基于流形学习的雷达目标识别研究
发布时间：2021-03-02 10:12
合成孔径雷达是一种同时具备精度高分辨率、全天候、穿透能力强等一系列优点的成像雷达。随着技术的快速发展,SAR图像包含的信息量越来越多,高维的数据处理成为图像处理过程中的一大重点。数据降维技术是图像数据的特征提取过程中的关键技术,由于SAR图像的每一个数据都是一个高维的数据集,这种情况通常会导致无法预料的“维数灾难”问题。为了更好地解决维数对数据处理产生影响的问题,在对原始数据进行各种处理时就必须要对高维数据集进行数据降维,这是非常重要的一个步骤。流形学习作为一种机器学习方法,在数据可视化,人工智能,人脸识别以及图形图像检索领域被广泛应用;同时,它也是一种降维方法。本文结合SAR图像的特征以及流形学习方法的研究现状,从算法的应用和改进方面展开一系列工作,主要研究工作及研究内容总结如下:（1）结合传统的数据降维方法,对两种经典的局部流形学习方法进行研究并改进,对算法的实现过程,推导原理以及算法时间复杂度进行分析比较。（2）在拉普拉斯映射方法的基础上引入随机过程的概念,并将局部线性嵌入方法与随机拉普拉斯映射方法进行函数融合,尽可能地保留数据集的原始几何结构,将算法应用于MSTAR数据集并通过...
【文章来源】：中北大学山西省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
降维算法分类Figure2-1Dimensionreductionmethodclassification
采用拉格朗日乘子法，则有( ) ( )( )2 2 0T TL Y Y MY YY NIL YMY YYMY Y （2-43）为了达到损失函数值最小的目的，需要取Y 为 M 矩阵的最小 m 个非零特征值所对应的特征向量，将 M 矩阵的特征值从小到大排列，在实际情况中第一个特征值都几乎接近于零，所以通常舍去零特征值，取特征值2 3 1, ,...,m 对应的特征向量作为输出结果。LLE 方法的流程步骤如图 2-2 所示[48,49]。
中北大学学位论文20图2-3LLE算法结果Figure2-3TheresultofLLE用流形学习算法解决雷达目标的识别问题，旨在研究出更为高效的雷达目标识别算法，以解实际问题。在此之前，已经有很多学者在这方面做过研究，这些研究中大部分都是采用传统的目标识别方法，即首先提取图像特征，然后对特征进行分类，最后达到目标识别的目的。然而，图像的特征提取是一个非常复杂的过程，是公认的难题之一。本文的目标是选择合适的算法和数据库，避免复杂的特征提取过程，使得识别精度超过或达到与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]看问题的角度和LLE十分相似。它们构建数据之间的关系时都运用了图的思想。图中的每个顶点都代表一个样本点，每一条边权重代表数据点之间的相似程度，越相似则表示数据点之间的权值越大。同时它们都假设数据内部具有局部结构性质。LE方法假设每一个样本点只和与它距离最近的一些点相似，再远一些的数据点的相似程度为0，降维后原始数据中相近的点也要对应的保持相近的关系。而LLE方法则是假设每一个数据点周围邻域内确定数据点的线性组合可以近似的表示该数据点，并且降维后这个线性关系也要尽可能地保持不变。拉普拉斯特征映射方法的步骤如下：假设数据集12,,...,,dniXxxxxR是dR空间上的离散数据采样，可以构造一个有n个顶点的加权邻域图，每一个顶点都有相对对应的样本点，它的边权重集合可以充分反映各样本点之间的位置关系和相似程度，接着通过计算该邻域图的Laplacian矩阵的特征向量，就可以得到高维空间在低维空间中的嵌入映射。步骤1构造邻域图。同LLE算法相同，可以使用k阶邻域法：通过样本数据集X确
【参考文献】：
期刊论文
[1]局部流形学习在SAR目标分类中的应用[J]. 李鑫,续婷,胡红萍,杜敦伟,白艳萍. 现代雷达. 2020(04)
[2]稀疏回归和流形学习的无监督特征选择算法[J]. 周婉莹,马盈仓,郑毅,杨小飞. 计算机应用研究. 2020(09)
[3]一种面向图像分类的流形学习降维算法[J]. 刘开南,冯新扬,邵超. 计算机应用与软件. 2019(08)
[4]基于数据扩维的SAR目标识别性能提升技术[J]. 罗震宇,于俊朋,刘振华. 现代雷达. 2019(05)
[5]基于KNN的合成孔径雷达目标识别[J]. 郝岩,白艳萍,张校非. 火力与指挥控制. 2018(09)
[6]多流形LE算法在高光谱图像降维和分类上的应用[J]. 吴东洋,马丽. 国土资源遥感. 2018(02)
[7]卷积神经网络在SAR目标识别中的应用[J]. 郝岩,白艳萍,张校非,杜敦伟. 重庆理工大学学报(自然科学). 2018(05)
[8]改进的多流形LLE学习算法[J]. 曹中义,吉根林,谈超. 计算机工程与应用. 2018(24)
[9]基于推广流形学习的高分辨遥感影像目标分类[J]. 郭亚宁,林伟,潘泉,赵春晖,胡劲文,马娟娟. 自动化学报. 2019(04)
[10]基于卷积神经网络迁移学习的SAR图像目标分类[J]. 刘晨,曲长文,周强,李智,李健伟. 现代雷达. 2018(03)
硕士论文
[1]基于流形学习的降维算法及其在人脸识别中的应用[D]. 张悦.辽宁师范大学 2019
[2]基于流形学习的SAR目标识别[D]. 谢加美.电子科技大学 2017
[3]基于核学习的SAR图像分类算法研究[D]. 孙晰锐.大连理工大学 2012
[4]基于流形学习的SAR自动目标识别方法研究[D]. 王涛.电子科技大学 2010
[5]流形学习方法在图像处理中的应用研究[D]. 朱韬.北京交通大学 2009
[6]基于投影特征的SAR自动目标识别技术研究[D]. 韩征.中国民航大学 2009
本文编号：3059087
【文章来源】：中北大学山西省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
降维算法分类Figure2-1Dimensionreductionmethodclassification
采用拉格朗日乘子法，则有( ) ( )( )2 2 0T TL Y Y MY YY NIL YMY YYMY Y （2-43）为了达到损失函数值最小的目的，需要取Y 为 M 矩阵的最小 m 个非零特征值所对应的特征向量，将 M 矩阵的特征值从小到大排列，在实际情况中第一个特征值都几乎接近于零，所以通常舍去零特征值，取特征值2 3 1, ,...,m 对应的特征向量作为输出结果。LLE 方法的流程步骤如图 2-2 所示[48,49]。
中北大学学位论文20图2-3LLE算法结果Figure2-3TheresultofLLE用流形学习算法解决雷达目标的识别问题，旨在研究出更为高效的雷达目标识别算法，以解实际问题。在此之前，已经有很多学者在这方面做过研究，这些研究中大部分都是采用传统的目标识别方法，即首先提取图像特征，然后对特征进行分类，最后达到目标识别的目的。然而，图像的特征提取是一个非常复杂的过程，是公认的难题之一。本文的目标是选择合适的算法和数据库，避免复杂的特征提取过程，使得识别精度超过或达到与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]看问题的角度和LLE十分相似。它们构建数据之间的关系时都运用了图的思想。图中的每个顶点都代表一个样本点，每一条边权重代表数据点之间的相似程度，越相似则表示数据点之间的权值越大。同时它们都假设数据内部具有局部结构性质。LE方法假设每一个样本点只和与它距离最近的一些点相似，再远一些的数据点的相似程度为0，降维后原始数据中相近的点也要对应的保持相近的关系。而LLE方法则是假设每一个数据点周围邻域内确定数据点的线性组合可以近似的表示该数据点，并且降维后这个线性关系也要尽可能地保持不变。拉普拉斯特征映射方法的步骤如下：假设数据集12,,...,,dniXxxxxR是dR空间上的离散数据采样，可以构造一个有n个顶点的加权邻域图，每一个顶点都有相对对应的样本点，它的边权重集合可以充分反映各样本点之间的位置关系和相似程度，接着通过计算该邻域图的Laplacian矩阵的特征向量，就可以得到高维空间在低维空间中的嵌入映射。步骤1构造邻域图。同LLE算法相同，可以使用k阶邻域法：通过样本数据集X确
【参考文献】：
期刊论文
[1]局部流形学习在SAR目标分类中的应用[J]. 李鑫,续婷,胡红萍,杜敦伟,白艳萍. 现代雷达. 2020(04)
[2]稀疏回归和流形学习的无监督特征选择算法[J]. 周婉莹,马盈仓,郑毅,杨小飞. 计算机应用研究. 2020(09)
[3]一种面向图像分类的流形学习降维算法[J]. 刘开南,冯新扬,邵超. 计算机应用与软件. 2019(08)
[4]基于数据扩维的SAR目标识别性能提升技术[J]. 罗震宇,于俊朋,刘振华. 现代雷达. 2019(05)
[5]基于KNN的合成孔径雷达目标识别[J]. 郝岩,白艳萍,张校非. 火力与指挥控制. 2018(09)
[6]多流形LE算法在高光谱图像降维和分类上的应用[J]. 吴东洋,马丽. 国土资源遥感. 2018(02)
[7]卷积神经网络在SAR目标识别中的应用[J]. 郝岩,白艳萍,张校非,杜敦伟. 重庆理工大学学报(自然科学). 2018(05)
[8]改进的多流形LLE学习算法[J]. 曹中义,吉根林,谈超. 计算机工程与应用. 2018(24)
[9]基于推广流形学习的高分辨遥感影像目标分类[J]. 郭亚宁,林伟,潘泉,赵春晖,胡劲文,马娟娟. 自动化学报. 2019(04)
[10]基于卷积神经网络迁移学习的SAR图像目标分类[J]. 刘晨,曲长文,周强,李智,李健伟. 现代雷达. 2018(03)
硕士论文
[1]基于流形学习的降维算法及其在人脸识别中的应用[D]. 张悦.辽宁师范大学 2019
[2]基于流形学习的SAR目标识别[D]. 谢加美.电子科技大学 2017
[3]基于核学习的SAR图像分类算法研究[D]. 孙晰锐.大连理工大学 2012
[4]基于流形学习的SAR自动目标识别方法研究[D]. 王涛.电子科技大学 2010
[5]流形学习方法在图像处理中的应用研究[D]. 朱韬.北京交通大学 2009
[6]基于投影特征的SAR自动目标识别技术研究[D]. 韩征.中国民航大学 2009
本文编号：3059087
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3059087.html
