傳統(tǒng)的支持向量機(jī)分類算法對(duì)訓(xùn)練樣本數(shù)目敏感且不具備增量學(xué)習(xí)的能力,而空間目標(biāo)識(shí)別的工程應(yīng)用需要積累樣本進(jìn)行大樣本的增量學(xué)習(xí)。根據(jù)樣本在特征空間分布,提取幾何意義上邊緣的樣本點(diǎn),成功約減了應(yīng)用于支持向量機(jī)學(xué)習(xí)的基于雷達(dá)散射截面統(tǒng)計(jì)特征的訓(xùn)練樣本集。利用中心距離比和特征空間多維高斯分布特性,分別提取兩類邊界樣本集和單類邊緣樣本集;再采用直推式實(shí)驗(yàn)設(shè)計(jì)方法再采樣,根據(jù)樣本潛在結(jié)構(gòu)分布信息選擇最能代表樣本集結(jié)構(gòu)分布的高價(jià)值樣本。實(shí)驗(yàn)結(jié)果表明:樣本初選算法能夠在有效約減樣本集規(guī)模的同時(shí)保持支持向量機(jī)訓(xùn)練分類的精度。 

【文章來源】：雷達(dá)科學(xué)與技術(shù). 2020,18(05)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

A樣本集的兩類邊界樣本抽取結(jié)果對(duì)比

A樣本集的兩類邊界樣本抽取結(jié)果對(duì)比

B樣本集的兩類邊界樣本抽取結(jié)果對(duì)比

【參考文獻(xiàn)】：
期刊論文
[1]基于自適應(yīng)稀疏鄰域重構(gòu)的無監(jiān)督主動(dòng)學(xué)習(xí)算法[J]. 呂巨建,趙慧民,陳榮軍,李鍵紅.  計(jì)算機(jī)科學(xué). 2018(06)
[2]一種窄帶雷達(dá)快速目標(biāo)分類方法[J]. 董會(huì)方,卞磊,楊廣平.  國外電子測(cè)量技術(shù). 2018(02)
[3]改進(jìn)的支持向量機(jī)低分辨雷達(dá)目標(biāo)分類算法[J]. 陳志仁,顧紅,蘇衛(wèi)民,王釗.  系統(tǒng)工程與電子技術(shù). 2017(11)
[4]一種基于Gabor變換的HRRP目標(biāo)識(shí)別方法[J]. 王錦章,徐冰超,任杰,楊歐,盧文良,劉先康,魏存?zhèn)?  電子科技. 2017(04)
[5]一種基于組合保留集的SVM增量學(xué)習(xí)算法[J]. 李妍坊,蘇波,劉功申.  上海交通大學(xué)學(xué)報(bào). 2016(07)
[6]一種窄帶雷達(dá)艦船目標(biāo)分類的決策方法[J]. 王曙光,田西蘭.  雷達(dá)科學(xué)與技術(shù). 2016(02)
[7]支持向量機(jī)的全局局部特征融合目標(biāo)識(shí)別[J]. 易曉柯.  雷達(dá)科學(xué)與技術(shù). 2011(02)
[8]基于中心距離比值的增量支持向量機(jī)[J]. 孔波,劉小茂,張鈞.  計(jì)算機(jī)應(yīng)用. 2006(06)
[9]一種新的支持向量機(jī)增量學(xué)習(xí)算法[J]. 曾文華,馬健.  廈門大學(xué)學(xué)報(bào)(自然科學(xué)版). 2002(06)



本文編號(hào)：3344332