针对强噪声环境下雷达新型有源干扰识别准确率不高的问题,提出了一种KPCA-SAE-BP网络算法。提取干扰信号时域、频域、波形域、小波域、双谱域等特征构建67维输入空间,经过核主成分分析(kernel principal component analysis,KPCA)将高...针对强噪声环境下雷达新型有源干扰识别准确率不高的问题,提出了一种KPCA-SAE-BP网络算法。提取干扰信号时域、频域、波形域、小波域、双谱域等特征构建67维输入空间,经过核主成分分析(kernel principal component analysis,KPCA)将高维数据进行非线性降维与重构,利用SAE-BP神经网络完成分类识别。仿真结果表明,在干噪比(JNR)大于-1 dB的强噪声环境中,KPCA-SAE-BP网络算法对6种新型有源干扰的识别准确率达到90%以上,训练与识别时间少于0.7 s。相同参数条件下,与经典BP神经网络、SAE-BP网络、KPCA-BP网络、GA-BP网络相比,具有更好的检测识别性能。展开更多
利用模糊集的思想,并融合了二维化、主成分分析以及线性判别分析的优点提出一种基于模糊2DPLA的新方法.该方法将模糊集的概念融入到二维主成分分析和线性判别分析里面,然后在图像矩阵的水平方向和垂直方向分别使用嵌入模糊集的二维线性...利用模糊集的思想,并融合了二维化、主成分分析以及线性判别分析的优点提出一种基于模糊2DPLA的新方法.该方法将模糊集的概念融入到二维主成分分析和线性判别分析里面,然后在图像矩阵的水平方向和垂直方向分别使用嵌入模糊集的二维线性判别分析和二维主成分分析进行降维,从而使数据具有较好的鲁棒性和自适应性,最后采用基于矩阵的F-范数代替基于向量的2-范数进行分类度量.实验阶段,本文采用Yale Face Database B、ORL和FERET数据库进行测试.实验结果证明该方法具有较好的鲁棒性同时能够获得较高的识别率.展开更多
文摘利用模糊集的思想,并融合了二维化、主成分分析以及线性判别分析的优点提出一种基于模糊2DPLA的新方法.该方法将模糊集的概念融入到二维主成分分析和线性判别分析里面,然后在图像矩阵的水平方向和垂直方向分别使用嵌入模糊集的二维线性判别分析和二维主成分分析进行降维,从而使数据具有较好的鲁棒性和自适应性,最后采用基于矩阵的F-范数代替基于向量的2-范数进行分类度量.实验阶段,本文采用Yale Face Database B、ORL和FERET数据库进行测试.实验结果证明该方法具有较好的鲁棒性同时能够获得较高的识别率.
