由于在利用原有方法進行SAR圖像艦船檢測數(shù)據(jù)挖掘時,受噪聲較大的影響而無法進行艦船檢測數(shù)據(jù)特征提取,在觀測距離為500～1 300 m的范圍內(nèi),存在特征提取率較低的問題,因此提出一種大數(shù)據(jù)分析下的SAR圖像艦船檢測數(shù)據(jù)挖掘方法�；诖髷�(shù)據(jù)分析,通過5個步驟對SAR圖像數(shù)據(jù)實施規(guī)范化處理,包括分析SAR圖像數(shù)據(jù)、對工作流與轉(zhuǎn)換規(guī)則進行定義、驗證SAR圖像數(shù)據(jù)、規(guī)范化處理執(zhí)行以及回流干凈數(shù)據(jù)。通過經(jīng)驗?zāi)B(tài)分解法實施艦船檢測數(shù)據(jù)特征提取。通過LIBSVM開發(fā)包構(gòu)建支持向量機數(shù)據(jù)挖掘模型,實現(xiàn)SAR圖像艦船檢測數(shù)據(jù)挖掘。為證明該方法的特征提取率更高,在觀測距離為500～1 300 m的范圍內(nèi)進行該方法與原有方法的對比實驗,實驗結(jié)果證明該方法的特征提取率高于其他方法,實現(xiàn)了挖掘性能的提升。 

【文章頁數(shù)】：3 頁

【部分圖文】：

艦船目標示意圖Fig.1Schematicdiagramofshiptarget

特征提取率實驗數(shù)據(jù)Fig.2Experimentaldataoffeatureextractionrate

特征提取率實驗數(shù)據(jù)Fig.3Experimentaldataoffeatureextractionrate

【參考文獻】：
期刊論文
[1]帶鑒別分析的多視角SAR圖像聯(lián)合決策及目標識別[J]. 蔡德饒,宋愈珍.  中國電子科學研究院學報. 2019(01)
[2]大數(shù)據(jù)定將改變地質(zhì)——向讀者推薦《地球科學大數(shù)據(jù)挖掘與機器學習》[J]. 翟明國.  礦物巖石地球化學通報. 2018(06)
[3]基于社交大數(shù)據(jù)挖掘的城市災(zāi)害分析——紐約市桑迪颶風的案例[J]. 王森,肖渝,黃群英,張純.  國際城市規(guī)劃. 2018(04)
[4]基于頻譜殘差視覺顯著計算的高分辨SAR圖像艦船檢測算法[J]. 熊偉,徐永力,姚力波,崔亞奇,李岳峰.  電光與控制. 2018(04)



本文編號：3656241