支持向量机与舰船辐射噪声的分类

目标识别已经成为计算机视觉和模式识别领域的一个研究热点。但是传统的目标识别方法具有过学习和欠学习等缺点,使得目标识别无法被广泛应用。支持向量机可以有效克服这些缺点,这是因为其不仅基于统计学理论,而且可以使结构风险最小化。本文在分析舰船辐射噪声的基础上,着重研究支持向量机在目标识别中的应用。     

基于支持向量机的高分辨率遥感影像的舰船目标识别研究

舰船目标识别技术是海上监测和作战的关键技术,能否快速而准确对海上目标进行识别,关系到海上作战的胜负。近年来,基于计算机图像识别和处理的舰船目标识别技术发展迅速,SAR图像处理技术在海洋遥感探测领域获得了广泛的应用。随着遥感技术的发展,海上舰船的遥感图像分辨率越来越高,相应的数据含量也呈指数式增加。因此,研究高分辨遥感图像的舰船目标识别技术具有重要意义。本文主要针对基于支持向量机的高分辨率遥感影像,对舰船目标识别过程的图像分割技术、目标检测算法和样本采集等进行详细介绍和研究,该研究提高了舰船目标识别技术的准确性和可靠性,具有重要的实际应用价值。     

基于辐射噪声能量分布的舰船目标分类算法

有效的特征提取技术是水中目标识别的基础.为提高基于舰船辐射噪声的水中目标识别准确率,选用小波变换完成信号预处理和滤波,并在信号变换后的多尺度子空间上提取信号特征参数,归一化处理后构建分类特征向量,最后用支持向量机算法进行训练和测试.仿真结果表明,利用小波变换的多分辨率分析方法和支持向量机算法对舰船辐射噪声信号进行分类识别,特征提取算法有效,分类速度较快.     

基于不变矩和支持向量机理论的舰船目标识别

本文利用小波不变矩和支持向量机理论进行舰船目标识别。在识别过程中,首先获取图像,同时将得到的图像转换到极坐标内;然后利用小波矩进行特征提取,在此过程中选择合适的核函数;最后利用支持向量机进行分类。实验结果表明,本文算法具有较高的识别率。     

基于剪辑支持向量机的雷达目标识别方法

支持向量机（SVM）具有分类精度高、泛化能力强等优点,已成功应用在雷达目标识别领域。但其性能受多种因素影响。针对低信噪比、分类面混迭、参数选取等问题,文章提出剪辑SVM分类器,通过小波去噪、剪辑、矩阵相似度优选参数等手段有效抑制上述问题的影响。外场实测数据的仿真也表明剪辑SVM的性能优于传统SVM与最近邻分类器。     

基于遗传算法优化支持向量机的船舰目标识别分类

为了实现有效的海上监管和响应,提高舰船监管效率,降低人力成本,提出基于遗传算法优化支持向量机的舰船目标识别分类方法。以HU矩为舰船目标的特征描述子,在舰船目标图像内,提取具备旋转、尺度与平移不变性的舰船目标特征矩;利用遗传算法,优化支持向量机的惩罚因子与核参数;在参数优化后的支持向量机内,输入舰船目标特征矩样本,输出舰船目标识别分类结果。实验证明,该方法可有效提取舰船目标特征矩;经过参数优化后的支持向量机,可有效降低计算复杂度,加快检测目标识别分类效率,具备较优的舰船目标识别分类性能。该方法均可精准识别分类舰船目标。     

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。     

一种基于乘性规则和支持向量域的水中目标识别分类器探讨

目标识别是水中设备智能化的关键技术之一.通过阐述支持向量域描述(SVDD)以及乘性规则(GA)的原理,提出基于乘性规则和支持向量域结合的方法对水中目标进行分类识别,对比SVM算法需要支持向量数多,运算速度慢的缺点,该方法能有效提高优化识别速度.     

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.     

基于支持向量机的多传感器船舶火灾探测技术

针对船舶火灾探测误报率高的情况,为提高火灾探测系统的可靠性,提出一种基于支持向量机的多传感器火灾信息融合方法。经过仿真试验证明,通过多传感器探测数据的有效融合,可以大幅提高火灾探测系统的火灾识别率。     

基于支持向量机模型的船舶航行广义预测控制

船舶操纵一直是船舶运动控制的研究重点,它与航行安全、能源节约和操作省力密切相关。模型是研究船舶运动控制的基础,本文鉴于船舶的动态具有大惯性、大时滞、非线性等特点,采用了基于结构风险最小化原则的神经网络———支持向量机对船舶进行建模,在建模中充分发挥支持向量机可以任意逼近非线性模型的良好特性,解决对船舶航向预测的问题。进而通过建立预测模型,并结合广义预测控制的算法达到航向保持的目的,且具有较好的稳定性和鲁棒性。     

基于支持向量机的港口吞吐量预测

对传统的两个线性组合预测模型进行了研究,提出了一个新的线性组合预测模型Ⅲ。为提高精度,提出了支持向量机非线性的组合预测模型。以青岛港历年集装箱吞吐量为例,与单一预测方法、线性组合预测进行对比,结果表明支持向量机非线性的组合预测方法比较精确。     

基于改进小波能熵的水下目标识别

文章研究了基于改进小波能熵和概率神经网络的水下目标识别方法。首先对水下目标辐射噪声信号进行小波变换多分辨率分解和重构,然后引入滑动时间窗,提取各分解子带在滑动时间窗内的改进小波能熵值作为目标识别的特征矢量,最后将特征矢量输入到概率神经网络中实现水下目标识别。对信号进行小波多分辨率分解可反映信号在不同频域上的特征,而引入滑动时间窗并在此基础上定义改进的小波能熵可反映信号的时域特征,因此改进小波能熵方法能同时反映信号的时频特征,更适合于水下目标特征提取。仿真结果表明了该方法的有效性。     

基于支持向量机的铁磁构件裂纹识别

鉴于支持向量机的优秀特性,将其应用在金属磁记忆检测中,构造基于梯度值的裂纹标识量,实现对裂纹的定位和裂纹程度的标定,并通过有限元仿真,计算裂纹和裂纹程度及对应的漏磁信号,得到训练样本和测试样本,并训练支持向量机。仿真结果表明：应用支持向量机实现铁磁构件裂纹识别是可行的。     

基于SVM的雷达目标一维距离像识别

基于支持向量机的雷达目标一维距离像识别研究。一维距离像揭示了目标径向结构的分布特性。支持向量机基于经验风险最小化原理,适用于小样本学习问题。通过对三种目标分类进行仿真实验,结果表明：该分类方法具有较高的识别性能。     

基于支持向量机的可靠性增长费用建模与分析

支持向量机是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法，具有完备的理论基础。首先应用支持向量机原理建立了基于支持向量机的多参数武器装备可靠性增长费用预测模型，然后对我军某型现役装备使用阶段可靠性增长费用数据进行了预测与分析。结果表明，与一般的回归分析相比，基于支持向量机的回归模型具有很好的预测精度。