公共文化服务平台

基于dpKMMDP模型的雷达目标识别方法: 本发明提出了一种基于dpKMMDP模型的雷达目标识别方法，用于解决现有基于分类器模型的雷达目标识别方法中存在的识别率较低的技术问题。实现步骤为：1.提取雷达SAR图像训练样本集X；2.计算训练样本集的核函数矩阵G；3.构...; 陈渤李晨阳文伟; 文献传递

极化SAR图像舰船目标检测方法: 本发明公开了一种极化SAR图像目标检测方法，主要解决现有检测方法对能量的依赖和虚警率较高的问题。其实现步骤是：选取目标和杂波两类训练样本，并进行特征提取和能量归一；定义极化字典学习目标函数，监督学习一个对杂波和目标具有区...; 刘宏伟文伟王英华陈渤; 文献传递

基于无限最大间隔线性判别投影模型的雷达目标识别方法: 本发明提出了一种基于无限最大间隔线性判别投影模型的雷达目标识别方法，用于解决现有雷达目标识别方法中存在的识别率低的技术问题。实现步骤为：获取功率谱特征训练样本集X和其对应的类别标号集y；构建无限最大间隔线性判别投影模型；...; 陈渤刘宁文伟刘宏伟; 文献传递

基于dpKMMDP模型的雷达目标识别方法: 本发明提出了一种基于dpKMMDP模型的雷达目标识别方法，用于解决现有基于分类器模型的雷达目标识别方法中存在的识别率较低的技术问题。实现步骤为：1.提取雷达SAR图像训练样本集X；2.计算训练样本集的核函数矩阵G；3.构...; 陈渤李晨阳文伟; 文献传递

基于低秩字典学习及稀疏表示的极化SAR舰船检测方法: 本发明属于雷达自动目标检测领域，公开一种基于低秩字典学习及稀疏表示的极化SAR舰船检测方法，该方法适用于极化SAR图像中的舰船目标检测，其具体包括以下步骤：步骤1，提取海杂波样本作为训练杂波样本，由杂波样本的像素构造训练...; 王英华齐会娇刘宏伟文伟丁军; 文献传递

基于监督非相干字典学习的极化SAR图像舰船目标检测被引量：6: 2015年; 提出了一种结构化非相干字典学习算法(Structured incoherent dictionary learning,SIDL),并将该方法应用于极化SAR(Polarimetric synthetic aperture radar,Po LSAR)图像舰船目标检测.在字典学习阶段,构建了一个新的目标函数,为了降低子字典对交叉样本的稀疏表示能力,将子字典对交叉样本的重构能量约束及子字典互相干性约束加入到字典学习目标函数中.通过这两个约束,降低了子字典对交叉样本的表示能力,目标和杂波的极化特征矢量在学习获得的字典下具有良好的区分特性.该方法不依赖于目标后向散射能量,只利用学习获得的极化字典,根据测试样本在极化字典下的稀疏表示进行目标的检测.实验采用RADARSAT-2数据进行了验证,对比实验结果表明,本文提出的方法可以更好地抑制杂波,对弱小目标实现检测,获得了更好的检测效果.; 文伟王英华冯博刘宏伟; 关键词：极化合成孔径雷达舰船检测

基于低秩字典学习及稀疏表示的极化SAR舰船检测方法: 本发明属于雷达自动目标检测领域，公开一种基于低秩字典学习及稀疏表示的极化SAR舰船检测方法，该方法适用于极化SAR图像中的舰船目标检测，其具体包括以下步骤：步骤1，提取海杂波样本作为训练杂波样本，由杂波样本的像素构造训练...; 王英华齐会娇刘宏伟文伟丁军; 文献传递

基于贝叶斯多核学习支持向量机的SAR目标识别方法: 本发明公开了一种基于贝叶斯多核学习支持向量机的SAR目标识别方法，主要解决现有的目标识别方法对SAR图像目标识别不准确的问题。其实现步骤为：1)输入原始SAR图像并预处理，计算不同特征的核矩阵；2)根据多核学习方法对核矩...; 王英华王丽业刘宏伟陈渤文伟

无限最大间隔线性判别投影模型: 2017年; 针对具有多模分布结构的高维数据的分类问题,该文提出一种无限最大间隔线性判别投影(i MMLDP)模型。与现有全局投影方法不同,模型通过联合Dirichlet过程及最大间隔线性判别投影(MMLDP)模型将数据划分为若干个局部区域,并在每一个局部学习一个最大边界线性判别投影分类器。组合各局部分类器,实现全局非线性的投影与分类。i MMLDP模型利用贝叶斯框架联合建模,将聚类、投影及分类器进行联合学习,可以有效发掘数据的隐含结构信息,因而,可以较好地对非线性可分数据,尤其是具有多模分布特性数据进行分类。得益于非参数贝叶斯先验技术,可以有效避免模型选择问题,即局部区域划分数量。基于仿真数据集、公共数据集及雷达实测数据集验证了所提方法的有效性。; 文伟曹雪菲陈渤韩勋张学峰王鹏辉刘宏伟

一种基于多极化散射机理的极化SAR图像舰船目标检测方法被引量：8: 2017年; 针对基于单一极化特性增强的极化SAR图像目标检测方法的缺陷,该文将DP(Dirichlet Process)混合隐变量SVM模型(DPLVSVM)应用于极化SAR图像舰船目标检测,提出一种基于多极化散射机理的检测方法。该方法通过联合Dirichlet过程混合与Bayes SVM模型,将信号空间划分成若干局部区域,然后在每一局部区域学习一个独立的极化检测器,并将各局部检测器进行组合实现全局多极化散射机理的目标检测。模型采用非参数化Bayes方法自动确定局部区域数量,在完全Bayes框架下,将局部区域划分及检测器学习进行联合优化,保证了各局部区域样本的可分性。另外,为了降低极化特征冗余,该文进一步提出带特征选择功能的稀疏提升DP混合隐变量SVM模型(SPDPLVSVM),提高模型的推广能力。该模型由于采用共轭先验分布,因而可以利用Gibbs采样方法进行高效求解。在RADARSAT-2数据上进行的实验验证了所提方法的有效性。; 文伟曹雪菲张学峰陈渤王英华刘宏伟; 关键词：极化SAR BAYES

渝B2-20050021-1　渝公网安备 50019002500403号　违法和不良信息举报中心　互联网出版许可证　新出网证(渝)字10号

文伟