海杂波背景下的目标检测新方法

提出了一种基于分形布朗运动模型的S波段雷达海杂波分形维数提取方法.分析了基于记忆库混沌时间序列预测方法，引入一种改进核函数的支持向量机分类器.在此基础上，提出了一种新的海杂波背景下目标检测方法.应用S波段雷达实测海杂波数据，计算得到了该信号的分形维数与Lyapunov指数，验证了S波段雷达海杂波的混沌分形特性.仿真实验结果验证了该方法具有较强的检测能力和抗杂波性能. 关键词： 分形布朗运动 分形维数 记忆库预测方法 支持向量机分类器     

基于局部高斯混合特征提取的高光谱图像分类

为了进一步提高高光谱图像的分类精度,提出一种基于局部高斯混合特征提取的分类(LGMFEC)方法。LGMFEC方法首先基于高光谱图像的空间结构为每个样本构建局部邻域集合,然后从局部邻域集合中提取高斯混合特征来充分表征空间-光谱信息及相关变化信息,最后将局部高斯混合特征融入包含黎曼核函数的支持向量机(SVM)分类器中,从而完成分类任务。三组通用高光谱数据集的实验结果表明,LGMFEC方法的分类性能在较大程度上优于几种先进的分类方法,尤其在训练样本较少的情况下的优势更为明显。     

基于形态学成分分析的静态极光图像分类算法

为了解决海量极光图像手工分类效率低下的问题,提出一种静态极光图像自动分类系统,使用形态学成分分析将极光纹理从复杂背景中分离出来,从纹理中提取特征并利用支持向量机进行分类.实验结果表明:该算法分类正确率较之于传统方法均提高约10%,当分类器支持向量机+线性核函数时,分类速度最快,最适合于海量数据的处理.     

基于形态学成分分析的静态极光图像分类算法

为了解决海量极光图像手工分类效率低下的问题,提出一种静态极光图像自动分类系统,使用形态学成分分析将极光纹理从复杂背景中分离出来,从纹理中提取特征并利用支持向量机进行分类.实验结果表明:该算法分类正确率较之于传统方法均提高约10%,当分类器支持向量机+线性核函数时,分类速度最快,最适合于海量数据的处理.     

高光谱的刺五加黑斑病的早期检测研究

对感染黑斑病的刺五加叶片进行光谱特性研究,能为药用植物病害的早期筛选与精准治疗提供重要研究资料。实验目的,运用高光谱成像技术实现植物病害的自动监督分类与识别。实验过程,首先使用高光谱成像系统在可见光波段（380～960 nm）内采集刺五加黑斑病的叶片样本,光谱数据经过去除亮暗噪声和平滑预处理后,再经过主成分分析实现数据降维,继而运用基于不同核函数的支持向量机法建立分类模型,最后利用总体分类精度、Kappa系数等因子评价不同核函数对分类器性能的影响。根据叶片表面的特征将其分为四类样本：健康亮部、健康暗部、轻度病害和重度病害等。对比各类样本的光谱可知,刺五加的健康样本在540 nm波长存在一个明显峰值,在620～680 nm光谱曲线急剧上升;而病害样本的光谱反射率呈现缓慢且平稳的上升趋势,上述特征能够将图像空间上反射强度接近的健康亮部和严重病害完全区分开。经对比发现前四个主成分（PC1,PC2,PC3,PC4）在分类表达上存在差异,主要表现为PC1含有的信息多,能够较好地区分各类样本;PC2则出现健康亮部和严重病害的交叉混淆;PC3是对于PC2的补充,能基本完整地表达轻微病害;PC4的贡献率仅有0.19%,依然能够准确地识别严重病害。不同主成分分量在表达各类样本特征中存在的差异能够作为复杂样本分类的参考依据。对比四种核函数对支持向量机分类器性能的影响,结果显示线性核函数的识别过程受光强反射的影响较大,Sigmoid核函数的训练精度易受数据集大小的影响,在识别健康亮或暗,以及轻微病害上均存在一定的误差,多项式核函数与径向基核函数的效果较好,其中,多项式核函数的精度更高,为92.77%。研究表明,利用高光谱成像技术能够准确地识别刺五加的健康叶片和患病叶片,为实现自动诊断药用植物叶片病害提供新方法。     

基于克隆选择支持向量机高光谱遥感影像分类技术

作为支持向量机(support vector machine, SVM)高光谱影像分类的一个重要环节,参数设置的效率和精度直接影响到SVM模型训练效率和最终分类精度。本文首先建立一个SVM高光谱影像分类器,提出了利用免疫克隆选择算法优化的交叉验证进行核函数参数和惩罚因子C的优化选择的方法,得到了一种基于克隆选择优化的支持向量机(clonal selection SVM, CSSVM)高光谱影像分类器。然后将CSSVM与传统的基于网格搜索交叉验证的支持向量机（gird search SVM, GSSVM）分类器进行了对比评价,评价指标包括模型训练时间和分类精度等。最后基于AVIRIS高光谱遥感影像进行了两算法分类对比试验,结果表明：提出的CSSVM测试样本总分类精度超过85.1%和Kappa系数超过0.821 3,影像总分类精度超过81.58%和Kappa系数超过0.772 8,CSSVM与GSSVM的分类精度差别在0.08%以内,Kappa系数差别在0.001以内;CSSVM的模型训练时间是GSSVM的1/6至1/10,得到显著缩短;CSSVM方法在保持传统GSSVM优良分类精度的基础上,极大提高了模型的训练效率。     

空-谱二维蚁群组合优化SVM的高光谱图像分类

提出了一种空-谱二维特征蚁群组合优化支持向量机的高光谱图像分类算法。利用两类蚁群分别在光谱维空间和样本分布空间交替搜索最大类间距波段组合和异质样本,提取最优特征波段,降低了高光谱的波段信息冗余,去除训练样本中的异质样本,优化了训练样本特征空间分布。将蚁群组合优化后的高光谱图像和训练样本应用到支持向量机(SVM)分类器中,扩大了特征空间类间距,提高了SVM算法的分类精度。实验表明该算法总分类精度达95.45%,Kappa系数0.925 2,是一种分类精度较高的高光谱图像分类方法。     

基于改进支持向量机的水声目标-杂波不平衡分类研究

针对水声目标-杂波数据集在有限样本下的类不平衡特性,导致代价敏感支持向量机难以逼近贝叶斯最优决策的问题,本文提出了一种基于能量统计(Energy statistics)方法的支持向量机(En-SVM)。该算法通过度量原始数据空间与有限样本空间特征函数之间的加权平方距离,量化少数类样本不完全采样过程中的信息损失,来补偿再生核希尔伯特空间中机器学习算法所需的少数类分类信息,增加少数类样本对决策的影响力。实验结果表明,En-SVM能够在保持高检测概率的同时获得较低虚警概率,即通过分类可以排除大量的杂波,性能优于标准支持向量机和代价敏感支持向量机,能够有效处理水声不平衡数据的分类问题,实现主动声呐信号处理中的杂波抑制。     

基于有序分割的支持向量机多分类方法

针对模拟电路多故障分类中存在拒识区域,分类效果不理想的问题,提出基于有序分割最佳偏二叉树结构的模拟电路故障诊断方法;首先分析多分类中分割次序对结果的影响,通过样本类中心欧式距离对故障分割进行排序,以此构造偏二叉树结构;然后对采样数据进行主成份分析降维压缩,最后采用支持向量机作为分类器,对故障数据进行分类;该方法可以使样本类间距离最大,提高了支持向量机模拟电路故障分类的效率和准确度;故障诊断结果表明文章提出的诊断方法在精度提高的情况下,所需训练时间和支持向量数目大大减少,更具稀疏性。     

基于PCA和SVM的高光谱遥感图像分类研究

支持向量机(SVM)是根据统计学习理论提出的新的研究方法,它在解决小样本、非线性及高维模式识别问题中表现出了许多特有的优势,在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。由于高光谱图像波段数目多,各波段间具有较强的相关性,因此通过主成分分析(PCA)方法对高光谱数据进行预处理,达到了降维的目的,同时也去除了噪声波段。用支持向量机方法对高光谱遥感图像进行分类,可实现图像的分类识别。