用于SVM的RCS统计特征集约减方法

发布时间：2021-08-15 09:58

　　传统的支持向量机分类算法对训练样本数目敏感且不具备增量学习的能力,而空间目标识别的工程应用需要积累样本进行大样本的增量学习。根据样本在特征空间分布,提取几何意义上边缘的样本点,成功约减了应用于支持向量机学习的基于雷达散射截面统计特征的训练样本集。利用中心距离比和特征空间多维高斯分布特性,分别提取两类边界样本集和单类边缘样本集;再采用直推式实验设计方法再采样,根据样本潜在结构分布信息选择最能代表样本集结构分布的高价值样本。实验结果表明:样本初选算法能够在有效约减样本集规模的同时保持支持向量机训练分类的精度。 

【文章来源】：雷达科学与技术. 2020,18(05)北大核心

【文章页数】：7 页

【部分图文】：

A样本集的两类边界样本抽取结果对比

A样本集的两类边界样本抽取结果对比

B样本集的两类边界样本抽取结果对比

【参考文献】：
期刊论文
[1]基于自适应稀疏邻域重构的无监督主动学习算法[J]. 吕巨建,赵慧民,陈荣军,李键红.  计算机科学. 2018(06)
[2]一种窄带雷达快速目标分类方法[J]. 董会方,卞磊,杨广平.  国外电子测量技术. 2018(02)
[3]改进的支持向量机低分辨雷达目标分类算法[J]. 陈志仁,顾红,苏卫民,王钊.  系统工程与电子技术. 2017(11)
[4]一种基于Gabor变换的HRRP目标识别方法[J]. 王锦章,徐冰超,任杰,杨欧,卢文良,刘先康,魏存伟.  电子科技. 2017(04)
[5]一种基于组合保留集的SVM增量学习算法[J]. 李妍坊,苏波,刘功申.  上海交通大学学报. 2016(07)
[6]一种窄带雷达舰船目标分类的决策方法[J]. 王曙光,田西兰.  雷达科学与技术. 2016(02)
[7]支持向量机的全局局部特征融合目标识别[J]. 易晓柯.  雷达科学与技术. 2011(02)
[8]基于中心距离比值的增量支持向量机[J]. 孔波,刘小茂,张钧.  计算机应用. 2006(06)
[9]一种新的支持向量机增量学习算法[J]. 曾文华,马健.  厦门大学学报(自然科学版). 2002(06)



本文编号：3344332