合的多视图聚类算法

提出一种新颖的多视图子空间聚类算法,不再对包含各种噪声以及冗余信息的原始数据进行特征融合,而是通过对不同视图的低维子空间表示进行融合,得到一个公共的低维子空间表示.将这个子空间表示作为相似度矩阵进行谱聚类,以得到更优的聚类效果.在3个广泛使用的多视图基准数据集上进行了实验,实验结果证明了所提出算法的有效性.