發(fā)布時間：2018-11-10 22:27

【摘要】：隨著社會發(fā)展,海洋空間對人類變得愈發(fā)重要,對新的水下目標自動識別系統(tǒng)的需求也愈發(fā)迫切。在水下目標自動識別系統(tǒng)的構(gòu)建過程中,提取到的特征含有很多冗余特征、不相關特征和噪聲特征,影響系統(tǒng)工作效率,降低了分類識別正確率。為此,本文提出一種新的用于水下目標識別的特征選擇算法——基于圖學習的無監(jiān)督特征選擇算法(Unsupervised Feature Selection Algorithm Based on Graph Learning,UFSGL)。該算法通過同時進行轉(zhuǎn)換矩陣優(yōu)化和圖學習來優(yōu)化算法框架,并用正則化方法優(yōu)化加權圖中邊的光滑度,最后對轉(zhuǎn)換矩陣進行稀疏化從而進行特征選擇。使用UCI數(shù)據(jù)庫的sonar數(shù)據(jù)集對算法性能進行驗證,結(jié)果證明,UFSGL算法能夠有效減少特征子集中的特征個數(shù),并在一定程度上提高分類識別正確率。
[Abstract]:With the development of society, ocean space becomes more and more important to human beings, and the need for new underwater target recognition system becomes more and more urgent. In the process of constructing automatic underwater target recognition system, the extracted features contain many redundant features, irrelevant features and noise features, which affect the working efficiency of the system and reduce the accuracy of classification and recognition. In this paper, a new feature selection algorithm based on graph learning (Unsupervised Feature Selection Algorithm Based on Graph Learning,UFSGL) is proposed for underwater target recognition. The algorithm optimizes the algorithm framework by simultaneous optimization of the transformation matrix and graph learning, and optimizes the edge smoothness of the weighted graph by regularization method. Finally, the transformation matrix is sparse and the feature selection is carried out. The performance of the algorithm is verified by using the sonar data set of UCI database. The results show that the UFSGL algorithm can effectively reduce the number of features in the feature subsets and improve the accuracy of classification and recognition to a certain extent.
【作者單位】： 西北工業(yè)大學航海學院;
【基金】：中國船舶系統(tǒng)工程研究院水聲對抗國防科技重點實驗室基金資助項目
【分類號】：TP301.6

【相似文獻】

相關期刊論文 前10條

1 韓艷春;李智蘭;曾憲文;;目標識別與分類方法[J];軍事通信技術;2003年01期

2 楊建勛,史朝輝;基于模糊綜合函數(shù)的目標識別融合算法研究[J];火控雷達技術;2004年04期

3 李彥鵬,施福忠,黎湘,莊釗文;基于模糊綜合評判的目標識別效果評估[J];計算機應用研究;2005年03期

4 左崢嶸,張?zhí)煨?集成證據(jù)提高目標識別性能的方法研究[J];華中科技大學學報(自然科學版);2005年03期

5 李彥鵬,黎湘,莊釗文;一種應用模糊聚類分析的目標識別效果評估方法[J];電子對抗技術;2005年03期

6 蓋明久;呂世良;時寶;;一種概率更新方法及在目標識別中的應用[J];海軍航空工程學院學報;2006年05期

7 張平定;王海軍;王睿;;一種基于聚類思想的目標識別新方法[J];空軍工程大學學報(自然科學版);2006年02期

8 黃瑤;熊和金;;目標識別的灰關聯(lián)方法研究[J];湖南農(nóng)業(yè)大學學報(自然科學版);2009年S1期

9 王丹;韓惠蕊;田淞;臧雪柏;宋炳強;;基于tree part-based模型的目標識別和定位[J];吉林大學學報(工學版);2012年S1期

10 ;用于圖象目標識別的神經(jīng)網(wǎng)絡方法[J];電腦開發(fā)與應用;1995年02期

相關會議論文 前10條

1 鄭援;胡成軍;;基于數(shù)據(jù)融合的魚雷目標識別[A];第十四屆全國信號處理學術年會(CCSP-2009)論文集[C];2009年

2 李夕海;趙克;慕曉冬;劉代志;;目標識別中的特征相空間吸引子分析[A];第十屆全國信號處理學術年會（CCSP-2001）論文集[C];2001年

3 馮杰;蓋強;古軍峰;;模糊聚類分析方法在海上目標識別中的應用[A];第二屆全國信息獲取與處理學術會議論文集[C];2004年

4 趙克;劉代志;慕曉東;蘇娟;;目標識別的特征量約束[A];第九屆全國信號處理學術年會（CCSP-99）論文集[C];1999年

5 李正東;陳興無;宋琛;何武良;;多傳感器的目標識別[A];中國工程物理研究院科技年報（1999）[C];1999年

6 俞鴻波;趙榮椿;;三維空間目標識別概述[A];信號與信息處理技術——第一屆信號與信息處理聯(lián)合學術會議論文集[C];2002年

7 曹健;陳紅倩;毛典輝;李海生;蔡強;;基于局部特征的圖像目標識別問題綜述[A];2013年中國智能自動化學術會議論文集（第五分冊）[C];2013年

8 甄超;鄭濤;許潔萍;;音樂流派分類中特征選擇算法研究[A];第18屆全國多媒體學術會議（NCMT2009）、第5屆全國人機交互學術會議（CHCI2009）、第5屆全國普適計算學術會議（PCC2009）論文集[C];2009年

9 姚志軍;韓秋蕾;;一種新的基于少量樣本的目標識別與分割方法[A];第九屆全國信息獲取與處理學術會議論文集Ⅱ[C];2011年

10 劉兵;司秉玉;;基于圖像區(qū)域搜索法的彩色球目標識別與跟蹤[A];中國儀器儀表學會第五屆青年學術會議論文集[C];2003年

相關博士學位論文 前10條

1 韓靜;基于仿生視覺模型和復雜信息學習的多光譜夜視目標識別技術[D];南京理工大學;2014年

2 黃璇;多源引導信息融合及其關鍵技術研究[D];中國科學院研究生院(長春光學精密機械與物理研究所);2016年

3 舒銳;衛(wèi)星目標識別與特征參數(shù)提取方法研究[D];哈爾濱工業(yè)大學;2010年

4 賈宇平;基于信任函數(shù)理論的融合目標識別研究[D];國防科學技術大學;2009年

5 李云;特征選擇算法及其在基于內(nèi)容圖像檢索中的應用研究[D];重慶大學;2005年

6 張祥合;復雜場景中目標識別與分類的仿生原理和方法[D];吉林大學;2012年

7 劉華文;基于信息熵的特征選擇算法研究[D];吉林大學;2010年

8 張靖;面向高維小樣本數(shù)據(jù)的分類特征選擇算法研究[D];合肥工業(yè)大學;2014年

9 王海羅;基于視覺感知的無人機目標識別與跟蹤技術研究[D];北京理工大學;2015年

10 王寅同;無監(jiān)督與半監(jiān)督降維相關問題研究[D];南京航空航天大學;2016年

相關碩士學位論文 前10條

1 許俊峰;基于模型的任意視點下三維目標識別研究[D];南京航空航天大學;2015年

2 王玉君;基于遠紅外熱像儀的地面機動目標識別[D];沈陽理工大學;2015年

3 周偉峰;基于神經(jīng)網(wǎng)絡的單目機器人目標識別定位研究[D];安徽工程大學;2015年

4 王翔;基于局部神經(jīng)反應的目標識別研究[D];華中師范大學;2015年

5 劉巍;基于非均勻采樣圖像的目標識別與跟蹤算法研究[D];北京理工大學;2015年

6 程子倫;基于ARM嵌入式平臺的視頻目標識別與跟蹤系統(tǒng)的研究與實現(xiàn)[D];河北科技大學;2015年

7 李元偉;面向智能交通的目標識別關鍵技術研究[D];國防科學技術大學;2013年

8 張偉鵬;利用UWB信號對森林中入侵目標識別的研究[D];北京郵電大學;2015年

9 孔思維;基于目標識別的運動棒材在線計數(shù)[D];濟南大學;2015年

10 降小龍;基于語義結(jié)構(gòu)和視覺焦點的場景目標識別[D];中北大學;2016年

，

本文編號：2323731