基于局部线性嵌入的高光谱影像特征提取算法

特征提取能够消除冗余信息,提高高光谱数据处理的精度和计算效率,是分类等分析必要的预处理手段.传统特征提取算法基于线性变换,无法准确描述高、低维特征空间的关系,因此采用一种新型非线性特征提取算法,即局部线性嵌入(LLE,Locally Linear Em-bedding),挖掘高光谱影像的本征信息.针对分类问题,使用训练样本类别属性修正距离矩阵,并借鉴LLE计算未知样本低维映射的方法求解测试样本的特征向量,实现监督局部线性嵌入(SLLE,Supervised Locally Linear Embedding).使用机载可见光/红外成像光谱仪数据,与3种分类算法结合进行测试,实验结果表明:SLLE优于线性特征提取算法,能够解决高光谱影像的小样本分类问题.     

基于高分辨距离像的目标识别技术发展现状与趋势

高分辨距离像(HRRP)是宽带雷达获取的目标散射点子回波沿雷达视线方向的投影矢量和。它能够提供目标的距离向几何结构和材料质地信息,且易于获取和处理,因此国内外许多学者将研究重点集中在基于HRRP的目标识别技术。本文简介了基于HRRP的目标识别系统模型,总结了HRRP姿态敏感性等关键问题及其解决途径,综述了基于HRRP目标识别的特征提取、分类器设计两项关键技术的研究现状,讨论了其未来发展方向。     

一种基于SAR图像鉴别的港口区域舰船目标新方法

鉴于遥感卫星动态监视港口内舰船的需要,提出了一种SAR图像港口内舰船鉴别方法。针对港口内舰船目标散射特性,首先进行舰船目标鉴别特征的提取,包括已有鉴别特征的提取和新特征的提取;其次,在特征选择阶段,利用特征对目标与杂波的可分离性度量优选出鉴别效果明显的有效特征,并得到最大分离性对应的最优特征向量权重;最后,为了提高鉴别器的精度,设计了加权最小距离分类器。试验结果表明了所提方法的有效性。     

基于改进核聚类算法的空间目标识别方法

根据目标区域的矩特征,几何特征以及灰度特征,提取出目标的特征向量,并通过聚类算法对空间目标进行识别,提出了一种基于Voronoi距离的核聚类算法（KFCM）。该算法通过引入一种新的距离度量,使得隶属度函数更加的明晰,改善了核聚类算法极易陷入最小值的问题。运用改进的核聚类算法对3类空间目标进行识别,试验结果验证了算法的正确性和有效性。     

面向不均匀飞机舱音信号样本的模糊支持向量机识别方法

 针对驾驶舱话音记录器(CVR)中记录的舱音背景信息多而复杂、频率范围宽、非平稳等特点,通过对15种舱音信息进行傅里叶变换和小波包变换,依次提取其Mel倒谱系数(MFCC)和小波包分解系数(WPC),利用距离可分性判据对MFCC和WPC信息进行压缩融合,得到舱音信息特征向量。设计了面向不均衡样本的模糊支持向量机(FSVM),分别计算每种类别样本及其内每种舱音信息的2个隶属度,然后利用FSVM对舱音信号进行分类识别,解决了CVR信号含噪奇异样本和数目不均衡样本时识别性能较差的缺点,实验表明该方法明显优于常规支持向量机(SVM)和FSVM,分类识别率达到98.33%。     

一种从激光扫描数据中提取角点特征的方法

提出一种从激光扫描数据中提取角点特征的方法,以满足结构化环境中移动机器人定位的需要。该方法分为角点特征滤波、角点函数计算、非极大值抑制和角点特征提取与定位四部分。首先,通过角点特征滤波排除不具备角点特征要素的扫描点。然后,通过角点函数衡量余下的扫描点作为角点特征的程度。之后,采用非极大值抑制方法去除局部区域内非极大值对角点特征提取的干扰。最后,通过阈值法提取出角点特征并对其进行定位。实验结果表明,该方法可以准确地从激光扫描数据中提取出角点特征,并对位置参数具有很好的鲁棒性。     

改进的EMD方法在车辆振动信号提取中的应用(英文)

为了能在强噪声背景下准确地进行振动信号的特征提取,对经验模式分解进行了研究和改进,并将其应用于车辆振动信号的特征提取中。首先对系统中各输入信号进行了多次自相关处理,有效地降低信号中的噪声。然后对处理的信号进行经验模式分解,得到了各固有模态函数分量。最后对感兴趣的固有模态函数分量进行希尔伯特变换和谱分析,从而得到信号的特征信息。仿真和试验分析说明了改进的经验模式分解方法的可行性,并且对同类工程问题具有一定的参考价值。     

一种虹膜特征提取与匹配方法

人眼虹膜尺寸很小,并且容易受到干扰,如果不能有效地提取出稳定的虹膜特征进行模式匹配,将严重影响虹膜识别的准确性和鲁棒性。本文提出一种稳定的虹膜特征提取与匹配方法,在虹膜注册端通过构建强特征分类器获得增强型特征模板,在虹膜识别端通过多样本特征映射融合提取稳定的特征样本,并根据风险预测自适应地确定分类阈值,然后进行特征匹配与虹膜分类,从而有效提高虹膜识别的准确性和鲁棒性。     

基于卷积神经网络的遥感图像舰船目标检测

针对遥感图像背景复杂、受环境因素影响大的问题,提出一种将卷积神经网络(CNN)与支持向量机(SVM)相结合的舰船目标检测方法,利用卷积神经网络可自主提取图像特征并进行学习的优点,避免了复杂的特征选择和提取过程,在复杂海况背景图像的处理中体现出较优的性能;同时,由于军舰样本获取难度大,应用迁移学习的概念,利用大量民船样本辅助军舰目标的检测,取得较好的效果。通过参数调整与实验验证,此方法在自行建立的测试集上检测率达到90.59%,对光照、环境等外界因素具有一定程度的鲁棒性。