CN106908774B - 基于多尺度核稀疏保持投影的一维距离像识别方法 - Google Patents
基于多尺度核稀疏保持投影的一维距离像识别方法 Download PDFInfo
- Publication number
- CN106908774B CN106908774B CN201710010006.0A CN201710010006A CN106908774B CN 106908774 B CN106908774 B CN 106908774B CN 201710010006 A CN201710010006 A CN 201710010006A CN 106908774 B CN106908774 B CN 106908774B
- Authority
- CN
- China
- Prior art keywords
- scale
- kernel
- sparse
- feature vector
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 75
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000013519 translation Methods 0.000 claims abstract description 16
- 238000012706 support-vector machine Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 2
- 125000004432 carbon atom Chemical group C* 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于多尺度核稀疏保持投影的一维距离像识别方法。首先,对实测一维距离像信号样本提取其归一化幅度特征并进行平移对齐预处理;其次,利用高斯核函数对其进行多尺度核空间映射;然后,利用稀疏保持投影法得到各尺度空间的信号稀疏特征向量并进行特征融合;最后,利用支持向量机分类器进行特征识别。本发明基于高斯尺度核和稀疏保持投影,实现了多尺度核空间稀疏保持融合特征提取,相对于传统的多尺度高斯核融合特征提取法,在融合特征维数相同的情况下,本方法识别精度更高、抗噪性能更好,是稳健的一维距离像识别方法。
Description
技术领域
本发明属于雷达目标识别技术领域,特别涉及了一种一维距离像识别方法。
背景技术
在雷达信号处理领域中,雷达目标识别是一个重要研究方向。雷达高分辨率一维距离像(HRRP)是宽带雷达目标散射点回波在雷达视线方向上的向量和,它反映了目标散射点沿雷达视线方向的分布情况,其中包含了丰富的目标结构特征。相比于SAR和ISAR图像,一维距离像具有对测量数据精度要求较低、易于获取且数据量较小等先天优势。因此,基于HRRP的目标识别是雷达目标识别中最有应用前景的识别方案。在获取大角度HRRP回波时,特别是在噪声环境下HRRP数据会变得线性不可分,传统的特征提取方案如主成分分析和低频小波特征提取等在处理这种数据时提取的特征可分性较差、分类精度较低,在噪声干扰下其性能迅速恶化,难以在实际工程上应用。
关于一维距离像的稳健识别,目前主要从两方面入手:一是提取一维距离像易于识别且稳定的特征。二是通过设计新型分类器或者将分类结果进行融合达到抗干扰提高识别率的目的。
核主成分分析(Kernel Principle Component Analysis,KPCA)通过核函数先将原始一维距离像信号投影到高维空间提高其线性可分性,再由PCA算法对高维特征进行主成分提取,达到降维的目的,且可以在一定程度上降低噪声的影响,提高识别率。然而由于单一的核主成分难以表示信号的许多内在特性,而不同的特征空间有其各自的优势,对环境的适应度也有所不同。因此,有学者提出了多尺度核的概念,通过将尺度空间引入到核方法中,实现了多尺度空间核映射,再对各尺度空间特征进行融合得到新的信号多尺度核融合特征,提高了信号在复杂环境下的识别精度,相比于单核特征更具稳定性与普适性。但是由于其增加了尺度导致最终特征的维度增加较大,且核方法忽视了信号样本间的相互关系这一有效识别信息,对识别精度提升有限。
发明内容
为了解决上述背景技术提出的技术问题,本发明旨在提供基于多尺度核稀疏保持投影的一维距离像识别方法,结合了多尺度核映射和稀疏保持投影法,一定程度上弥补了多尺度核映射的缺陷,在复杂环境下能保持更加稳定高效的识别性能。
为了实现上述技术目的,本发明的技术方案为:
基于多尺度核稀疏保持投影的一维距离像识别方法,包括训练阶段和测试阶段,所述训练阶段的步骤如下:
(5)采用支持向量机分类器对Q进行学习;
所述测试阶段的步骤如下:
(6)对一维距离像测试样本y,提取其归一化幅度特征并与训练样本进行平移对齐,得到平移对齐后的幅度特征hy;
(7)利用高斯核函数对幅度特征hy进行多尺度核空间映射,得到测试样本多尺度核空间特征向量集Hy=[hy1,hy2,...,hyM];
(8)对Hy=[hy1,hy2,...,hyM]进行稀疏保持投影,得到多尺度核稀疏特征向量集Cy=[cy1,cy2,...,cyM];
(9)对Cy=[cy1,cy2,...,cyM]进行串行特征融合得到多尺度核空间稀疏保持融合特征向量qy;
(10)采用步骤(5)学习完成的支持向量机分类器对qy进行分类,得到一维距离像测试样本y的目标类别。
进一步地,在步骤(1)中,提取一维距离像样本归一化幅度特征的公式如下:
上式中,|·|表示取模,||·||2表示取2范数。
进一步地,步骤(2)的具体过程如下:
采用的高斯核函数:
上式中,a,b=1,2,…,N,σm为尺度m下的高斯核参数,在尺度m下得到H=[h1,h2,...,hN]的N×N维核矩阵K:
Ka,b=G(ha,hb)
上式中,Ka,b表示核矩阵K的第a行b列元素;
对核矩阵K进行高维空间上的中心化得到矩阵对进行主成分分析,得到特征值矩阵中最大的l个特征值构成的特征值矩阵Λl对应的特征向量矩阵Ul=[α1,α2,...,αl],l≤N,由Ul构成核空间投影矩阵,在尺度m下对H=[h1,h2,...,hN]进行核空间特征提取:
上式中,(·)T表示转置运算,αl,k表示Ul中特征向量αl的第k个元素,表示hj在尺度m下的核空间映射,j=1,2,…,N,由此可以得到在尺度m下的核空间特征向量集Zm=[z1,z2,...,zN];
进一步地,步骤(3)的具体过程如下:
s.t.||Zmrs-zs||2≤ε
1=eTrs
上式中,e表示所有元素均为1的列向量,rs=[rs,1,...,rs,s-1,0,rs,s+1,...,rs,M]T为稀疏表示系数向量,rs,t表示训练样本核空间特征向量zt对重构zs的贡献量,t≠s,ε为松弛量,||·||1表示取1范数;
计算所有训练样本核空间稀疏表示系数向量得到邻接矩阵求解广义本征方程:
Zm(R+RT-RRT)Zm Tw=λZmZm Tw
上式中,λ表示未知本征值,w表示λ对应的本征向量,取其前d个最大本征值对应的本征向量集wd作为稀疏保持投影矩阵,则在尺度m下核稀疏特征向量集Cm:
Cm=wd TZm
进一步地,在步骤(5)中,所述支持向量机分类器采用线性核支持向量机分类器。
采用上述技术方案带来的有益效果:
1、识别精度提高:由于本发明提出的识别方法基于多尺度核映射和稀疏保持投影,能够发掘信号本身的多尺度信息和信号样本之间的关联性,最终将这些信息进行融合分类,在不同环境下都能达到较好的识别精度。在特征维度较低的情况下可以达到传统多尺度核分析法的识别精度,而在最终识别特征维度和分类器固定的情况下识别精度可比其提高2-3个百分点。
2、应用范围广泛:本发明提出识别方法可以根据应用场景的不同做适当的改变从而扩展到解决多种一维信号处理问题,例如目标红外光谱的检测识别问题、语音信号的识别等。
附图说明
图1是本发明的流程示意图;
图2是实施例中一维距离像原始实信号回波示意图;
图3是本发明中一维距离像归一化幅度特征的示意图;
图4是本发明不同尺度下高斯核函数示意图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
本发明提出基于多尺度核稀疏保持投影的一维距离像识别方法,总流程图如图1所示。现有一飞机一维距离像实信号回波数据如图2所示,实际情况中不同型号的飞机回波各不相同,同一型号飞机不同角度的回波信号也有所差异。本发明主要解决该类一维回波信号的识别分类问题。
训练阶段:
式(1)中,|·|表示取模,||·||表示取2范数,N表示特征维数。
得到平移对齐后的幅度特征向量集H=[h1,h2,...,hN]。
式(4)中,a,b=1,2,…,N,σm为尺度m下的高斯核参数,M表示总尺度个数;在尺度m下得到H=[h1,h2,...,hN]的N×N维核矩阵K:
Ka,b=G(ha,hb) (5)
式(5)中,Ka,b表示核矩阵K的第a行b列元素。
对核矩阵K进行高维空间上的中心化得到矩阵对进行主成分分析,得到特征值矩阵中最大的l个特征值构成的特征值矩阵Λl对应的特征向量矩阵Ul=[α1,α2,...,αl],l≤N,由Ul构成核空间投影矩阵,则在尺度m下对H=[h1,h2,...,hN]进行核空间特征提取:
上式中,(·)T表示转置运算,αl,k表示Ul中特征向量αl的第k个元素,表示hj在尺度m下的核空间映射,j=1,2,…,N,由此可以得到在尺度m下的核空间特征向量集Zm=[z1,z2,...,zN]。
第3步:对进行稀疏保持投影,得到多尺度核稀疏特征向量集对于任意尺度m下的训练样本核空间特征向量zs∈Rl(s=1,2,...,M),用除其自身以外的剩余训练样本特征向量对其进行稀疏表示,通过求解下面的约束优化问题,得到稀疏表示系数向量
式(7)中,e表示所有元素均为1的列向量,rs=[rs,1,...,rs,s-1,0,rs,s+1,...,rs,M]T为稀疏表示系数向量,rs,t表示训练样本核空间特征向量zt对重构zs的贡献量,t≠s,ε为松弛量,||·||1表示取1范数。
Zm(R+RT-RRT)Zm Tw=λZmZm Tw (8)
式(8)中,λ表示未知本征值,w表示λ对应的本征向量,取其前d个最大本征值对应的本征向量集wd作为稀疏保持投影矩阵,则在尺度m下核稀疏特征向量集Cm:
Cm=wd TZm (9)
第4步:根据串行特征融合法,对训练样本各尺度下核稀疏特征向量集C1,C2,...,CM进行串行融合得到新的融合特征向量集Q=[q1,q2,...,qN]。C1,C2,...,CM均为d×N维矩阵,融合特征向量集Q为(d·M)×N维矩阵。
第5步:利用线性支持向量机(SVM)分类器对Q进行学习。这里选用线性核支持向量机作为分类工具考虑到经过多尺度高斯核映射和稀疏保持投影后信号特征已具有一定的线性可分性且线性支持向量机设计简单、参数较少,分类速度较快。
测试阶段:
第1步:对测试样本y提取其归一化幅度特征并与训练样本进行平移对齐,得到平移对齐后的幅度特征hy,方法如上训练阶段第1步所述。
第2步:利用高斯核函数G对幅度特征hy进行多尺度核空间映射,得到测试样本多尺度核空间特征向量集Hy=[hy1,hy2,...,hyM],方法如上训练阶段第2步所述。
第3步:对测试样本多尺度核空间特征向量集Hy=[hy1,hy2,...,hyM]进行稀疏保持投影,得到多尺度核稀疏特征向量集Cy=[cy1,cy2,...,cyM],方法如上训练阶段第3步所述。
第4步:对多尺度稀疏特征进行融合得到新的多尺度核空间稀疏保持融合特征向量qy,方法如上训练阶段第4步所述。
第5步:利用学习完成的支持向量机(SVM)分类器对qy进行分类,得到测试样本的目标类别。
表1给出了本发明与传统多尺度高斯核融合特征识别的准确率对比(尺度均取σ=0.8,0.9,1.0,1.1,1.2)。
表1
由以上数据可以看出,在最终特征维度相同的情况下本发明所提出的一维距离像识别方法相比传统多尺度高斯核融合特征识别精度高出2-3个百分点,在处理相同样本的情况下能够利用比传统方法维度低的特征完成相同精度的识别。由于其将多尺度核空间映射和稀疏保持投影相结合,既能增强数据的线性可分性也考虑了样本之间的固有联系,增加了样本分类的信息量,在工程实践中具有很好的应用前景。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (5)
1.基于多尺度核稀疏保持投影的一维距离像识别方法,其特征在于,包括训练阶段和测试阶段,所述训练阶段的步骤如下:
采用的高斯核函数:
上式中,a,b=1,2,…,N,σm为尺度m下的高斯核参数,在尺度m下得到H=[h1,h2,...,hN]的N×N维核矩阵K:
Ka,b=G(ha,hb)
上式中,Ka,b表示核矩阵K的第a行b列元素;
对核矩阵K进行高维空间上的中心化得到矩阵对进行主成分分析,得到特征值矩阵中最大的l个特征值构成的特征值矩阵Λl对应的特征向量矩阵Ul=[α1,α2,...,αl],l≤N,由Ul构成核空间投影矩阵,在尺度m下对H=[h1,h2,...,hN]进行核空间特征提取:
上式中,(·)T表示转置运算,αl,k表示Ul中特征向量αl的第k个元素,表示hj在尺度m下的核空间映射,j=1,2,…,N,由此可以得到在尺度m下的核空间特征向量集Zm=[z1,z2,...,zN];
(5)采用支持向量机分类器对Q进行学习;
所述测试阶段的步骤如下:
(6)对一维距离像测试样本y,提取其归一化幅度特征并与训练样本进行平移对齐,得到平移对齐后的幅度特征hy;
(7)利用高斯核函数对幅度特征hy进行多尺度核空间映射,得到测试样本多尺度核空间特征向量集Hy=[hy1,hy2,...,hyM];
(8)对Hy=[hy1,hy2,...,hyM]进行稀疏保持投影,得到多尺度核稀疏特征向量集Cy=[cy1,cy2,...,cyM];
(9)对Cy=[cy1,cy2,...,cyM]进行串行特征融合得到多尺度核空间稀疏保持融合特征向量qy;
(10)采用步骤(5)学习完成的支持向量机分类器对qy进行分类,得到一维距离像测试样本y的目标类别。
4.根据权利要求1所述基于多尺度核稀疏保持投影的一维距离像识别方法,其特征在于,步骤(3)的具体过程如下:
s.t.||Zmrs-zs||2≤ε
1=eTrs
上式中,e表示所有元素均为1的列向量,rs=[rs,1,...,rs,s-1,0,rs,s+1,...,rs,M]T为稀疏表示系数向量,rs,t表示训练样本核空间特征向量zt对重构zs的贡献量,t≠s,ε为松弛量,||·||1表示取1范数;
Zm(R+RT-RRT)Zm Tw=λZmZm Tw
上式中,λ表示未知本征值,w表示λ对应的本征向量,取其前d个最大本征值对应的本征向量集wd作为稀疏保持投影矩阵,则在尺度m下核稀疏特征向量集Cm:
Cm=wd TZm
5.根据权利要求1所述基于多尺度核稀疏保持投影的一维距离像识别方法,其特征在于:在步骤(5)中,所述支持向量机分类器采用线性核支持向量机分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710010006.0A CN106908774B (zh) | 2017-01-06 | 2017-01-06 | 基于多尺度核稀疏保持投影的一维距离像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710010006.0A CN106908774B (zh) | 2017-01-06 | 2017-01-06 | 基于多尺度核稀疏保持投影的一维距离像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106908774A CN106908774A (zh) | 2017-06-30 |
CN106908774B true CN106908774B (zh) | 2020-01-10 |
Family
ID=59206924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710010006.0A Expired - Fee Related CN106908774B (zh) | 2017-01-06 | 2017-01-06 | 基于多尺度核稀疏保持投影的一维距离像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106908774B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107682109B (zh) * | 2017-10-11 | 2019-07-30 | 北京航空航天大学 | 一种适用于无人机通信***的干扰信号分类识别方法 |
CN108387866B (zh) * | 2018-01-16 | 2021-08-31 | 南京航空航天大学 | 一种基于强化学习的无人机查找非法广播电台方法 |
CN109472239B (zh) * | 2018-10-28 | 2021-10-01 | 中国人民解放军空军工程大学 | 一种跳频电台个体识别方法 |
CN113156416B (zh) * | 2021-05-17 | 2022-05-17 | 电子科技大学 | 一种基于多重核字典学习的未知目标判别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5227801A (en) * | 1992-06-26 | 1993-07-13 | The United States Of America As Represented By The Secretary Of The Navy | High resolution radar profiling using higher-order statistics |
CN101144860A (zh) * | 2007-10-16 | 2008-03-19 | 哈尔滨工业大学 | 基于选择性核主成份分析的高光谱图像异常点的检测方法 |
CN101241185B (zh) * | 2008-03-12 | 2010-09-29 | 电子科技大学 | 雷达目标一维距离像非线性投影识别方法 |
CN103544296A (zh) * | 2013-10-22 | 2014-01-29 | 中国人民解放军海军航空工程学院 | 雷达距离扩展目标自适应智能融合检测方法 |
JP2016151418A (ja) * | 2015-02-16 | 2016-08-22 | 日本電気株式会社 | 目標物検出装置、目標物検出方法、目標物検出プログラムおよび記憶媒体 |
-
2017
- 2017-01-06 CN CN201710010006.0A patent/CN106908774B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5227801A (en) * | 1992-06-26 | 1993-07-13 | The United States Of America As Represented By The Secretary Of The Navy | High resolution radar profiling using higher-order statistics |
CN101144860A (zh) * | 2007-10-16 | 2008-03-19 | 哈尔滨工业大学 | 基于选择性核主成份分析的高光谱图像异常点的检测方法 |
CN101241185B (zh) * | 2008-03-12 | 2010-09-29 | 电子科技大学 | 雷达目标一维距离像非线性投影识别方法 |
CN103544296A (zh) * | 2013-10-22 | 2014-01-29 | 中国人民解放军海军航空工程学院 | 雷达距离扩展目标自适应智能融合检测方法 |
JP2016151418A (ja) * | 2015-02-16 | 2016-08-22 | 日本電気株式会社 | 目標物検出装置、目標物検出方法、目標物検出プログラムおよび記憶媒体 |
Non-Patent Citations (2)
Title |
---|
"Multiscale kernel sparse coding-based classifier for HRRP radar target recognition";Wei Xiong 等;《IET Radar, Sonar & Navigation》;20160614;正文第1-3节及图2、4 * |
"基于KPCA算法的雷达目标一维距离像识别";张子刚 等;《科学技术》;20141231(第7期);第136页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106908774A (zh) | 2017-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
CN108133232B (zh) | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 | |
CN107515895B (zh) | 一种基于目标检测的视觉目标检索方法与*** | |
CN106908774B (zh) | 基于多尺度核稀疏保持投影的一维距离像识别方法 | |
CN110045015B (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
CN106951915B (zh) | 一种基于类别置信度的一维距离像多分类器融合识别法 | |
CN107194378B (zh) | 一种基于混合字典学习的人脸识别方法及装置 | |
CN108960330A (zh) | 基于快速区域卷积神经网络的遥感图像语义生成方法 | |
CN112990334A (zh) | 基于改进原型网络的小样本sar图像目标识别方法 | |
CN107609579B (zh) | 基于稳健变分自编码器的雷达目标分类方法 | |
CN107085206B (zh) | 一种基于自适应稀疏保持投影的一维距离像识别方法 | |
CN107133648B (zh) | 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 | |
CN109543720B (zh) | 一种基于对抗生成网络的晶圆图缺陷模式识别方法 | |
CN106778837B (zh) | 基于多线性主成分分析和张量分析的sar图像目标识别方法 | |
CN112149758B (zh) | 一种基于欧式距离和深度学习的高光谱开放集分类方法 | |
CN101986295B (zh) | 基于流形稀疏编码的图像聚类的方法 | |
CN106951921B (zh) | 基于贝叶斯多核学习支持向量机的sar目标识别方法 | |
CN105654122B (zh) | 基于核函数匹配的空间金字塔物体识别方法 | |
CN106951822B (zh) | 一种基于多尺度稀疏保持投影一维距离像融合识别方法 | |
CN108734115B (zh) | 一种基于标签一致字典学习的雷达目标识别方法 | |
CN112836671A (zh) | 一种基于最大化比率和线性判别分析的数据降维方法 | |
CN107092805B (zh) | 磁共振并行成像装置 | |
CN111882554A (zh) | 一种基于SK-YOLOv3的电力线故障智能检测方法 | |
CN110161480A (zh) | 基于半监督深度概率模型的雷达目标识别方法 | |
CN109871907B (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200110 |
|
CF01 | Termination of patent right due to non-payment of annual fee |