2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩149頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、隨著現(xiàn)代戰(zhàn)爭信息化和智能化水平的提高,雷達自動目標(biāo)識別(RATR)技術(shù)受到廣泛關(guān)注。雷達高分辨距離像(HRRP)是用寬帶雷達信號獲取的目標(biāo)散射點子回波在雷達視線上投影的向量和。HRRP包含了對目標(biāo)分類和識別十分有價值的結(jié)構(gòu)信息,如目標(biāo)的徑向尺寸、散射點分布等,而具有且易于獲取、存儲和處理等優(yōu)點。因此基于HRRP的雷達自動目標(biāo)識方法成為該領(lǐng)域研究的熱點。本論文主要圍繞國防預(yù)研與國家自然科學(xué)基金等相關(guān)項目,從多分類器融合識別與拒判、最大間隔

2、監(jiān)督學(xué)習(xí)理論、貝葉斯非參數(shù)技術(shù)應(yīng)用等方面展開相關(guān)的理論技術(shù)研究。
  論文主要研究內(nèi)容概括如下:
  1.針對雷達目標(biāo)的識別和拒判問題,構(gòu)造了一種將分類器的輸出通過最近鄰分類器進行拒判和識別的“分類器-最近鄰”系統(tǒng)。由于雷達自動目標(biāo)識別中存在庫外目標(biāo),評價RATR系統(tǒng)性能時應(yīng)綜合考慮其識別和拒判性能。鑒于多分類器融合技術(shù)的成功,我們進一步將多分類器融合技術(shù)分別應(yīng)用到分類器-最近鄰系統(tǒng)的識別和拒判兩個階段,提出了基于多分類器融

3、合的目標(biāo)識別和拒判系統(tǒng)。同時定義了一種衡量系統(tǒng)綜合性能的代價函數(shù),以確定系統(tǒng)拒判工作點?;诙喾诸惼魅诤系哪繕?biāo)識別和拒判系統(tǒng)可以充分發(fā)揮不同特征、不同分類器的優(yōu)勢,從而提高整個RATR系統(tǒng)的識別和拒判性能。
  2.針對雷達數(shù)據(jù)維度過高、存在冗余信息的問題,提出了兩種最大間隔特征提?。〝?shù)據(jù)降維)模型——最大間隔因子分析(MMFA)模型與最大間隔 Beta過程因子分析(MMBPFA)模型,并基于這兩個模型提出了一種目標(biāo)識別與拒判框架

4、。因子分析(FA)模型是一種生成模型,可以描述數(shù)據(jù)在低維隱空間的信息,因而常被用于數(shù)據(jù)的降維、特征提取。然而FA模型為非監(jiān)督模型,其所提取樣本的低維空間特征并不一定與后端的分類任務(wù)匹配。為了提升FA模型所提特征的可分性,MMFA模型將 FA模型所提取低維隱變量(特征)作為隱變量支撐向量機(LVSVM)分類器的輸入,在模型求解過程中將LVSVM分類器與FA模型聯(lián)合學(xué)習(xí)。由于在最大間隔準則約束下學(xué)習(xí)FA模型的低維特征,MMFA模型在一定程度

5、上保證了各類數(shù)據(jù)在低維子空間的可分性。進一步地,為了解決 MMFA模型中的模型選擇問題,將Bernoulli-Beta先驗引入到MMFA模型中并提出了MMBPFA模型。在LVSVM分類器與非參數(shù)貝葉斯技術(shù)的聯(lián)合作用下,MMBPFA可以提取并選擇出更適合于分類任務(wù)的低維隱特征。得益于FA模型良好的數(shù)據(jù)描述能力,MMFA和MMBPFA可以實現(xiàn)庫外目標(biāo)的拒判任務(wù)。
  3.目標(biāo)識別中,對于樣本數(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

6、訓(xùn)練一個單一的分類器,會增加分類器的訓(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訓(xùn)練樣本子集,并在每個子集上單獨訓(xùn)練分類器。但是傳統(tǒng)ME系統(tǒng)需要人為確定專家個數(shù),并且每個子集的學(xué)習(xí)獨立于后端的任務(wù),如分類。因此我們提出一種基于Dirichlet過程隱變量SVM模型(dpLVSVM)的目標(biāo)識別算法,該模型采用Dirichlet過程混合模型自動確定樣本聚類個數(shù),同時每個聚類中

7、使用線性隱變量SVM進行分類。不同于傳統(tǒng)算法,dpLVSVM將聚類過程和分類器的訓(xùn)練過程聯(lián)合優(yōu)化,保證了各個子集中樣本的分布上的一致性和可分性。由于整個模型為全共軛的,通過Gibbs采樣技術(shù)可以對模型參數(shù)進行簡便有效的估計。
  4. MMFA模型過于簡單而無法處理多模分布數(shù)據(jù)。dpLVSVM等無限混合專家模型雖然能夠處理復(fù)雜分布數(shù)據(jù),但這些模型均在原始數(shù)據(jù)空間建模,容易面臨“維數(shù)災(zāi)難”問題。HRRP是一種典型的高維、多模數(shù)據(jù)。針

8、對此問題我們結(jié)合MMFA模型與dpLVSVM模型提出了無限最大間隔因子分析(iMMFA)模型。iMMFA模型采用FA模型提取數(shù)據(jù)的低維特征,并采用Dirichlet混合模型對低維特征進行聚類來充分挖掘數(shù)據(jù)的內(nèi)在結(jié)構(gòu),同時在每個聚類上學(xué)習(xí)簡單的線性分類器來實現(xiàn)全局的非線性分類。進一步地,為了解決iMMFA模型中的因子個數(shù)選擇問題,本章將非參數(shù)貝葉斯技術(shù)引入到iMMFA模型中并提出了iMMBPFA模型。兩個模型將數(shù)據(jù)降維、聚類以及分類器設(shè)計

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論