基于最小包络球的多目标共波束判定方法

为了实施多目标测控并进行调度管理,提出了基于最小包络球的多目标共波束可见判定方法,设计并实现了获得空间目标群最小包络球的随机增量式算法。采用最小包络球来刻画空间目标群的几何尺寸,通过分析最小包络球相对地面测控设备的张角情况来判断其是否共波束可见。仿真实例验证了算法的正确性。结果显示,最小包络球算法能够有效解决星座或编队星群的几何尺寸估计问题;共波束可见判断方法可以解决多个空间目标相对地面测控设备的单波束可见问题。同时在仿真中发现,在资源调度管理时采用最高仰角较小的观测弧段,可以提高测控设备的多目标跟踪效益。

适合大样本快速训练的最大夹角间隔核心集向量机

许多核化形式的分类方法如SVM,SVDD等都是对应一个二次规划(QP)问题,而核矩阵计算需要O(m2)空间复杂度,求解QP需要O(m3)时间复杂度,限制了这类方法对大样本数据的训练.本文基于一种新的分类间隔概念提出最大向量夹角间隔分类器MAMC,目标是在样本空间找到最优向量c,测试样本通过c与训练样本之间的最大化向量夹角间隔ρ(称为Margin)实现分类.同时,文中证明了该方法的核化形式等价于核化的最小包络球MEB问题,并通过引入核心集向量机CVM将MAMC扩展为MAM-CVM,进而快速实现对大样本的训练和分类.人造和真实数据集实验表明了MAMC和MAM-CVM算法的有效性.

加权最大夹角间隔核心集向量机的不平衡数据分类

为了处理大规模数据和不平衡数据分类问题,提出了一种新的分类方法,利用基于最大夹角间隔的核心集向量机算法实现对大样本数据的分类;针对不平衡数据分类问题,通过对不同的样本给予不同的权重,来提高算法的分类性能。加权最大夹角间隔核心集向量机方法不仅能够有效地解决不平衡数据的分类问题,而且能够实现对大样本数据的快速训练。