摘要
在毫米波距离像识别过程中,选择用于训练分类器的样本点的策略往往非常简单,比如随机选取。这些简单的策略无法充分利用已知样本的信息,使得分类器的性能差别很大。针对这一问题,将局部线性重构的主动学习算法(LLRAL)引入到训练样本的选择过程中。算法从全局样本中选择信息量最大的样本,并且在选取的过程中,借鉴了流形学习中局部重构的思想,加入局部线性重构的约束条件,使得选出的样本不仅在全局范围内具有最大的信息量,同时能够保持样本原有的局部结构。使用k-NN和SVM对不同的样本选择算法进行了仿真实验。仿真实验结果表明,在使用相同的分类算法时,该算法不仅性能稳定,而且具有更高的正确识别率。
在毫米波距离像识别过程中,选择用于训练分类器的样本点的策略往往非常简单,比如随机选取。这些简单的策略无法充分利用已知样本的信息,使得分类器的性能差别很大。针对这一问题,将局部线性重构的主动学习算法(LLRAL)引入到训练样本的选择过程中。算法从全局样本中选择信息量最大的样本,并且在选取的过程中,借鉴了流形学习中局部重构的思想,加入局部线性重构的约束条件,使得选出的样本不仅在全局范围内具有最大的信息量,同时能够保持样本原有的局部结构。使用k-NN和SVM对不同的样本选择算法进行了仿真实验。仿真实验结果表明,在使用相同的分类算法时,该算法不仅性能稳定,而且具有更高的正确识别率。
出处
《微波学报》
CSCD
北大核心
2012年第S1期271-275,共5页
Journal of Microwaves
基金
江苏省省高校自然科学研究项目(11KJB510020)
关键词
一维距离像
主动学习
局部重构
目标识别
range profile
active learning
locally linear
target recognition