基于Curvelet和快速稀疏LSSVM的目標識別.pdf

1、如今，核機器學習已經(jīng)擴展到眾多學科和領域，并起到越來越重要的作用。在過去的這些年中，數(shù)據(jù)的規(guī)模越來越大，從而也導致了核機器學習算法的計算復雜度也越來越高，因此稀疏核機器學習機的研究受到了人們的關注。合成孔徑雷達(Synthetic Aperture Radar，SAR)是近幾年來發(fā)展起來的一個重要的新型學科，SAR目標識別是SAR圖像解譯和分析的重要組成部分，是國內(nèi)外SAR圖像處理和模式識別領域的研究熱點。本論文以SAR圖像目標識別為背

2、景，結(jié)合多尺度幾何分析和核機器學習理論，對SAR圖像目標識別進行了研究，并提出了新方法。本論文的主要工作概括如下：
　　 (1)針對最小二乘支撐向量機(Least Squares Support Vector Machine，LSSVM)缺乏稀疏性的缺點，提出了一種改進的稀疏最小二乘支撐向量機，并應用于SAR圖像目標識別中。該方法結(jié)合增量學習和逆學習過程，選擇相關的樣本作為支撐向量，進而迭代地構造決策函數(shù)。本算法在UCI數(shù)據(jù)集上

3、進行了驗證，并應用于SAR目標識別中。實驗證明，該方法在正確識別率相當?shù)那闆r下獲得了較低的計算復雜度和良好的稀疏性。
　　 (2)將多尺度幾何分析和機器學習結(jié)合起來，提出一種基于二維Curvelet核的LSSVM。該方法利用曲線波的“各向異性尺度關系”等優(yōu)點，根據(jù)支撐向量核成立所需要的條件，構造了一個二維Curvelet核，并利用粒子群算法對該核函數(shù)的方向參數(shù)進行優(yōu)化。所構造的Curvelet核為支撐向量核函數(shù)提供了更多選擇，在

4、分類實驗和函數(shù)逼近實驗中的結(jié)果驗證了Curvelet核函數(shù)的有效性。
　　 (3)基于Curvelet分析和核Fisher判別分析(KFD)提出了一種SAR目標特征提取算法，并基于LSSVM實現(xiàn)SAR目標識別。該方法首先利用Curvelet提取出SAR圖像的低頻信息，再用KFD方法進行降維處理，得到后續(xù)分類器所需的數(shù)據(jù)，最后通過LSSVM進行訓練并最終得到識別的結(jié)果。實驗證明，該方法能獲得較高的識別率，是一種有效的SAR圖像目標