基于雷达图表示的多维数据可视化分类方法

傅立叶描述子是分析和识别物体形状的重要方法之一.基于雷达图表示多维数据的原理,提出了一种利用傅立叶描述子识别雷达图形的可视化数据分类新方法.该方法采用多元统计中的雷达图表示多维数据,不同模式类别的多维数据构成不同形状的雷达图多边形.在此基础上,给出基于极半径函数的傅立叶描述子来描述和识别雷达图的边界曲线特征.运用概率神经网络,以傅立叶描述子为输入特征向量完成自动识别雷达图形.实验结果表明这种分类方法有良好的分类精度,可与传统分类器性能相比.     

基于神经网络的舰船雷达目标特征抽取与分类方法研究

本文着重研究应用神经网络来进行舰船雷达目标特征抽取与分类问题,提出了一种基于Mellin变换和多层前馈神经网络的特征抽取方法和一种基于Kohonen网络组的特征分类方法。采用实地录取的三类舰船雷达目标视频回波数据对本文提出的有关方法进行检验,结果表明本文提出的雷达目标特征抽取与分类的神经网络方法是切实可行的,其抽取的特征具有良好的稳定性,其分类的精度很高,明显优于传统的K-邻近分类器。     

多维数据的信息可视化方法及应用研究

将多维数据可视化可以帮助人们在有限的时间内快速理解和分析复杂的海量数据集,为决策提供依据.介绍了几种典型的多维数据可视化和交互方法;提出了用平行坐标和星形图技术对人体健康多维数据进行可视化和可视分析的设计方法,给出了可视化和分析结果,应用结果表明了这些方法有效性;本文介绍的多维数据可视化方法可应用于医学.金融.通信等多个领域.     

基于模型转换频率估计的低空目标分类

为解决传统机械扫描预警雷达的低空目标分类问题, 提出一种利用模型转换频率估计的飞鸟与无人机目标分类方法。首先, 建立可能的无人机和飞鸟目标运动模型, 进而对目标轨迹进行多模型滤波和平滑处理。然后, 通过估计目标的模型转换频率实现目标分类。仿真结果验证了所提方法的鲁棒性和有效性, 证明经过平滑处理的目标分类结果优于仅经过滤波处理。针对低空预警雷达在机场和海岸环境中采集的真实数据, 在无人机频繁改变飞行方向模拟飞鸟机动性特征的情况下, 所提方法仍然可以较好地跟踪和区分无人机与飞鸟目标, 大幅降低了雷达系统的虚警率。     

基于自注意力的双波段预警雷达微动融合识别

针对预警雷达对气动目标协同识别的需求，提出一种自适应权重双输入自注意力残差融合识别方法。通过分析不同波段雷达对气动目标的微动差异性，在传统卷积块注意力模块(convolutional block attention module, CBAM)残差网络的基础上进行针对性改进，设计加权双输入CBAM(weighted double input-CBAM, WDI-CBAM)残差结构，对两种波段的时频图浅层特征自动分配权重并融合，从而均衡不同波段对目标识别的贡献度。仿真和实测数据处理结果表明，WDI-CBAM残差网络训练代价小，在信噪比较低及驻留时间较短的情况下识别率高。可视化结果进一步证明了所提方法能够合理分配不同波段输入对气动目标分类的重要性。     

一种基于Boosting的集成学习算法在不均衡数据中的分类

针对多类别不均衡数据的分类问题,从数据集的特征选择和集成学习两个角度出发,提出了一种新的针对不均衡数据的分类方法—BPSO-Adaboost-KNN算法,算法采用基于多分类问题的可视化的AUCarea作为分类评价指标.为了测试算法的性能,本文选取了10组UCI和KEEL选取的测试数据集进行测试,结果表明本算法在有效提取关键特征后提高了Adaboost的稳定性,在十组数据的分类精度上相比单纯使用KNN分类器有20%~40%不等的提高.在本算法和其他state-of-the-art集成分类算法对比中,BPSO-Adaboost-KNN能够取得较优或相当的结果.最后,本文将该算法应用到石油储层含油性的识别中,成功提取了声波、孔隙度和含油饱和度三个关键属性,在分类精度上相比传统分类算法有了大幅度提高,在江汉油田五口油井oilsk81~oilsk85上的分类精度均达到98%以上,比单纯使用KNN的精度高出了20%,尤其在最易错分的油层和差油层中有良好的分类效果.     

基于模糊函数代表性切片的运动雷达辐射源识别

针对运动雷达辐射源的信号特性,提出了一种基于模糊函数代表性切片特征优化的个体识别算法。首先抽取模糊函数的“近零”频偏切片作为辐射源的代表性特征子集,从而保留了运动雷达辐射源信号的稳定个性特征,然后利用直接判别比准则在代表性切片上进行核点排序,以选择最具有判别力的特征。对美国海军实验室仿真雷达数据和实测运动雷达辐射源数据的实验均表明,本文算法不仅有效地解决了现有的模糊函数全平面优化法的计算问题,而且显著提高了对运动雷达辐射源的个体识别性能。     

基于特征概率分布的低分辨雷达地面目标分类

提取稳定有效的目标特征对于低分辨雷达的目标识别分类有着重要意义。在提取目标基本特征雷达散射截面积(radar cross section,RCS)与频谱熵值的基础上,提出了一种基于特征概率分布曲线的目标分类方法。该方法首先应用快速傅里叶变换计算目标回波频谱,提取目标RCS与频谱熵值,然后滑窗分段计算基本特征的概率分布曲线,从而利用概率分布曲线提取出稳定的目标特征,最后利用支持向量机对目标实现分类。基于实测数据的分类结果表明,该特征具有较好的稳健性和分类性能,同时算法便于工程实现。     

基于NMF与CNN联合优化的声学场景分类

针对声学场景分类任务中复杂声学环境的特征表示问题, 提出一种联合训练特征提取和分类模型的优化算法。将非负矩阵分解与卷积神经网络的训练相结合, 利用网络的损失值实现对特征提取和网络参数的共同更新, 以学习到更具判别性的有监督特征。在TUT2017数据集上提取对数声谱图作为基础特征, 搭建深度卷积神经网络进行实验验证。仿真结果表明, 所提算法的识别准确率相比优化前提升3.9%, 且优于其他两种常用声学特征, 证明该算法能够有效提升整体分类效果。     

考虑文本空间结构的单篇文本特征词排序方法

特征选择是文本挖掘领域中重要的基础性工作,能够为后续文本挖掘任务的顺利实施提供良好的数据处理方法和技术支持,而特征词排序是特征选择的关键环节.结合文本统计信息和结构信息以及流形排序思想,提出了一种新的特征词排序方法.通过构造原始文本中潜在的能够反映文本语义和结构信息的条件共现度词网络作为特征词间的流形结构,并以特征词的词频统计信息作为特征词初始权重,结合流形排序思想以及图学习理论进行特征词间的相似性学习,进而实现对特征词重要性排序.分别在公共语料集和补充语料集上与其它多种特征词排序方法进行数值实验对比,实验结果验证了方法的有效性.该方法拓宽了流形排序思想和图学习理论在文本挖掘领域的应用,也给单篇文本特征词排序提供了新的方法和策略.     

基于特征不变量的红外图像识别研究

给出了一种提取特征点的新方法和合理的特征不变量。该方法根据三角不等式原理利用第三边与另外两边之和的比值大小来确定角点,以特征点和它相邻的两个特征点所形成的两条直线的夹角正切值以及三角形第三边与另两边和的比值作为特征不变量。这种特征提取的方法简单,并且由于扩大了模板取值范围,使识别效果受特征点漏检的影响较小。实验表明,该方法不仅简便,而且效果良好。     

基于特征依赖图的语义特征造型建模的研究

针对传统的基于历程的特征造型中设计意图和设计结果容易前后不一致问题,采取基于完全双向语义约束的变量化特征造型,并提出用特征依赖图的数据模型来保存和维护设计中的各种特征信息及其之间的关系。它的形成是基于特征间的各种依赖关系而不是基于特征创建的先后顺序,并且根据依赖关系完成特征实体和约束的添加,编辑,删除等操作。使得特征信息随时根据相关特征信息协调变化,特征语义能够始终保持一致。最后展示了一个实例。     

基于最优信用特征组合的违约判别模型——以中国A股上市公司为例

违约判别是信用风险评估的一种方式，提高违约判别精度一直是学界和业界重点关注的问题.本文从最优信用特征组合而不是最优指标组合的角度建立违约判别模型，提高违约判别精度.本文的创新有三个方面：一是以信息值最大为目标建立优化模型，将指标数据划分成能最大区分违约状态的多个信用特征.二是采用弹性网回归对信用特征进行遴选，反推违约判别误差最小的最优信用特征组合.三是以组间离散度与组内离散度之比最大为目标，构建数学规划，反推一组权重，得到线性判别方程.本文基于2000-2017年共2169家中国A股上市公司的数据进行实证，研究表明经过特征划分的线性判别分析、K近邻、支持向量机等模型的精度整体高于没有经过特征划分的模型精度.     

基于能量特征匹配的在线手写签名验证算法研究

侧重签名能量特征提取方法的研究,提出了一种基于小波分析的在线手写汉字签名验证算法。基于Daubechies小波的方法对签名波形进行分解,重构部分波形后,提取签名波形在跳变点处的能量,并对跳变点处签名能量进行大小排序,选出M个较大能量作为特征矢量,并提出了一种新的匹配算法。算法能快速消除随机伪造签名,实现自动签名验证的目的。实验表明,对于随机伪造签名,当误拒率为0%时,误纳率为8.5%。     

结合图像特征和几何特征的级联图像匹配方法

提出了一种多特征级联目标匹配算法(MFCM)。在先前的研究中提出的基于几何特征的匹配方法复杂度普遍较高,需要改进。MFCM算法首先使用图像特征为每一个特征点建立潜在匹配集,然后进行两级匹配:第一级匹配采用分治思想,利用几何特征建立匹配结果集,并应用投票机制来确保匹配的稳定性;第二级匹配在模板点集和匹配结果集之间建立对应关系。新算法有效提高了几何匹配方法的效率,同时保持了较高的匹配正确率。实验结果表明,MFCM算法可以有效处理大数据量的目标匹配问题。     

一种基于非降采样Contourlet变换和MLESAC的星空图像配准算法

针对不同时刻拍摄的星空图像进行叠加,提出一种基于非降采样Contourlet 变换（nonsubsampled Contourlet transform, NSCT）和随机抽样最大似然算法(maximum likelihood estimation sample consensus, MLESAC)的图像配准算法。该方法首先对星空图像进行NSCT变换,以提取特征星体的边缘,接着以特征星体的质心为顶点,构造特征三角形,根据三角形全等准则对其进行匹配;然后利用MLESAC算法对已匹配三角形的重心进行验证,将满足要求的特征点带入仿射变换模型,求取变换参数,实现图像的配准。该方法在保证配准精度的条件下,降低了经典配准算法的复杂度,能够有效处理光照变化以及噪声的影响。采用50组空间图像进行验证,结果表明,该算法能够在有效抑制星空图像光照和噪声的情况下,实现星空图像的精确配准,均方根误差达到0.374 1。     

一种基于几何特征编码的运动搜索

提出了基于姿态的几何特征来描述人体躯干和四肢的关系,并通过特征编码函数,将复杂的运动数据转换成简单编码流,通过合并特征编码与索引树的思想,从而建立基于编码的数据库索引,实现了快速而有效的基于内容的运动搜索,并支持索引的线性扩展。在2×106帧的运动数据库上的实验验证,表明该搜索方法的实时性和有效性。     

基于空间点特征和改进Hausdorff距离的图像配准方法

在基于特征的图像配准中,针对基于边缘的Hausdorff距离计算效率低的问题,提出用能表示图像空间结构的特征点来进行Hausdorff距离计算的方法。该方法是通过检测图像中的特征点来减少匹配点集中点的数量,实验证明了该方法的有效性,以及在计算和匹配时间上要优于基于边缘特征的Hausdorff距离计算方法。针对稀疏特征点集的特点,提出了改进Hausdorff距离,该距离通过改进部分Hausdorff距离使其更加适用于稀疏点集的距离计算,实验表明该距离在抗噪等方面优于其他Hausdorff距离。     

基于结构的SAR图像配准

由于SAR图像中相干斑的存在，使得已有用于光学遥感图像自动配准的算法往往无法直接应用。基于人工通过地物结构推毫匹配关系进行配准的想法。提出了一种基于结构的SAR图像自动配准算法，该算法首先通过检测出的点目标构造“虚拟结构”，然后再综合新提出的“虚拟结构”不变量及结构区域不变矩作为相似测度完成匹配检测，最后用LMS算法估计出变换参数从而实现SAR图像的自动配准。实验结果表明，该算法不仅能够有效实现SAR图像的自动配准，而且能有效避免SAR图像中相干斑对配准过程中特征检测和匹配造成的影响。     

Feature fusion method for edge detection of color images

A novel feature fusion method is proposed for the edge detection of color images. Except for the typical features used in edge detection, the color contrast similarity and the orientation consistency are also selected as the features. The four features are combined together as a parameter to detect the edges of color images. Experimental results show that the method can inhibit noisy edges and facilitate the detection for weak edges. It has a better performance than conventional methods in noisy environments.