基于SVM分类可信度的暴雨/冰雹分类模型

为提高支持向量机(support vector machine,SVM)暴雨/冰雹分类准确率,研究了暴雨/冰雹样本到分类超平面的距离、样本邻域以及训练样本的过程信息对SVM分类可信度的影响,提出了采用距离系数、邻域系数和过程系数综合确定SVM分类可信度的方法,设计了基于SVM分类可信度的暴雨/冰雹分类模型,对暴雨和冰雹进行区分.结果表明:采用距离系数、邻域系数和过程系数可有效确定SVM分类可信度,基于SVM分类可信度的暴雨/冰雹分类模型有利于提高冰雹识别的击中率并降低其误报率.

结合可信度和DS证据理论的ECOC多类分类研究

针对多类目标识别问题,利用三符号纠错输出编码作为将多类分解为若干个二类问题的结构框架,用改进的证据理论作为融合策略,将每一个二分器的输出作为证据之一进行融合;同时对分类器的可信度进行估计,并将得到的信任度量值融入证据中,从而提高多类分类的正确率。实验中分别对UCI数据集和三种一维距离像数据集进行测试,结果表明本文提出的基于分类器可信度的多类目标识别方法能有效地提高复杂环境下多传感器目标识别的正确率。

基于区间值模糊集的聚类方法

提出了基于区间值模糊集的两种聚类分析的方法 ,并引入了一种指标 ,对分类结果的可信度进行了定量分析 。

基于模糊数模糊集的聚类分析

提出了模糊数模糊集及模糊相似矩阵的概念，建立了基本模糊数模糊集的聚类分析理论，并引入了分类可信度的概念。

结合ECOC与DS证据理论的多目标识别研究

针对目标识别中多类分类的难点问题,提出了一种C-DSECOC多目标识别方法。该方法采用二符号纠错输出编码(binary Error-Correcting Output Codes)作为分解框架,采用DS证据理论作为解码策略,并结合ECOC结构特点对传统的DS证据理论进行重新构造。在确定DS基本概率赋函数值时引入损失函数,使BPA的获取除与二分器的输出有关外,还由其对不同类别样本的正确分类能力决定,从而提高ECOC集成的分类性能和泛化性能。实验中分别对UCI数据集和3种一维距离像数据集进行测试。结果表明,提出的C-DSECOC方法能有效地提高多类目标识别的正确率。

结合SVM和DS证据理论的多极化HRRP分类研究

针对雷达目标一维距离像(HRRP)识别问题,结合支持向量机(SVM)和DS证据理论提出一种多极化HRRP分类方法—–SDHRRP.该方法通过混淆矩阵获取基分类器之间的距离,从而根据基分类器对不同目标类的分类能力给其赋予不同的可信度.将该可信度值与SVM后验概率结合到DS证据理论的基本概率赋值(BPA)中,以实现SVM和DS证据理论在目标识别中的有效结合.对实测目标数据的实验结果表明,基于分类器可信度得到的BPA能够有效避免证据冲突,SDHRRP方法可以有效降低融合分类的误差率.