基于LSTM-Attention的空间目标分类研究

针对空间目标特有属性及其运动趋势难以使用单一元素进行描述,以及现有空间目标分类技术准确度低等问题,构建了一种基于LSTM-Attention的空间目标分类模型,该模型无需开展额外的特征工程,能够联系空间目标序列数据的上下文信息和长期依赖关系,提取样本的局部特征并对其长期运动趋势进行建模。利用Mini-Mega TORTORA(MMT)系统实测光变曲线进行验证,与传统方法相比,设计使用的模型拥有较高的数据处理效率,能够提高空间目标的分类准确度并满足空间态势感知的部分应用需求。

基于二次表示的空间目标图像分类

针对空间目标图像的特点,该文提出一种基于局部不变特征的空间目标图像分类方法。该方法首先提取每幅图像的局部不变特征,利用混合高斯模型(GMM)建立全局的视觉模式,然后依据最大后验概率匹配局部特征和视觉模式来构造整个训练集图像的共现矩阵,采用概率潜在语义分析(PLSA)模型得到图像的潜在类别表示来实现图像的二次表示,最后利用SVM算法实现分类。实验结果验证了该方案的有效性。