针对获取水声目标有类标样本困难且代价高昂的水声目标小样本识别问题,提出了基于混合正则化深度置信网络(hybrid regularization deep belief network,HR-DBN)的水声目标深度特征学习及识别方法。该方法首先提出了混合2种正则化策略的...针对获取水声目标有类标样本困难且代价高昂的水声目标小样本识别问题,提出了基于混合正则化深度置信网络(hybrid regularization deep belief network,HR-DBN)的水声目标深度特征学习及识别方法。该方法首先提出了混合2种正则化策略的深度置信网络进行水声目标深度特征学习。第一种正则化策略是利用最大互信息组正则化项修正目标函数,提高隐含层的稀疏度;第二种正则化策略是利用大量无类标样本获得有关水声目标的普遍特性的描述和先验知识,引导特征学习。最后利用少量有类标样本对网络进行全局优化,构建识别系统,提高水声目标识别正确率。利用2类实测舰船辐射噪声数据进行验证实验,实验结果表明,提出的方法可以提取描述水声目标的深度特征,提高水声目标识别正确率。展开更多
随着社会发展,海洋空间对人类变得愈发重要,对新的水下目标自动识别系统的需求也愈发迫切。在水下目标自动识别系统的构建过程中,提取到的特征含有很多冗余特征、不相关特征和噪声特征,影响系统工作效率,降低了分类识别正确率。为此,本...随着社会发展,海洋空间对人类变得愈发重要,对新的水下目标自动识别系统的需求也愈发迫切。在水下目标自动识别系统的构建过程中,提取到的特征含有很多冗余特征、不相关特征和噪声特征,影响系统工作效率,降低了分类识别正确率。为此,本文提出一种新的用于水下目标识别的特征选择算法——基于图学习的无监督特征选择算法(Unsupervised Feature Selection Algorithm Based on Graph Learning,UFSGL)。该算法通过同时进行转换矩阵优化和图学习来优化算法框架,并用正则化方法优化加权图中边的光滑度,最后对转换矩阵进行稀疏化从而进行特征选择。使用UCI数据库的sonar数据集对算法性能进行验证,结果证明,UFSGL算法能够有效减少特征子集中的特征个数,并在一定程度上提高分类识别正确率。展开更多
基于半监督学习理论的水下目标识别系统能够从未知类别测试集中识别出已学习类别测试样本,并拒判未学习类别测试样本。描述并讨论了两种基于支持向量数据描述(Support Vector Data Description,SVDD)的半监督水下目标识别算法:半监督SVD...基于半监督学习理论的水下目标识别系统能够从未知类别测试集中识别出已学习类别测试样本,并拒判未学习类别测试样本。描述并讨论了两种基于支持向量数据描述(Support Vector Data Description,SVDD)的半监督水下目标识别算法:半监督SVDD与半监督SVDD集成。利用四类实测水下目标样本进行实验,训练样本为三类已知类别样本,测试样本为四类样本,包含一类未学习类别样本。对两种算法实验结果进行比较,表明半监督SVDD集成算法比半监督SVDD算法能更好地识别已学习类别测试样本,并能有效拒判未学习类别测试样本,不足之处为时间消耗与过程复杂程度比半监督SVDD算法高。展开更多
文摘针对获取水声目标有类标样本困难且代价高昂的水声目标小样本识别问题,提出了基于混合正则化深度置信网络(hybrid regularization deep belief network,HR-DBN)的水声目标深度特征学习及识别方法。该方法首先提出了混合2种正则化策略的深度置信网络进行水声目标深度特征学习。第一种正则化策略是利用最大互信息组正则化项修正目标函数,提高隐含层的稀疏度;第二种正则化策略是利用大量无类标样本获得有关水声目标的普遍特性的描述和先验知识,引导特征学习。最后利用少量有类标样本对网络进行全局优化,构建识别系统,提高水声目标识别正确率。利用2类实测舰船辐射噪声数据进行验证实验,实验结果表明,提出的方法可以提取描述水声目标的深度特征,提高水声目标识别正确率。
文摘随着社会发展,海洋空间对人类变得愈发重要,对新的水下目标自动识别系统的需求也愈发迫切。在水下目标自动识别系统的构建过程中,提取到的特征含有很多冗余特征、不相关特征和噪声特征,影响系统工作效率,降低了分类识别正确率。为此,本文提出一种新的用于水下目标识别的特征选择算法——基于图学习的无监督特征选择算法(Unsupervised Feature Selection Algorithm Based on Graph Learning,UFSGL)。该算法通过同时进行转换矩阵优化和图学习来优化算法框架,并用正则化方法优化加权图中边的光滑度,最后对转换矩阵进行稀疏化从而进行特征选择。使用UCI数据库的sonar数据集对算法性能进行验证,结果证明,UFSGL算法能够有效减少特征子集中的特征个数,并在一定程度上提高分类识别正确率。
文摘基于半监督学习理论的水下目标识别系统能够从未知类别测试集中识别出已学习类别测试样本,并拒判未学习类别测试样本。描述并讨论了两种基于支持向量数据描述(Support Vector Data Description,SVDD)的半监督水下目标识别算法:半监督SVDD与半监督SVDD集成。利用四类实测水下目标样本进行实验,训练样本为三类已知类别样本,测试样本为四类样本,包含一类未学习类别样本。对两种算法实验结果进行比较,表明半监督SVDD集成算法比半监督SVDD算法能更好地识别已学习类别测试样本,并能有效拒判未学习类别测试样本,不足之处为时间消耗与过程复杂程度比半监督SVDD算法高。