基于Curvelet和快速稀疏LSSVM的目標(biāo)識(shí)別.pdf

1、如今，核機(jī)器學(xué)習(xí)已經(jīng)擴(kuò)展到眾多學(xué)科和領(lǐng)域，并起到越來越重要的作用。在過去的這些年中，數(shù)據(jù)的規(guī)模越來越大，從而也導(dǎo)致了核機(jī)器學(xué)習(xí)算法的計(jì)算復(fù)雜度也越來越高，因此稀疏核機(jī)器學(xué)習(xí)機(jī)的研究受到了人們的關(guān)注。合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)是近幾年來發(fā)展起來的一個(gè)重要的新型學(xué)科，SAR目標(biāo)識(shí)別是SAR圖像解譯和分析的重要組成部分，是國內(nèi)外SAR圖像處理和模式識(shí)別領(lǐng)域的研究熱點(diǎn)。本論文以SAR圖像目標(biāo)識(shí)別為背

2、景，結(jié)合多尺度幾何分析和核機(jī)器學(xué)習(xí)理論，對(duì)SAR圖像目標(biāo)識(shí)別進(jìn)行了研究，并提出了新方法。本論文的主要工作概括如下：
　　 (1)針對(duì)最小二乘支撐向量機(jī)(Least Squares Support Vector Machine，LSSVM)缺乏稀疏性的缺點(diǎn)，提出了一種改進(jìn)的稀疏最小二乘支撐向量機(jī)，并應(yīng)用于SAR圖像目標(biāo)識(shí)別中。該方法結(jié)合增量學(xué)習(xí)和逆學(xué)習(xí)過程，選擇相關(guān)的樣本作為支撐向量，進(jìn)而迭代地構(gòu)造決策函數(shù)。本算法在UCI數(shù)據(jù)集上

3、進(jìn)行了驗(yàn)證，并應(yīng)用于SAR目標(biāo)識(shí)別中。實(shí)驗(yàn)證明，該方法在正確識(shí)別率相當(dāng)?shù)那闆r下獲得了較低的計(jì)算復(fù)雜度和良好的稀疏性。
　　 (2)將多尺度幾何分析和機(jī)器學(xué)習(xí)結(jié)合起來，提出一種基于二維Curvelet核的LSSVM。該方法利用曲線波的“各向異性尺度關(guān)系”等優(yōu)點(diǎn)，根據(jù)支撐向量核成立所需要的條件，構(gòu)造了一個(gè)二維Curvelet核，并利用粒子群算法對(duì)該核函數(shù)的方向參數(shù)進(jìn)行優(yōu)化。所構(gòu)造的Curvelet核為支撐向量核函數(shù)提供了更多選擇，在

4、分類實(shí)驗(yàn)和函數(shù)逼近實(shí)驗(yàn)中的結(jié)果驗(yàn)證了Curvelet核函數(shù)的有效性。
　　 (3)基于Curvelet分析和核Fisher判別分析(KFD)提出了一種SAR目標(biāo)特征提取算法，并基于LSSVM實(shí)現(xiàn)SAR目標(biāo)識(shí)別。該方法首先利用Curvelet提取出SAR圖像的低頻信息，再用KFD方法進(jìn)行降維處理，得到后續(xù)分類器所需的數(shù)據(jù)，最后通過LSSVM進(jìn)行訓(xùn)練并最終得到識(shí)別的結(jié)果。實(shí)驗(yàn)證明，該方法能獲得較高的識(shí)別率，是一種有效的SAR圖像目標(biāo)