最大规范化依赖性多标记半监督学习方法

针对现有多标记学习方法大多属于有监督学习方法,而不能有效利用相对便宜且容易获得的大量未标记样本的问题,本文提出了一种新的多标记半监督学习方法,称为最大规范化依赖性多标记半监督学习方法 (Normalized dependence maximization multi-label semi-supervised learning method).该方法将已有标签作为约束条件,利用所有样本,包括已标记和未标记样本,对特征集和标签集的规范化依赖性进行估计,并以该估计值的最大化为目标,最终通过求解带边界的迹比值问题为未标记样本打上标签.与其他经典多标记学习方法在多个真实多标记数据集上的对比实验表明,本文方法可以有效从已标记和未标记样本中学习,尤其是已标记样本相对稀少时,学习效果得到了显著提高.

基于极化不变量特征的雷达目标识别技术

极化是雷达目标具有的特性之一。以电磁散射计算仿真的圆锥形弹头模型、球形和圆柱形诱饵模型为研究对象,在极化不变量理论基础上对这些简单目标的极化特性进行了试验分析研究,提出了一种新的组合极化不变量特征(功率矩阵迹与行列式的比值)用于雷达目标识别,并给出了其对应实际的物理意义。文中以SVM为分类器,提出基于功率矩阵迹、去极化系数和功率矩阵迹与行列式的比值特征进行分类识别,结果表明,该方法可以有效地将弹头和诱饵进行分类识别。