本文選題：目標(biāo)識(shí)別　切入點(diǎn)：混合專家系統(tǒng)　出處：《電子與信息學(xué)報(bào)》2015年01期

【摘要】：在目標(biāo)識(shí)別中,對(duì)于樣本數(shù)較多且分布復(fù)雜的數(shù)據(jù),若將所有訓(xùn)練樣本用來(lái)訓(xùn)練一個(gè)單一的分類器,會(huì)增加分類器的訓(xùn)練復(fù)雜度,且容易忽視樣本的內(nèi)在結(jié)構(gòu),不利于分類。因此人們提出了混合專家系統(tǒng)(ME),即將訓(xùn)練樣本集劃分為多個(gè)訓(xùn)練樣本子集,并在每個(gè)子集上單獨(dú)訓(xùn)練分類器。但是傳統(tǒng)ME系統(tǒng)需要人為確定專家個(gè)數(shù),并且每個(gè)子集的學(xué)習(xí)獨(dú)立于后端的任務(wù),如分類。該文提出一種基于Dirichlet過(guò)程(DP)混合隱變量(LV)支持向量機(jī)(SVM)模型(DPLVSVM)的目標(biāo)識(shí)別算法,采用DP混合模型自動(dòng)確定樣本聚類個(gè)數(shù),同時(shí)每個(gè)聚類中使用線性隱變量SVM(LVSVM)進(jìn)行分類。不同于以往算法,DPLVSVM將聚類過(guò)程和分類器的訓(xùn)練過(guò)程聯(lián)合優(yōu)化,保證了各個(gè)子集中樣本的分布上的一致性和可分性,而且可以利用Gibbs采樣技術(shù)對(duì)模型參數(shù)進(jìn)行簡(jiǎn)便有效的估計(jì)。基于人工數(shù)據(jù)集、公共數(shù)據(jù)集以及雷達(dá)實(shí)測(cè)數(shù)據(jù)的實(shí)驗(yàn)驗(yàn)證了該文方法的有效性。
[Abstract]:In target recognition, if all training samples are used to train a single classifier, the training complexity of the classifier is increased, and the intrinsic structure of the sample is easily ignored. Therefore, a hybrid expert system is proposed, that is, the training sample set is divided into several subsets of training samples, and the classifier is trained separately on each subset, but the traditional ME system needs to determine the number of experts artificially. Moreover, the learning of each subset is independent of back-end tasks, such as classification. In this paper, a target recognition algorithm based on the Dirichlet process and the mixture of hidden variables (Dirichlet) and support vector machine (SVM) model is proposed. The DPLVSVM) algorithm is used to automatically determine the number of samples by using the DP hybrid model. At the same time, each cluster is classified by using the linear hidden variable SVM- LVSVM. Different from the previous algorithm, DPLV SVM optimizes the clustering process and the training process of the classifier, which ensures the consistency and separability of the distribution of samples in each subset. Moreover, the model parameters can be easily and effectively estimated by using Gibbs sampling technology, and the effectiveness of this method is verified by experiments based on artificial data sets, common data sets and radar measured data.
【作者單位】： 西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室;
【基金】：國(guó)家自然科學(xué)基金(61372132,61271024,61322103) 新世紀(jì)優(yōu)秀人才支持計(jì)劃(NCET-13-0945) 全國(guó)優(yōu)秀博士學(xué)位論文作者專項(xiàng)資金(FANEDD-201156) 中央高�；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助課題
【分類號(hào)】：TN957.52;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李彥鵬,黎湘,莊釗文,梁甸農(nóng);應(yīng)用多級(jí)模糊綜合評(píng)判的目標(biāo)識(shí)別效果評(píng)估[J];信號(hào)處理;2005年05期

2 R.B.Dybdal ,于霆;毫米波雷達(dá)在空間目標(biāo)識(shí)別中的應(yīng)用[J];系統(tǒng)工程與電子技術(shù);1980年09期

3 E.DalleMese ,A.Cantoni ,許小劍;雷達(dá)目標(biāo)識(shí)別[J];系統(tǒng)工程與電子技術(shù);1985年11期

4 郭桂蓉,郁文賢,胡步法;一種有效的艦船目標(biāo)識(shí)別新方法[J];系統(tǒng)工程與電子技術(shù);1990年06期

5 呂超全;;多目標(biāo)抑制與目標(biāo)識(shí)別[J];光學(xué)工程;1983年06期

6 季秀霞;卞曉曉;;基于壓縮感知的合成孔徑雷達(dá)圖像目標(biāo)識(shí)別[J];計(jì)算機(jī)應(yīng)用與軟件;2013年12期

7 龔彬;王福豹;趙玉輝;;一種面向目標(biāo)識(shí)別的分布式臨時(shí)簇構(gòu)建算法[J];計(jì)算機(jī)測(cè)量與控制;2008年11期

8 許小劍,黃培康;利用RCS幅度信息進(jìn)行雷達(dá)目標(biāo)識(shí)別[J];系統(tǒng)工程與電子技術(shù);1992年06期

9 肖順平，王雪松，郭桂蓉，，莊釗文，曾勇虎;基于極化譜的飛機(jī)目標(biāo)識(shí)別[J];電子學(xué)報(bào);1997年12期

10 黃為倬;;目標(biāo)識(shí)別和逆合成口徑雷達(dá)[J];現(xiàn)代雷達(dá);1988年06期

相關(guān)會(huì)議論文 前3條

1 杜志敏;蔣立輝;田峻峰;;支持向量機(jī)在決策層融合目標(biāo)識(shí)別中的應(yīng)用[A];中國(guó)電子學(xué)會(huì)第十五屆信息論學(xué)術(shù)年會(huì)暨第一屆全國(guó)網(wǎng)絡(luò)編碼學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2008年

2 楊文;孫洪;管鮑;王曉軍;;基于目標(biāo)識(shí)別的SAR圖像特征分析[A];第十一屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2003）論文集[C];2003年

3 王東;李琦;王騏;;基于特征序列相關(guān)度的相干激光雷達(dá)距離像目標(biāo)識(shí)別仿真[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

相關(guān)博士學(xué)位論文 前3條

1 李彥鵬;自動(dòng)目標(biāo)識(shí)別效果評(píng)估[D];國(guó)防科學(xué)技術(shù)大學(xué);2004年

2 張興敢;逆合成孔徑雷達(dá)成像及目標(biāo)識(shí)別[D];南京航空航天大學(xué);2002年

3 馬君國(guó);空間雷達(dá)目標(biāo)特征提取與識(shí)別方法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 王維雅;基于DSP的快速目標(biāo)識(shí)別與跟蹤技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2006年

2 何X

本文編號(hào)：1680140