一种新的模糊对称散布子空间的鉴别分析算法

提出一种模糊对称散布子空间的鉴别分析算法.首先通过构造对称散布子空间模型,分别获得类内和类间散布矩阵的一组子空间;其次引入了一种松弛归一化条件的模糊鉴别分析算法,根据每一个样本的隶属度对散布矩阵重定义所做的贡献,将它融入到特征抽取的过程中,从而得到完整有效的模糊特征向量集,解决了传统LDA方法中的最终特征维数受类别数限制的问题.在NUST603和ORL人脸数据库上的实验结果验证了该算法的有效性.     

一种改进的基于密度和网格的高维聚类算法

提出了一种改进的基于密度和网格的高维聚类算法,并对算法有效性进行了验证.该算法通过减少样本点数量的方法达到减少稠密子空间数量.在发现高维稠密子空间时,对样本库进行精简.这些样本点的求得能有效减少求解最小聚类的时间复杂度.     

大尺度声纳图像目标自动分类方法研究

针对大尺度海底声纳图像l中小目标的自动识别问题,提出了一种基于分形维探测与纹卵特征卡结结合的目标自动分类算法。该算法采用分形维探测方法实现尺度变换,并在此基础上利用基于灰度共生矩阵的纹理特征描述目标特性,最后采用SVM算法解决图像声纳小目标识别中小样本,非线性及高维的现实难题向实现分类。实验结果表明,此算法在对解决大尺...     

基于KPCA与KFDA的SAR图像舰船目标识别

针对SAR图像中舰船目标识别的问题,提出了基于核主成分分析(Kernel Principal Component Analysis,KPCA)和核Fisher判别分析(Kernel Fisher Discriminate Analysis,KFDA)相结合的舰船目标识别算法.用核主成分分析的方法对实测的SAR舰船目标数据进行特征降维,再结合核Fisher判别分析法对降维后的样本数据进行多类别分类.将该方法用于对实测的四类舰船目标进行识别,平均识别率可达91.25%.实验结果表明,核主成分分析与核Fisher判别分析相结合的方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率.     

加权支持向量回归算法在运力预测中的应用

支持向量机(Support Vector Machines,SVM)是基于统计学习理论框架下的一种新的通用机器学习方法,是一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能,该技术已成为当前国际机器学习界的研究热点,能较好地解决小样本、高维数、非线性和局部极小点等实际问题。近来,SVR方法被引入求解回归和预测问题,并在各领域中得到广泛的应用。本文在分析现有基于高斯核的支持向量回归方法优缺点的基础上,突破目前在构造支持向量机中存在的"所有支持向量与样本之间的在特征空间中的内积所对应的核函数参数一定要相等"的这一思维定势,提出了一种新的算法——"基于高斯核参数加权的支持向量回归机"算法,并将该算法应用在世界散货船队运力预测中。估算结果证明了这种改进的支持向量回归算法在船队运力预测中的有效性和实用性。     

基于减聚类-自适应神经模糊推理的船舶航向保持控制设计

为解决船舶在非线性和不确定性条件下的常规航向保持控制参数难以确定和性能较差的问题,提出一种基于减法聚类和神经模糊推理系统(SC-ANFIS)的船舶航向保持控制设计。基于鲁棒PID控制,借助减法聚类算法的学习能力对输入样本进行聚类分析,优化模糊量化和模糊规则,继而用神经-模糊推理的方法解决船舶的不确定性问题和非线性控制问题;同时,为避免维数灾难等问题发生,采用多维隶属度函数设计一种可在线自调整的基于SC-ANFIS的航向保持控制系统,并设计仿真试验进行对比分析。仿真试验结果表明,在存在模型参数摄动和干扰的情况下,基于SC-ANFIS的航向保持控制系统可行、有效,能取得良好的控制效果。     

基于KPCA与KFDA的SAR图像舰船目标识别

针对SAR图像中舰船目标识别的问题,提出了基于核主成分分析(Kernel Principal Component Analysis,KPCA)和核Fisher判别分析(Kernel Fisher Discriminate Analysis,KFDA)相结合的舰船目标识别算法。用核主成分分析的方法对实测的SAR舰船目标数据进行特征降维,再结合核Fisher判别分析法对降维后的样本数据进行多类别分类。将该方法用于对实测的四类舰船目标进行识别,平均识别率可达91.25%。实验结果表明,核主成分分析与核Fisher判别分析相结合的方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

基于PSO的小样本特征选择优化算法研究

针对神经网络进行小样本数据训练时出现文本表征精确度低及特征过拟合,易造成权值全局最优和局部最优的不平衡现象,提出一种基于粒子群的双向长短期记忆网络(Bi-PSO)算法,利用Bi-LSTM对序列数据中长短期距离依赖信息的能力,对文本特征矩阵进行最小残差化处理得到降维矩阵,并通过粒子群算法获取降维矩阵中特征向量的全局最优和局部最优权重,最终进行权重类间、类内距离的迭代计算获得最优特征子集.仿真实验表明:Bi-PSO算法在文本特征拟合精度上得到了提升,算法精确度比Bi-LSTM平均提高了2.225%,在处理样本数目为200～600小样本数据集时拟合效果良好.     

支持向量机的水声信号分类识别

研究水声信号识别特征的提取,在此基础上采用支持向量机理论,提出了一种水声信号的分类识别算法.该算法选取两类水声信号,提取它们的混沌特征值关联维数和h2熵作为目标信息,每类信号各提取32组数据,取两类水声信号各8组数据作为训练样本,训练支持向量机,其它样本用于验证.结果表明,支持向量机的分类算法能实现对目标的有效分类,分类效果较好,比较适合小样本、非线性分类.     

基于状态空间模型（SSM）的雷达目标二维散射中心参数提取

传统的SSM算法是一种一维非线性系统参数估计算法。通过构造特殊状态空间矩阵对二位非线性系统进行参数估计,并在此基础上提出一种二维频率配对的方法。仿真实验证明该算法具有噪声抑制强、计算量低、分辨率高、估计方差小等优点。     

线性预测编码和支持向量机在目标识别中的应用

针对利用船舶辐射噪声进行水下目标识别的问题进行研究,提出一种基于线性预测编码(LPC)倒谱系数和支持向量机(SVM)的船舶目标识别方法。该方法通过对捕获到船舶辐射噪声进行LPC倒谱分析,实现各信号分量及信道的分离,以提取其LPC倒谱参数。再采用支持向量机技术处理多类水下目标的非线性、小样本的识别分类。最后,利用仿真得到的几种水下目标辐射噪声进行本文算法试验,证明本文算法是有效的,并取得较高的识别准确率。     

基于粒子群K均值聚类的空中目标识别

舰艇编队面临的空中威胁日益复杂多样,正确、快速地识别目标是赢得对空防御作战的前提。在分析各传感器测量得到的空中目标威胁特征指标的基础上,将舰艇编队防空作战目标识别问题转化为最优聚类问题,建立基于粒子群聚类的目标类型识别模型。通过主成分分析将样本各特征值标准化、降维投影到新的特征空间,引入粒子群优化算法构建最优聚类识别模型,实例分析表明该方法有效,计算速度快,降低了实用的复杂度,提高了目标识别的可靠性。     

海上雷达通信数据特征实时监测算法研究

传统船载雷达通信数据检测算法存在小范围样本数据监测准确率低,究其根源在于算法对小样本数据特征计算能力不足,无法精准提取小样本特征。为此提出基于大数据分析的船载雷达通信数据特征实时监测算法,算法由2种计算子算法构成。首先,引入MIFS小样本特征滤除算法,对雷达数据内小样本周边数据进行滤除计算,提升小样本特征清晰度;其次,引入大数据IDWPA遗传编码特征算法,利用大数据分析能力对小样本数据进行遗传模型建力计算,准确抓取小样本特征,完成整套算法计算;最后,通过仿真实验证明提出算法能够有效解决传统算法特征计算力不足,监测准确率低的问题。     

基于类内加权的线性判别分析改进算法

线性判别分析(LDA)是一种基于统计的特征提取方法,能够较好的提取样本的分类特性,传统的LDA算法认为所有训练样本对分类的贡献是一样的,没有考虑样本类内以及类间的分布关系,针对这个问题,论文提出了类内加权LDA算法,提高算法对边缘类的分类识别能力。     

基于AP聚类和深度卷积网络的船舶焊缝缺陷检测

针对船舶焊缝缺陷检测中存在定位困难和识别效率低问题,提出基于AP聚类和深度卷积神经网络的检测方法.采用基于距离最值的M-SMOTE算法进行焊缝样本不平衡数据集处理,实现少数类新样本的精细化生成,并提出基于AP聚类的深度卷积神经网络模型.模型先基于几何特征、强度特征和背景对比反差进行11个焊缝缺陷特征提取和AP聚类,并将聚类结果作为神经网络输入;采用自适应PCA法对网络进行降维,在保证识别准确率的基础上,通过参数化方法简化降维步骤.试验表明,在通用焊缝数据集上,文中模型的识别率高达98.87％,与准确率较高的VGG模型相比,训练时间缩短12.10％,模型存储减小11.94％;在船舶焊缝数据集上,文中模型的总体识别率达到98.00％,对比准确率较高的DNN模型,其准确率提高了 3.33％.     

基于半监督模糊聚类的入侵检测技术

针对当前入侵检测技术检测率较低、误报率较高,特别是难以检测新型入侵的不足,通过研究基于机器学习的异常入侵检测系统,提出了一种基于半监督模糊聚类的异常入侵检测算法SFCA(Semi-supervised Fuzzy Clustering Algorithm).算法通过加入数据之间的相关信息,同时引入代价函数来平滑目标函数,降低其对孤立点数据的敏感程度.通过利用少量的标记样本,生成用于初始化算法的种子聚类,然后辅助聚类过程.实验表明,与FCM(Fuzzy C-means)聚类算法相比,SFCA算法具有较高的性能.     

一种多传感器信息融合的噪声源识别方法研究

水下航行器噪声源识别是一个小样本条件下的模式识别问题.充分利用多个传感器采集的信号是解决小样本问题的有效途径.但是,目前各个传感器在整体评估中所占的权重没有一种合理的评估方法.文章利用直推式置信机(TCM)可以给出分类预测置信的能力,首先提出一种改进的奇异值测量方法,提高计算预测置信的准确性.然后将该置信作为传感器权重的有效表征,提出了一种多传感器信息融合的改进型直推式置信机算法,即TCM-IKNN-M(Transductive Confidence Machine for Improved K-Nearest Neighbors based on Muhi_sensors)算法.舱段模型试验表明,文中提出的算法有效地利用了多个传感器的信息,大大提高了识别的正确率.     

基于主元分析与模糊核聚类的船用内燃机故障诊断研究

为了解决传统船用内燃机故障诊断方法无法有效处理非线性信息的问题,提出了一种基于主元分析与模糊核聚类的船用内燃机故障诊断方法,并对该方法的有效性进行了研究,结果显示这种方法具有较高的可行性。     

一种计算非线性兴波阻力的基于NURBS的高阶面元法(英文)

文章开发了一种用于求解非线性兴波阻力问题的基于非均匀有理B样条(NURBS)的高阶面元法.该方法采用NURBS基函数表达物面几何和边界面上的源强分布.为了满足非线性自由面边界条件,开发了一个迭代算法;辐射条件通过采用网格错位的数值技术得到满足.以Wigley数学船型为例,在一系列的船速下计算了非线性兴波阻力.数值结果表明所提出的方法对于计算兴波阻力是精确和有效的.     

基于支持向量机的船舶航向广义预测控制研究

船舶的动态性能具有大惯性、大时滞、非线性等特点,采用基于结构风险最小化原则的神经网络———支持向量机(SVM),充分发挥其可以任意逼近非线性模型的良好特性对船舶模型进行有效辨识,以此作为广义预测控制(GPC)算法中的预测模型,并加以相应的GPC算法达到保持航向的目的。仿真结果表明:SVM学习速度快,在小样本情况下具有良好的非线性建模和泛化能力;基于SVM的GPC算法在航向保持方面具有很好的控制性能。