基于冗余离散小波变换的信号配准及分类

离散小波变换(Discrete wavelet transform,DWT)对输入信号的平移敏感,当输入信号间存在平移时,基于DWT的信号分类会受到负面影响.本文提出一种基于冗余离散小波变换(Redundant DWT,RDWT)的信号配准及分类方法,克服了DWT的平移敏感性,解决输入信号间存在平移变化的信号分类问题,同时实现了信号配准以及平移不变小波系数提取.对基准信号作离散小波变换.对测试信号作冗余离散小波变换,得到测试信号的平移所对应的DWT分解,计算其同基准信号DWT分解之间的相似性,根据相似性大小对该测试信号分类并确定其相对基准信号的平移量.利用ECG(Electrocardiograph)信号的仿真实验证明了本文所提方法的有效性.

SAR图像局部非线性分布特征及提取算法

谱聚类是当今机器学习领域的研究热点,大多数算法用于图像分割。由于谱聚类能够刻画数据在低维空间内的主要特性,因此分析了谱聚类表示特征的原理,构造了一种面向图像子块的非线性局部特征,提出了相应的特征提取算法,用于刻画SAR图像分块的性质。这些特征由谱聚类产生的若干特征值构成的向量组成,然后经过傅里叶变换得到,因而具有平移不变性。在计算的过程中,可以采用Nystrm等方法解决谱聚类中矩阵不可逆问题。为了避免减弱局部特性差异,在子块相似性计算中采用了明氏距离。实验验证了所提特征的有效性。

基于Bagging-SVM动态集成的多极化HRRP识别

针对多极化高分辨率一维距离像(high range resolution profile,HRRP)在目标识别过程中存在计算量和数据量大、识别算法复杂的问题,提出一种基于Bagging-SVM动态集成的目标识别方法。该方法首先提取多极化HRRP平移不变特征向量,然后运用Bagging方法结合基于动态互信息的特征选择方法生成基分类器,最后引入基分类器差异度进行选择性集成。实验验证该方法在缩减数据规模和计算量的同时,能有效利用多极化特征信息,得到较高的分类正确率,并且松弛了HRRP目标的姿态敏感性。

利用核匹配追踪算法进行雷达高分辨距离像识别

雷达高分辨距离像识别是目前雷达自动目标识别研究领域的一个重点.采用核匹配追踪算法来设计分类器,提取一种非常简单的高分辨距离像平移不变特征———功率谱特征为识别特征,通过把高分辨距离像从像域变换到功率谱域来提取目标的平移不变特征,稳健性较好.基于实测数据的识别结果表明该算法具有较好的识别性能,同时其识别运算量较小.

基于零相位谱的雷达目标识别

在基于高分辨雷达距离像的目标识别中,相位信息起着重要作用。文中对用于全景图像对齐的零相位表示法进行了改进,得到一种称为零相位谱的平移不变特征,它保留了除线性相位以外的所有相位信息,并进一步提取其低频部分作为识别特征,基于仿真数据的试验表明,与频谱幅度特征相比其识别性能有了较大提高。