☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

內容簡介

　　《基於核方法的雷達高分辨距離像目標識彆理論與方法》是多年來基於核方法的雷達高分辨距離像目標識彆的研究成果的總結。全書共分10章。第1章簡要概述瞭核方法的基本理論。第2章介紹瞭SVM的可分性問題以及非均衡數據目標識彆SVM模型多參數優化選擇。
　　第3章介紹瞭基於核判彆分析方法的雷達高分辨距離像識彆。第4章介紹瞭基於核聚類的雷達高分辨距離像識彆。第5章介紹瞭SVM多目標分類識彆問題。第6章介紹瞭基於單空間SVDD的雷達高分辨距離像識彆。
　　第7章介紹瞭基於自適應SVDD的雷達高分辨距離像識彆。第8章介紹瞭基於雙空間SVDD的雷達高分辨距離像識彆。第9章介紹瞭基於ISVDD的雷達高分辨距離像在綫識彆。第10章介紹瞭特徵空間數據核矩陣收縮方法。
　　《基於核方法的雷達高分辨距離像目標識彆理論與方法》主要讀者對象為信號與信息處理、人工智能與模式識彆及相關專業的高年級大學生、研究生和教師、科研人員和工程技術人員。

目錄

第1章 核方法基本理論
1．1 引言
1．2 核方法的基本概念
1．3 支持嚮量機（SVM）
1．3．1 最優分類超平麵
1．3．2 構造最優超平麵
1．3．3 廣義最優分類麵
1．3．4 高維空間中的最優分類麵
1．3．5 構造SVM
1．4 支持嚮量數據描述（SVDD）
參考文獻

第2章 SVM可分性與模型多參數優化選擇
2．1 引言
2．2 SVM可分性研究
2．2．1 綫性可分的定義
2．2．2 SVM綫性可分充要條件
2．2．3 SVM綫性可分性的度量
2．2．4 懲罰因子C對分類性能的影響
2．3 SVM模型多參數優化選擇
2．3．1 SVM模型單參數最優選擇問題
2．3．2 非均衡數據目標識彆SVM模型參數優化選擇方法
2．3．3 實驗結果與分析
參考文獻

第3章 基於核判彆分析的雷達高分辨距離像識彆
3．1 引言
3．2 基於KPCA的特徵提取和識彆
3．2．1 主分量分析方法（PCA）
3．2．2 核主分量分析方法（KPCA）
3．2．3 KPCA與PCA的比較
3．2．4 算法實現
3．2．5 實驗結果與分析
3．3 基於KDDA的特徵提取和識彆
3．3．1 綫性判彆分析（LDA）方法
3．3．2 直接判彆分析（D-LDA）方法
3．3．3 核直接判彆分析（KDDA）方法
3．3．4 基於KDDA的特徵提取和識彆算法
3．3．5 實驗結果與分析
3．4 基於核局部均值判彆分析的特徵提取和識彆
3．4．1 核Fisher判彆分析（KFDA）
3．4．2 局部均值判彆分析（LMDA）
3．4．3 核局部均值判彆分析（KLMDA）
3．4．4 KLMDA與KFDA、KDDA、CKFD的性能分析
3．4．5 實驗結果與分析
參考文獻

第4章 基於核聚類的雷達高分辨距離像識彆
4．1 引言
4．2 基於核C均值聚類的HRRP識彆
4．2．1 C均值聚類算法
4．2．2 核C均值聚類算法
4．2．3 核C均值聚類算法的核參數優化選取
4．2．4 基於核C均值聚類的高分辨距離像識彆方法
4．2．5 實驗結果與分析
4．3 基於模糊核C均值聚類的HRRP識彆
4．3．1 模糊C均值聚類算法
4．3．2 模糊核C均值聚類算法
4．3．3 自適應模糊核C均值聚類算法
4．3．4 基於模糊核C均值聚類的高分辨距離像識彆方法
4．3．5 實驗結果與分析
參考文獻

第5章 基於SVM的多目標分類識彆
5．1 引言
5．2 基於K最近鄰的SVM快速訓練算法
5．2．1 KNN-SVM算法的基本思路
5．2．2 KNN-SVM算法的基本步驟
5．2．3 實驗結果與分析
5．3 基於K最近鄰的快速SVM增量學習算法
5．3．1 KNN-ISVM算法的基本思路
5．3．2 邊界嚮量提取方法
5．3．3 KNN-ISVM算法的主要步驟
5．3．4 實驗結果與分析
5．4 基於核分級聚類的SVM多類分類算法
5．4．1 分級聚類算法的改進
5．4．2 核分級聚類算法
5．4．3 基於核分級聚類的SVM多類分類算法
5．4．4 實驗結果與分析
參考文獻

第6章 基於單空間SVDD的雷達高分辨距離像識彆
6．1 引言
6．2 SVDD超球空間分布特性和拒判域
6．2．1 HRRP在SVDD超球空間的分布特性
6．2．2 SVDD多目標識彆中的拒判問題
6．3 SVDD序貫最小相對距離多類目標識彆
6．3．1 SVDD多目標識彆的拒判域處理
6．3．2 SVDD多目標識彆訓練算法
6．3．3 最小相對距離SVDD多目標識彆算法
6．3．4 序貫最小相對距離SVDD多類目標識彆算法
6．3．5 實驗結果與分析
6．4 基於SVDD的雷達多目標模糊識彆方法
6．4．1 基於SVDD的雷達多目標模糊識彆方法
6．4．2 實驗結果與分析
參考文獻

第7章 基於自適應SVDD的雷達高分辨距離像識彆
7．1 引言
7．2 SVDD模型參數的影響
7．2．1 核參數的影響
7．2．2 懲罰因子C的影響
7．3 基於自適應SVDD的雷達高分辨距離像識彆
7．3．1 二次訓練
7．3．2 最優超球半徑選擇
7．3．3 基於常規SVDD的HRRP目標識彆流程
7．3．4 噪聲分析
7．3．5 自適應超球半徑模型
7．3．6 基於自適應SVDD的HRRP目標識彆流程
7．4 實驗結果與分析
7．4．1 高斯白噪聲情況
7．4．2 海雜波
參考文獻

第8章 基於雙空間SVDD的雷達高分辨距離像識彆
8．1 引言
8．2 超球空間HRRP的歸屬特性分析
8．3 延拓空間的樣本分布建模
8．3．1 延拓樣本分布的隸屬度模型
8．3．2 延拓樣本分布的雲模型
8．3．3 延拓樣本分布的高斯混閤模型
8．3．4 參數估計
8．4 基於雙空間SVDD的高分辨距離像識彆方法
8．5 實驗結果與分析
8．5．1 模型參數選擇
8．5．2 識彆實驗結果
8．5．3 實驗結果分析
參考文獻

第9章 基於ISVDD的雷達高分辨距離像在綫識彆
9．1 引言
9．2 支持嚮量數據描述的增量泛化性能分析
9．2．1 SVDD的KKT條件
9．2．2 SVDD的訓練樣本分布特性
9．2．3 增量樣本的超球空間分布特性
9．2．4 實驗結果與分析
9．3 一種適於在綫學習的增量支持嚮量數據描述算法
9．3．1 增量支持嚮量數據描述
9．3．2 ISVDD性能分析
9．3．3 實驗結果與分析
9．4 基於ISVDD的雷達高分辨距離像在綫識彆方法
9．4．1 分方位幀建模
9．4．2 全方位HRRP的等間隔分幀
9．4．3 基於ISVDD的HRRP在綫識彆方法
9．4．4 實驗結果與分析
參考文獻

第10章 特徵空間數據核矩陣收縮方法
10．1 引言
10．2 非綫性可分與不可分問題
10．3 特徵空間數據核矩陣收縮方法
10．3．1 數據在特徵空間的收縮因子
10．3．2 數據在特徵空間收縮後的核矩陣
10．3．3 數據在特徵空間收縮方法
10．4 實驗結果與分析
10．4．1 二維數據收縮實驗
10．4．2 特徵空間數據核矩陣收縮實驗
附錄A 式（3．70）的推導
附錄B 式（3．75）的推導
附錄C 式（3．90）的推導
附錄D 式（3．94）的推導
參考文獻

前言/序言

基於核方法的雷達高分辨距離像目標識彆理論與方法 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

類似圖書 點擊查看全場最低價