论文部分内容阅读
如今,核机器学习已经扩展到众多学科和领域,并起到越来越重要的作用。在过去的这些年中,数据的规模越来越大,从而也导致了核机器学习算法的计算复杂度也越来越高,因此稀疏核机器学习机的研究受到了人们的关注。合成孔径雷达(Synthetic Aperture Radar,SAR)是近几年来发展起来的一个重要的新型学科, SAR目标识别是SAR图像解译和分析的重要组成部分,是国内外SAR图像处理和模式识别领域的研究热点。本论文以SAR图像目标识别为背景,结合多尺度几何分析和核机器学习理论,对SAR图像目标识别进行了研究,并提出了新方法。本论文的主要工作概括如下:(1)针对最小二乘支撑向量机(Least Squares Support Vector Machine, LSSVM)缺乏稀疏性的缺点,提出了一种改进的稀疏最小二乘支撑向量机,并应用于SAR图像目标识别中。该方法结合增量学习和逆学习过程,选择相关的样本作为支撑向量,进而迭代地构造决策函数。本算法在UCI数据集上进行了验证,并应用于SAR目标识别中。实验证明,该方法在正确识别率相当的情况下获得了较低的计算复杂度和良好的稀疏性。(2)将多尺度几何分析和机器学习结合起来,提出一种基于二维Curvelet核的LSSVM。该方法利用曲线波的“各向异性尺度关系”等优点,根据支撑向量核成立所需要的条件,构造了一个二维Curvelet核,并利用粒子群算法对该核函数的方向参数进行优化。所构造的Curvelet核为支撑向量核函数提供了更多选择,在分类实验和函数逼近实验中的结果验证了Curvelet核函数的有效性。(3)基于Curvelet分析和核Fisher判别分析(KFD)提出了一种SAR目标特征提取算法,并基于LSSVM实现SAR目标识别。该方法首先利用Curvelet提取出SAR图像的低频信息,再用KFD方法进行降维处理,得到后续分类器所需的数据,最后通过LSSVM进行训练并最终得到识别的结果。实验证明,该方法能获得较高的识别率,是一种有效的SAR图像目标识别方法。