合成孔徑雷達是一種同時具備精度高分辨率、全天候、穿透能力強等一系列優(yōu)點的成像雷達。隨著技術(shù)的快速發(fā)展,SAR圖像包含的信息量越來越多,高維的數(shù)據(jù)處理成為圖像處理過程中的一大重點。數(shù)據(jù)降維技術(shù)是圖像數(shù)據(jù)的特征提取過程中的關(guān)鍵技術(shù),由于SAR圖像的每一個數(shù)據(jù)都是一個高維的數(shù)據(jù)集,這種情況通常會導(dǎo)致無法預(yù)料的“維數(shù)災(zāi)難”問題。為了更好地解決維數(shù)對數(shù)據(jù)處理產(chǎn)生影響的問題,在對原始數(shù)據(jù)進行各種處理時就必須要對高維數(shù)據(jù)集進行數(shù)據(jù)降維,這是非常重要的一個步驟。流形學(xué)習作為一種機器學(xué)習方法,在數(shù)據(jù)可視化,人工智能,人臉識別以及圖形圖像檢索領(lǐng)域被廣泛應(yīng)用;同時,它也是一種降維方法。本文結(jié)合SAR圖像的特征以及流形學(xué)習方法的研究現(xiàn)狀,從算法的應(yīng)用和改進方面展開一系列工作,主要研究工作及研究內(nèi)容總結(jié)如下:（1）結(jié)合傳統(tǒng)的數(shù)據(jù)降維方法,對兩種經(jīng)典的局部流形學(xué)習方法進行研究并改進,對算法的實現(xiàn)過程,推導(dǎo)原理以及算法時間復(fù)雜度進行分析比較。（2）在拉普拉斯映射方法的基礎(chǔ)上引入隨機過程的概念,并將局部線性嵌入方法與隨機拉普拉斯映射方法進行函數(shù)融合,盡可能地保留數(shù)據(jù)集的原始幾何結(jié)構(gòu),將算法應(yīng)用于MSTAR數(shù)據(jù)集并通過... 

【文章來源】：中北大學(xué)山西省

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【部分圖文】：

降維算法分類Figure2-1Dimensionreductionmethodclassification

采用拉格朗日乘子法，則有( ) ( )( )2 2 0T TL Y Y MY YY NIL YMY YYMY Y （2-43）為了達到損失函數(shù)值最小的目的，需要取Y 為 M 矩陣的最小 m 個非零特征值所對應(yīng)的特征向量，將 M 矩陣的特征值從小到大排列，在實際情況中第一個特征值都幾乎接近于零，所以通常舍去零特征值，取特征值2 3 1, ,...,m 對應(yīng)的特征向量作為輸出結(jié)果。LLE 方法的流程步驟如圖 2-2 所示[48,49]。

中北大學(xué)學(xué)位論文20圖2-3LLE算法結(jié)果Figure2-3TheresultofLLE用流形學(xué)習算法解決雷達目標的識別問題，旨在研究出更為高效的雷達目標識別算法，以解實際問題。在此之前，已經(jīng)有很多學(xué)者在這方面做過研究，這些研究中大部分都是采用傳統(tǒng)的目標識別方法，即首先提取圖像特征，然后對特征進行分類，最后達到目標識別的目的。然而，圖像的特征提取是一個非常復(fù)雜的過程，是公認的難題之一。本文的目標是選擇合適的算法和數(shù)據(jù)庫，避免復(fù)雜的特征提取過程，使得識別精度超過或達到與其他算法相近的水平。2.3.2拉普拉斯特征映射拉普拉斯特征映射（LaplacianEigenmaps,LE）[45]看問題的角度和LLE十分相似。它們構(gòu)建數(shù)據(jù)之間的關(guān)系時都運用了圖的思想。圖中的每個頂點都代表一個樣本點，每一條邊權(quán)重代表數(shù)據(jù)點之間的相似程度，越相似則表示數(shù)據(jù)點之間的權(quán)值越大。同時它們都假設(shè)數(shù)據(jù)內(nèi)部具有局部結(jié)構(gòu)性質(zhì)。LE方法假設(shè)每一個樣本點只和與它距離最近的一些點相似，再遠一些的數(shù)據(jù)點的相似程度為0，降維后原始數(shù)據(jù)中相近的點也要對應(yīng)的保持相近的關(guān)系。而LLE方法則是假設(shè)每一個數(shù)據(jù)點周圍鄰域內(nèi)確定數(shù)據(jù)點的線性組合可以近似的表示該數(shù)據(jù)點，并且降維后這個線性關(guān)系也要盡可能地保持不變。拉普拉斯特征映射方法的步驟如下：假設(shè)數(shù)據(jù)集12,,...,,dniXxxxxR是dR空間上的離散數(shù)據(jù)采樣，可以構(gòu)造一個有n個頂點的加權(quán)鄰域圖，每一個頂點都有相對對應(yīng)的樣本點，它的邊權(quán)重集合可以充分反映各樣本點之間的位置關(guān)系和相似程度，接著通過計算該鄰域圖的Laplacian矩陣的特征向量，就可以得到高維空間在低維空間中的嵌入映射。步驟1構(gòu)造鄰域圖。同LLE算法相同，可以使用k階鄰域法：通過樣本數(shù)據(jù)集X確

【參考文獻】：
期刊論文
[1]局部流形學(xué)習在SAR目標分類中的應(yīng)用[J]. 李鑫,續(xù)婷,胡紅萍,杜敦偉,白艷萍.  現(xiàn)代雷達. 2020(04)
[2]稀疏回歸和流形學(xué)習的無監(jiān)督特征選擇算法[J]. 周婉瑩,馬盈倉,鄭毅,楊小飛.  計算機應(yīng)用研究. 2020(09)
[3]一種面向圖像分類的流形學(xué)習降維算法[J]. 劉開南,馮新?lián)P,邵超.  計算機應(yīng)用與軟件. 2019(08)
[4]基于數(shù)據(jù)擴維的SAR目標識別性能提升技術(shù)[J]. 羅震宇,于俊朋,劉振華.  現(xiàn)代雷達. 2019(05)
[5]基于KNN的合成孔徑雷達目標識別[J]. 郝巖,白艷萍,張校非.  火力與指揮控制. 2018(09)
[6]多流形LE算法在高光譜圖像降維和分類上的應(yīng)用[J]. 吳東洋,馬麗.  國土資源遙感. 2018(02)
[7]卷積神經(jīng)網(wǎng)絡(luò)在SAR目標識別中的應(yīng)用[J]. 郝巖,白艷萍,張校非,杜敦偉.  重慶理工大學(xué)學(xué)報(自然科學(xué)). 2018(05)
[8]改進的多流形LLE學(xué)習算法[J]. 曹中義,吉根林,談超.  計算機工程與應(yīng)用. 2018(24)
[9]基于推廣流形學(xué)習的高分辨遙感影像目標分類[J]. 郭亞寧,林偉,潘泉,趙春暉,胡勁文,馬娟娟.  自動化學(xué)報. 2019(04)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習的SAR圖像目標分類[J]. 劉晨,曲長文,周強,李智,李健偉.  現(xiàn)代雷達. 2018(03)

碩士論文
[1]基于流形學(xué)習的降維算法及其在人臉識別中的應(yīng)用[D]. 張悅.遼寧師范大學(xué) 2019
[2]基于流形學(xué)習的SAR目標識別[D]. 謝加美.電子科技大學(xué) 2017
[3]基于核學(xué)習的SAR圖像分類算法研究[D]. 孫晰銳.大連理工大學(xué) 2012
[4]基于流形學(xué)習的SAR自動目標識別方法研究[D]. 王濤.電子科技大學(xué) 2010
[5]流形學(xué)習方法在圖像處理中的應(yīng)用研究[D]. 朱韜.北京交通大學(xué) 2009
[6]基于投影特征的SAR自動目標識別技術(shù)研究[D]. 韓征.中國民航大學(xué) 2009



本文編號：3059087