差异性传播引导块稀疏正则的图拉普拉斯嵌入

图拉普拉斯嵌入(graph Laplacian embedding,GLE)作为传统的无监督降维方法在处理非线性流行数据上有着广泛的应用,但是它忽视了数据本身所携带的有限的弱监督信息,同时仅学习样本空间的结构,无法有效区分具有高度相似的不同类簇的样本。鉴于此,提出了一种差异性传播引导块稀疏正则的图拉普拉斯嵌入(dissimilarity propagation-guided block sparse GLE,DPBS-GLE)方法。首先,引入约束谱正则聚类(constrained clustering via spectral regularization,CCSR)模型,结合弱监督信息生成的成对约束,将原样本映射到高维的类判别空间,增强类簇之间的差异性;然后,通过图正则化方式,获取高维空间的邻接结构;最后,使用样本的“勿连”约束构造不相似矩阵引导一个稀疏正则项,用来增强数据低维嵌入的块对角表示能力,进而提高样本间的差异性。提出的算法与其他5个对比算法在6个标准数据集上进行比较,实验结果表明,提出的算法具有更高的聚类性能。

基于图拉普拉斯嵌入的合成孔径雷达时变窄带干扰抑制算法

合成孔径雷达(synthetic aperture radar,SAR)作为一种宽带系统,常与同频段内其他有源电磁系统发生冲突,这些信号相较于宽带SAR系统而言,大部分是窄带干扰(narrow-band interference,NBI),会对高分辨SAR成像系统产生严重干扰。早期关于NBI抑制问题的研究中,很少有人注意到NBIs在不同脉冲之间可能具有局部时变特性,这削弱了某些经典方法在干扰抑制上的性能。因此,本文提出了一种图拉普拉斯嵌入(graph Laplacian embedding,GLE)算法,通过在不同脉冲信号之间构建拉普拉斯嵌入关系来抑制NBIs。这使得局部时变的干扰能够被嵌入到非线性低维流形中,并被有效去除。对实测受NBI干扰的SAR数据进行处理,处理后的结果证明了所提方法的有效性。