排序方式: 共有8条查询结果,搜索用时 15 毫秒
1
1.
基于神经域中的特征自组织映射机理,本文提出了一种采用Kohonen自组织特征映射网络、概率分布核估计和概率可能性一致性变换的隶属函数生成新方法。从而克服了常规隶属函数生成方法在选择论域大小及表达隶属度分布等方面的一些不合理性。这一新方法已成功地应用于雷达目标自动分类。 相似文献
2.
3.
海量和高维大数据集的聚类对计算机性能提出了很高的要求.基于具有层次聚类特性的RSOM树方法提供了一种有效的手段以实现对高维大数据集的聚类索引,这种RSOM树可支持最近邻搜索且不需要对数据进行线性搜索.注意到RSOM模型具有内在的层次化、分布式结构特点,并可进行增量的训练,研究了基于高效并行集群的增量、分布式RSOM并行算法,并通过视频图像特征集实例证实了算法的可行性. 相似文献
4.
5.
6.
Sentinel-1双极化数据舰船目标几何特性提取 总被引:1,自引:0,他引:1
舰船目标几何特性提取是合成孔径雷达(SAR)图像海上目标检测识别的重要基础。在具有几何真值样本的基础上,通过参数寻优和拟合回归,能够提高几何特性提取的精度,这在TerraSAR-X数据上已有研究。本文考虑Sentinel-1大部分情况下均能提供双极化数据这一特点,探索双极化信息能否进一步提升几何特性提取的精度。基于OpenSARShip测试库,首先使用二维度滤波进行图像处理,该图像处理过程中的关键参数使用交叉熵方法进行寻优,在大样本基础上,得到最优参数;之后,在目标几何特性的图像处理提取结果上,综合传感器、环境、目标3方面信息,特别是融合双极化信息,使用多元线性回归模型进行拟合,得到比仅用单极化信息更高的几何特性提取精度,证实了双极化信息的可用性。 相似文献
7.
RSOM算法及其应用研究 总被引:1,自引:0,他引:1
神经网络以其优越的非线性拟合能力和强大的自组织模式分类能力已被用于许多模式识别问题,并取得了很好结果.但是对于大样本集分类和复杂模式识别问题,大多数常规神经网络在决定网络结构与规模、设计自学习算法和应付庞大的计算量等方面存在诸多困难.为了克服这些困难,在Kohonen自组织映射模型(SOM)的基础上,提出了两种基于类别可分性判据RSOM分类树:非结构自适应的RSOM-Ⅰ分类树与基于奇异值分解方法的结构自适应RSOM-Ⅱ分类树,这两种分类树的每个节点由拓扑有序的自组织映射网络组成.RSOM分类树的优点在于处理大样本集和复杂模式的识别问题时能够自适应地确定网络的结构和规模,最后的数据试验就是很好的佐证. 相似文献
8.
1