HRRP稀疏自编码器深层特征与散射中心特征的关联性研究

利用稀疏自编码器网络对典型目标一维高分辨距离像(high resolution range profile,HRRP)进行了学习训练,基于各层权重系数矩阵定义了一种综合权重系数,通过综合权重系数和降维特征与散射中心特征的对比分析,发现稀疏自编码器深层特征与散射中心特征之间具有一定的关联性,并对综合权重系数和深层降维特征的物理意义进行了解释。首先针对HRRP构建稀疏自编码器网络,经过深层学习后获取训练后的权重系数和降维后的特征,并与散射中心的位置特征和强度分布特征进行关联性分析。结果表明,综合权重系数矩阵为与散射中心密切相关的类字典系数矩阵,反映了距离域强散射中心位置随角度变化的可能的分子集;降维特征能够实现对强散射中心的学习和提取,反映了强散射中心位置和强度随角度的变化。最后分析了网络训练层数和降维维数对学习训练结果的影响,可指导后续网络参数的选择。文章首次针对雷达HRRP数据开展深度学习特征的可解释性研究,为后续深度学习在雷达数据处理中的广泛应用提供了有益的导引。

综合利用纹理和中心特征的图像检索

基于特征的图像检索在多媒体数据库管理和多媒体通信传输中得到越来越多的重视。本文介绍了基于纹理特征的特征提取方法和中心特征的提取方法 ,并进而提出了一种综合利用上述两个特征共同进行检索的方法。对真实图像库的检索实验表明 ,综合特征检索比单一特征检索更符合人的视觉特性 ,检索效果更好。

基于纹理-形状-中心特征的图像检索

随着多媒体技术的发展,大容量的图像库得到了广泛的应用,基于内容的图像检索(CBIR)在多媒体图像库管理和检索中得到了越来越多的重视。传统的图像检索主要依赖颜色、纹理、形状、空间关系等单一视觉特征,检索效果往往不够理想。针对这一实际问题,首先分别介绍了基于纹理、基于形状与基于中心特征的三种图像检索方法,并在此基础上提出了综合利用以上三种特征共同进行检索的方法。通过对真实图像库的检索试验表明,综合三种特征的检索比单一特征检索更符合人的视觉感受要求,因而检索效果更好。

基于中心对称特征耦合仿射度量模型的图像匹配方法

针对当下较多图像匹配算法利用距离度量法来实现特征匹配,没考虑图像仿射变换的影响,使得匹配结果准确率不高的问题,提出了中心对称特征耦合仿射度量模型的图像匹配算法。首先,引入Forstner算子,利用像素点的GS梯度特征提取特征点;然后,利用图像的Haar小波信息与中心对称像素点的灰度值,求取特征向量;接着,利用特征点之间的旋转、平移以及缩放的仿射特征,构造仿射度量模型,利用其计算出匹配的特征点对;最后,采用结构相似度(SSIM)函数,计算匹配点对的结构相似性,对匹配点对去伪求真,以求取最优匹配效果。实验结果表明,与当下匹配方法相比,所提算法不仅能更准确地实现图像匹配,而且还能够更好地适应具有仿射变换关系图像之间的匹配。

基于中心矩特征的雷达HRRP自动目标识别

针对雷达高分辨距离像 (HRRP)的方位敏感性和平移敏感性 ,对一定角域内的HRRP非相干平均 ,提取具有平移不变性的中心矩作为特征向量 ,采用Karhunen Loeve变换进一步进行特征压缩 ,建立相应的支撑矢量机(SVM)分类算法 .与基于原始距离像特征的最大似然 (ML)方法和基于中心矩特征的ML方法识别结果比较 ,该方法在减少计算量的同时具有较高的识别率 。

基于小波域中心矩特征的SAR图像识别

为克服合成孔径雷达(SAR:Synthetic Aperture Radar)图像的方位敏感性和平移敏感性给识别带来的困难,提出一种基于二维离散小波变换与中心矩特征提取的SAR图像目标识别方法。该方法通过对图像的二维离散小波分解提取低频子带图像,同时提取具有平移不变性的中心矩作为特征向量,利用支持向量机进行目标分类和识别。实验结果表明,该方法在有效抑制噪声的情况下,很好地克服了SAR图像对目标方位的敏感性,在减少计算量的同时具有较高的识别率。

闭合气压系统中心分布特征量及应用

用单位半径球面上闭合气压系统环流指数P(强度)、C(中心位置)的多年序列,构造了历年系统中心在C-周围分布的3个特征量:1)平均距离r,它定义为历年系统中心C偏离于气候中心C-(即中心位置异常C′)的权重几何平均距离,是系统中心分布区域大小的度量;2)压缩系数μ,它描述了历年系统中心分布区域偏离于圆形的程度,是历年系统中心位置分布各向异性的度量;3)极大异常方向β,它用系统中心极大异常偏离-C处正东方向的角度,给出了系统中心的主要异常方向。对1948—2007年6、7、8月100hPa南亚高压中心位置分布特征量的计算结果表明,它们能简要、精确地描述系统中心位置异常在球面上的分布特征。根据r、μ、β的定义,它们也适用于精确描述球面上其他要素场中闭合系统中心在球面上的分布特征。

基于频谱图像中心矩特征的雷达信号分选方法

针对新体制频率捷变雷达信号分选准确率低的问题,提出了基于频谱图像中心矩特征的雷达信号分选方法。该方法首先对雷达信号进行离散傅里叶变换(DFT),得到频谱图像;然后对频谱图像进行预处理,提取频谱图像中心矩特征为信号的相参特征;最后采用支持向量机分类器实现信号分选。以新体制频率捷变雷达信号为代表进行的仿真验证表明,该方法在小样本及较低信噪比下仍能获得较为满意的分选准确率,当信噪比为5dB时,信号分选准确率达到98%,验证了所提出方法的有效性。

基于中心矩特征的空间目标识别方法

目标的雷达散射截面(RCS)包含了丰富的目标类别信息,有效地利用目标RCS特征对空间目标的雷达识别具有重要的意义。该文利用空间目标回波的距离维信号来进行识别。中心矩特征具有平移不变性,是一种简单有效的波形特征提取算法。文中首先提取中心矩作为特征向量,再采用Fisher判据进一步进行特征压缩,最后利用支撑矢量机(SVM)分类算法实现识别。基于实测数据的仿真实验结果表明,该方法具有较好的识别性能和推广能力。

基于中心距离特征的人体运动序列关键帧提取

运动捕获数据的关键帧是原始运动序列的简洁表示,对于运动压缩、运动检索和运动分割起着重要的作用。提出了一种基于中心距离特征的人体运动捕获数据关键帧提取方法,通过提取四肢到中心点ROOT的距离,得到一组中心距离特征,将特征分为上肢和下肢来分别表示,并提取上下肢的距离模,得到二维的特征向量模;然后采用主成分分析得到一维特征,并提取其局部极值点作为初始关键帧;最后通过对初始关键帧的重新筛选与插入得到最终关键帧序列。实验结果表明,该方法提取的关键帧序列在视觉上能够很好的概括原始运动序列的内容,且具有高压缩率。

基于特征值分解的中心支持向量机算法

针对广义特征值中心支持向量机(GEPSVM)训练和决策过程不一致问题,该文提出一类改进的基于特征值分解的中心支持向量机,简称为IGEPSVM。首先针对二分类问题提出了基于特征值分解的中心支持向量机,然后基于"一类对余类"策略将其推广到多类分类问题。将GEPSVM求解广义特征值问题转化为求解标准特征值问题,降低了计算复杂度。引入了一个新的参数,可以调节模型的性能,提高了GEPSVM的分类精度。提出了基于IGEPSVM的多类分类算法。实验结果表明,与GEPSVM算法相比较,IGEPSVM不仅提高了分类精度,而且缩短了训练时间。

一类抛物型偏微分方程的特征中心差分方法

运用特征中心差分方法来求解一类抛物型偏微分方程.通过对网格的不均匀剖分来离散方程,得到方程的特征中心差分格式.作了H1误差估计,给出了相应的定理.数值实验表明该方法对解此类问题是高效稳定的.

空间非编码标记特征点中心定位方法与比较

归纳总结了应用于可见光测量的空间标记非编码设计原则,例举了棋盘格型、栅格型、圆型等3种典型的非编码标记图案设计,分别阐述了各标记特征点中心定位方法和计算过程,开展了对比试验,结果表明:圆型非编码标记图案设计及其特征点中心定位精度明显高于其他两种图案,其图案设计简捷、特征点突出易于识别、在像平面中呈现各向同性、点中心定位精度高、计算速度快、噪声抑制能力强。

基于统计特征中心对称局部二值模式的虹膜识别

由于中心对称局部二值模式(CS-LBP)的虹膜识别具有特征维数高、对噪声敏感等缺点,提出了基于统计特征中心对称局部二值模式(SCCS-LBP)的虹膜识别方法。首先,根据虹膜纹理的分布特性,用CS-LBP对归一化的虹膜图像进行编码;为了进一步降低特征维数,对编码后的图像进行特征统计。然后,根据统计结果的分布,提取出有效的二值特征图像。最后,用Hamming距离进行虹膜识别。对CASIA1.0、CASIA2.0、CASIA3.0-Interval、MMU1图像库进行了识别,最高正确识别率分别为99.955%、99.848%、99.989%、99.916%。实验结果表明:该方法有效地利用了虹膜纹理分布特性,与LBP和CS-LBP方法相比,具有更少的特征维数、更高的正确识别率和更好的鲁棒性。

流域中心城市的特征与建设对策研究——以襄阳为例

近年来随着长江经济带、汉江生态经济带战略等流域经济带发展战略的相继提出与推进,流域经济研究已成为学术界关注的热点。襄阳在汉江流域中具有区位条件优越、交通优势突出、综合实力雄厚等诸多优势,具有建设汉江流域中心城市的潜力。分析了流域中心城市内涵、特征、标准及指标体系,就襄阳建设汉江流域中心城市的路径和措施进行探讨,不仅对流域经济研究具有理论研究价值,也对于襄阳加快建设汉江流域中心城市具有现实的指导意义。

RLW方程的特征-块中心差分法

针对线性的RLW方程提出了一种特征-块中心差分法,不但得到了近似解和解的一阶导数,还给出L2模的误差估计,并且数值实验结果与理论分析一致,说明了该方法的可行性和有效性.

CT体数据中心环绕特征检测算法及其CUDA加速

针对CT体数据的多尺度特征点检测计算量大、耗时长的问题,提出一种三维中心环绕特征快速检测算法。设计三维中心环绕特征检测子,结合三维积分图像快速生成图像的尺度空间,同时利用三维Harris边缘判定准则去除边缘点,增强特征点的稳定性。实验结果表明,相比于经典的三维Do G和SURF检测子,算法计算时间显著降低(检测时间约为三维Do G检测子的1/8,三维SURF检测子的1/2),同时相比于三维SURF检测子,特征点检测重复率也有一定程度的提高。最后,对三维中心环绕特征检测算法进行并行性分析,并分别从尺度空间生成和特征点搜索及边缘抑制两部分进行CUDA并行加速。实验结果表明,经CUDA加速后,算法能得到10倍左右的加速比,特征点检测过程耗时基本达到实际应用需求。

基于CUDA的动态视觉测量像面特征点中心快速定位算法

数字相机分辨率的提升对视觉测量中精度的提高有很大的促进作用,但是高分辨率图像同时也会带来更大的数据量和计算量的问题。在CPU上应用传统的串行特征点中心定位算法耗时较大,无法满足动态测量的要求。针对此提出了CUDA架构下的并行像面特征点中心快速定位算法。经过分析发现,当大于10 000个点时串行特征点中心定位算法在图像预处理、区域约束判断和点中心计算消耗的时间在90%以上,因此主要对这三个最耗时的部分展开重点研究,分析每部分的并行性,然后实现基于CUDA的特征点中心定位并行算法。实验结果表明,在点中心定位精度没有损失的前提下,提取35 000个点坐标时在CUDA上比传统的串行实现的处理速度提高了11.5倍,并且随着特征点数量的增加加速比还有显著的提高。

一种基于中心矩特征的SAR图像目标识别方法

合成孔径雷达自动目标识别是目前国内外模式识别领域的重点研究课题之一。本文给出了一种内存需求小,低计算复杂度且具有较好识别性能的SAR图像目标识别方法,先通过自适应阈值分割来获得目标图像,然后提取其中心矩特征,采用SVM来进行识别。基于美国M STAR实测数据的识别试验验证了该方法的有效性。

一类非线性发展方程的特征中心差分法

给出一类非线性发展方程的特征中心差分法,分别得到非规则网格上的位移u、速度ut及其对空间变量x的一阶导数项的差分解和误差估计.所讨论方法的计算量与基于线性插值的特征差分法相当,其近似解与基于二次插值的特征差分法的近似解具有相同阶的误差估计,u,ut对空间变量x的一阶导数近似均具有超收敛误差估计.数值试验说明了该方法的可行性和有效性.