基于SVM的SAR图像中水上桥梁目标的检测

针对SAR图像中桥梁目标的特性,提出了一种基于统计特性和先验知识相结合的桥梁目标检测方法。通过对SAR图像中桥梁和背景的分析,首先对河流区域进行特征提取,再利用支持向量机方法对数据进行训练建模,通过训练后的模型对SAR图像中的河流进行分割,最后在分类后的二值图中按方向累加能量最小准则进行桥梁目标检测。基于真实SAR图像的实验结果显示,此方法不需要对SAR图像进行复杂的预处理,有强的抗斑点噪声性,能快速检测SAR图像中的桥梁目标。     

基于粗集和支持向量机的雷达信号识别法

结合粗集的属性约简和支持向量机的分类机理,提出了一种融合算法.应用粗集理论的属性约简过程作为数据的预处理,把冗余的属性和冲突的对象从决策表中删去,却不损失任何有效信息;然后利用支持向量机进行分类识别.这样可以大大降低数据维数,减小支持向量机分类过程中的复杂度,在不同程度上避免了训练模型的过拟合现象,且分类性能更加优越.最后通过对雷达信号识别的仿真实例说明了上述方法的有效性.     

一种基于谱域-空域组合特征支持向量机的高光谱图像分类算法

针对高光谱图像分类问题,提出了一种基于支持向量机的利用组合特征对高光谱图像进行分类的算法,组合特征综合了高光谱图像的光谱域和空域信息。针对图像的高维数据特性,利用最大噪声分量方法进行特征提取,对得到的主分量图像,采用虚拟维数估计算法来确定需要保留的主分量数目,并用数学形态学操作用保留的主分量图像中提取目标的形态信息。根据得到的空域特征并结合原始光谱域特征,构造用于分类的组合特征矢量。而且采用了支持向量机,利用了其支持小样本、效率高的优点。高光谱数据实验表明,本文提出的方法和单独使用谱域或空域信息进行分类相比,具有一定的优越性。
     

基于小波阈值降噪和经验模态分解的高光谱图像分类算法

为了充分降低高光谱图像中的噪声以获得高精度的分类结果,本文结合小波阈值降噪(WTD)和经验模态分解(EMD)的优点,提出了一种基于小波阈值降噪-经验模态分解的高精度支持向量机(SVM)高光谱图像分类算法(WTD-EMD-SVM)。首先对高光谱图像进行小波阈值降噪,除去高光谱数据中的高频噪声;然后再对高光谱图像进行EMD,获得含有高光谱数据本质特征的内固模态函数(IMF)和含有低频噪声的残差;最后采用内固模态函数重构高光谱图像,并对高光谱图像进行SVM分类。将其应用到AVIRIS数据92AV3C,仿真结果表明该算法不仅提高了高光谱图像分类精度,同时可减少支持向量数目,以提高高光谱图像分类速度。     

基于支持向量机的无参考遥感图像质量评价方法

针对遥感图像主观评价方法的低效率以及常用客观评价方法无法充分考虑人眼对图像的感知特性的问题,文章提出了一种基于支持向量机的无参考遥感图像质量（quality）评价方法。首先建立遥感图像主观评价库,然后在不需要图像失真信息的基础上,利用支持向量机（SVM）将图像的失真类型分为三类,并对每类进行单项评价,再通过加权得到遥感图像的总评分,最后将本文方法、信噪比与信息熵的评价结果回归到主观评价空间并进行对比。实验证明,文章所提方法能客观地评价遥感图像的质量,且优于信噪比和信息熵两种质量评价方法,其结果与人眼视觉感受相符。     

基于滑坡区域颜色特征模型的SVM遥感检测

滑坡区域遥感检测与识别在灾情提取、救援决策和防灾减灾等方面都有着巨大的应用前景。针对滑坡遥感检测中目标颜色特征化模型不准确,对滑坡区域检测识别效果不够理想等问题,提出一种基于滑坡区域颜色特征模型的支持向量机(supportvectormachine,SVM)遥感检测方法。根据光谱学和色度学的基本理论,建立滑坡区域红绿蓝特征获取方法,以多光谱图像为基础,通过典型样本分析,确立目标/背景颜色特征化数字模型和有效边界。将该模型生成训练样本用于滑坡区域SVM检测模型训练,再将训练好的分类器用于滑坡区域的检测识别,在此基础上根据滑坡基础形状模型的轴向长宽比、面积参数和不变矩等典型形状特征指标对滑坡区域进行目标精确分类与识别。利用九寨沟地震后获取多光谱遥感图像进行了滑坡区域检测识别效果对比试验,试验结果表明,该方法能有效识别遥感图像中的滑坡样本点,对滑坡区域的识别精度由传统方法的90%左右提高到97.03%。     

基于支持向量机的飞行器气动模型近似方法

针对飞行器总体快速设计需求,研究了基于支持向量机的气动模型近似方法。通过正交试验设计方法,获取飞行器气动模型的输入输出样本,训练以径向基核函数为基函数的支持向量机,完成飞行器气动模型近似建模。以某飞行器为应用对象开展了实例验证,结果表明该方法能够保证气动模型的精度要求,提高了计算效率,符合总体方案快速设计需求。     

基于Contourlet变换和支持向量聚类的遥感图像融合方法

Contourlet变换作为新的多尺度分析方法比小波变换更适合分析二维图像的边缘特征,而支持向量聚类算法所获得的聚类效果不受聚类形状限制,也勿需预先给定聚类数目等参数。据此提出了一种基于Contourlet变换和支持向量聚类的遥感图像融合方法。首先对源图像进行Contourlet变换,再对其高频系数利用支持向量聚类进行融合,最后进行图像重构得到融合结果。给出了实验结果,采用均方差、信噪比、信息熵、空间频率、清晰度和相关系数等评价指标对融合效果进行了定量评价,并与加权平均法、现有的基于Contourlet变换的图像融合方法以及基于支持向量聚类的图像融合方法进行了比较。结果表明提出的基于Contourlet变换和支持向量聚类的遥感图像融合方法能取得更优越的融合效果。
     

一种基于模拟退火的支持向量机超参数优化算法

基于统计学习理论的支持向量机技术以探求小样本情况下如何获得更好的机器学习规律而见长,与基于经验风险最小化原则的机器学习方法相比能够获得更佳的泛化能力,相关超参数的选择对其分类或回归性能有较大影响.针对径向基核支持向量机超参数优化问题,提出了一种改进的基于模拟退火算法的高效多目标优化算法,并详细讨论了优化寻优过程中搜索空间、初始可行解、初温和最优目标函数的设计方法.通过在多个标准数据集上的测试验证,证实了本文所提算法的可行性和有效性.     

基于特征融合的雷达信号脉内调制类型识别

针对雷达信号脉内调制识别算法准确率低的问题,提出基于特征融合的雷达脉内调制类型识别方法,该方法首先提取雷达信号时频图像的形状特征和纹理特征,利用改进的主成分分析法（IPCA）对特征进行融合,然后将融合特征输入支持向量机（SVM）,实现信号的分类识别。仿真实验中对8种常见的不同调制类型的雷达信号进行识别,该算法在信噪比为5dB时识别准确率接近100％,验证了该方法的有效性。     

支持向量机用于液体火箭发动机的故障诊断

支持向量机（Support Vector Machine,简称SVM）是一种基于机器学习的模式分类算法,其在解决小样本、非线性及高维模式识别等问题中都表现出许多特有的优势。用SVM对液体火箭发动机的故障数据进行检测和诊断。通过对发动机仿真模型的9种故障数据的学习,能检测出18组故障数据中的17组,但有4组出现误报,对误报故障进行二次学习和再检测,能对这4种故障正确检测。经过对C75试车4种故障数据的学习,能正确检测其故障类型,进一步验证了该方法的正确性和可行性。     

航天器单层板结构弹道极限的支持向量机预测模型

提出了一种基于非线性不可分支持向量机（SVM）方法的航天器单层板结构弹道极限预测模型。利用实验数据对SVM进行训练,建立穿透点和未穿透点的分隔面,进而预测新结构弹道极限特性。SVM的训练问题是以实验点分类正确性为约束,预测置信度最大化为目标的二次规划问题,用Lagrange对偶方法有效求解了该训练问题,并通过附加Lagrange乘子的上限约束处理不可分数据集。引入二次核函数将线性SVM推广到非线性,有效实现了实验点的分类。利用超高速碰撞实验数据对SVM弹道极限预测模型进行了验证,计算对比表明SVM方法有效预测了弹道极限,并且精度高于NASA JSC单层板弹道极限方程。对分离面方程分离变量,建立了基于SVM的弹道极限方程显式表达式。     

基于三维卷积残差网络的无人机高光谱岩性分类

岩性识别和分类是地质学、资源勘查等不可或缺的环节,高光谱遥感的兴起为岩性识别提供新的思路。利用机器学习挖掘岩石高光谱图像中的信息从而准确识别岩性,这具有重要的应用价值。目前用机器学习的方法实现岩石的高光谱影像分类研究中,缺少对空间和光谱信息的充分利用,因此本文使用了一种加入注意力机制的三维卷积残差网络结构,能够有效提取岩石高光谱图像的空间、光谱特征以及空谱联合特征。本实验利用无人机搭载高光谱传感器采集了10种不同类型的岩石样本影像,应用该算法对岩石高光谱图像进行分类。实验结果表明：该算法与传统机器学习算法SVM、RF和深度学习算法ResNet、3D CNN和SSRN相比具有更高的精度。     

基于多层次特征的高分影像海岸带地物分类

针对高分辨率影像地物光谱丰富复杂的问题，文章提出了一种结合像元-对象-空间格局特征的水域、盐田等海岸带精细地物分类方法。首先基于像元和空间格局特征分别利用遗传算法优化随机森林参数进行分类；其次将两种分类结果采用D-S证据理论融合；然后基于不同地物斑块的空间上下文信息，采用粒子群算法优化支持向量机（Support Vector Machine，SVM）参数实现面向对象的二次分类。为验证方法的有效性，收集山东省莱州湾海岸带附近区域的“高分二号”卫星影像，开展了水域及水利设施用地、盐田、工矿用地、交通运输用地、住宅用地、沿海滩涂、海域与耕地8类地物的分类实验，总体精度达到97.21%，Kappa系数为0.964 2。实验结果表明，文章提出的高分影像海岸带地物分类方法兼顾像元、对象及空间格局特征优点，能够实现多层次细致分类，并同时兼具较短的训练时长与较高的分类精度。该研究成果可为中国海岸带生态环境监测与土地利用规划提供一定技术支撑。     

基于支持向量回归与多核集成的红外成像导引头抗干扰性能评估方法

面对着日益复杂的对抗环境,红外成像导引头的抗干扰性能需要不断提高。如何全面、客观、准确地对红外成像导引头的抗干扰性能进行评估,是一项急需解决的难题。针对传统基于支持向量机的评估方法中单核学习能力的不足,提出了一种基于支持向量回归与多核集成的评估方法,该方法在抗干扰评估指标体系下得到了综合的抗干扰性能值,为红外成像导引头抗干扰性能评估提供了新的思路。该方法能够训练多个支持向量回归机并融合多个核函数的优势,充分利用了特征的多样性,进一步降低了回归误差。实验结果表明:该算法能够实现高效可靠的红外成像导引头抗干扰性能评估。     

基于复数域Transformer-Unet混合模型的PolSAR地物分类

传统的基于深度学习的极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）地物分类方法,通过堆叠卷积层提取图像局部特征,难以建立长距离依赖关系。基于自注意力机制的深度学习模型Transformer（变换）在图像分类任务中取得了成功,其自注意力机制能够捕获全局像素之间的关联性,同时PolSAR地物分类任务被证实：相比于实数域,其在复数域上表现出更好的分类效果。因此,本文将Transformer引入到复数域中,提出了一种基于复数域的Transformer和Unet（语义分割网络）混合模型（CT-Unet）用于PolSAR地物分类,将Transformer与CNN相结合,对复数类型的PolSAR数据进行特征提取,使用西安数据集和德国数据集进行PolSAR地物分类的实验结果表明：提出的模型能够有效提高PolSAR地物分类的准确性,Transformer有望在PolSAR地物分类任务中弥补卷积神经网络的不足。     

基于高光谱和LiDAR的黄河口湿地植被分类方法

利用无人机（Unmanned Aerial Vehicle, UAV）高光谱影像（Hyper-spectral Imaging, HSI）和激光雷达（Light Detection and Ranging, LiDAR）数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强,以及LiDAR点云密度不均匀,分类结果呈现出“椒盐”现象。为了解决这些问题,本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络（SSF-C-DBCNN）。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息,从而减轻LiDAR点云密度不均匀对结果的影响。最后,在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证,结果表明,本文提出方法的性能优于随机森林和五种深度学习方法,分类结果更为贴合实际土地覆盖,有效地抑制了“椒盐”现象。     

改进布谷鸟搜索算法优化支持向量机的MEMS陀螺温度零偏补偿

针对微机械陀螺零偏受温度影响较大的问题,提出一种改进布谷鸟搜索算法(CS)和支持向量机(SVM)相结合的陀螺零偏温度补偿方法。首先,将平滑处理后的陀螺数据作为样本点,采用基于径向基核函数的支持向量机方法构建漂移模型,把数据从低维空间映射到高维空间进行线性拟合。然后,利用改进布谷鸟算法对支持向量机的惩罚参数、核函数参数以及不敏感系数进行优化,避免了人为选择参数的盲目性且提高了建立模型的精度。实验结果表明：经CS调节支持向量机算法补偿后,陀螺输出精度更高。与最小二乘分段拟合方法、BP神经网络方法相比,陀螺输出数据方差分别平均减小了63.2%、43.4%,最大误差分别平均减小71.63%、48.3%。     

一种新的导航星选取算法研究

在导航星表的建立过程中，由于恒星的数量太多，往往要进行筛选，通常这种选择复杂费时，而结果往往并不是最优的。本文引入了动态星等阈值分布函数，将传统星等阈值过滤算法中的静态阈值用动态星等阈值代替，建立了一种新的动态星等阈值过滤选择模式。而基于统计学习理论的支持向量机方法为求解高维非线性动态星等阈值分布函数提供了新的途径。本文讨论了这种基于支持向量机的导航星自动选择算法——回归选取算法。实验表明，用该算法所选取的导航星表，导航星数量少、分布均匀性好。同时它还能适应多种任务的导航星选取要求，具有很强的通用性。