为了实现对高光谱图像中的目标自动检测,提出了一种基于空间上下文单类分类器的目标检测算法。对所采用的空间与光谱结合的特征、SVDD分类器原理、算法流程等进行研究。首先分析了支持向量数据描述(SVDD,support vector data descripti...为了实现对高光谱图像中的目标自动检测,提出了一种基于空间上下文单类分类器的目标检测算法。对所采用的空间与光谱结合的特征、SVDD分类器原理、算法流程等进行研究。首先分析了支持向量数据描述(SVDD,support vector data description)的单类分类原理。接着,结合高光谱图像特点,介绍了如何利用空间上下文信息和光谱特征作为SVDD分类器输入特征。然后,在分析比较空间光谱结合单类分类器性能的基础上,说明了采用该算法的原理。最后,给出了该算法的具体实现方法。实验结果表明:该方法优于常规的直接利用光谱信息的CEM等算法,在AVIRIS成像的某国外海军基地数据中,检测飞机目标的精度达到了90%以上。基本满足目标检测的稳定可靠、低虚警率、高识别率等要求。展开更多
文章针对生产过程中质量数据分布类型未知引起的传统质量控制图异常检测精度低的问题,提出结合支持向量数据描述(support vector data description,SVDD)和密度峰值聚类(density peaks clustering,DPC)的制造过程异常检测方法。采用DPC...文章针对生产过程中质量数据分布类型未知引起的传统质量控制图异常检测精度低的问题,提出结合支持向量数据描述(support vector data description,SVDD)和密度峰值聚类(density peaks clustering,DPC)的制造过程异常检测方法。采用DPC算法对质量特征数据进行聚类分析,将聚类结果作为模型输入训练得到各类超球体中心和决策边界;以此建立基于内核距离的DPC控制图,实现对生产过程质量波动的实时监控;最后将该控制图应用到再制造曲轴生产过程监控中。结果表明,该文提出的DPC控制图可以有效监测再制造曲轴生产过程质量异常波动,验证了该检测方法的可行性和有效性。展开更多
针对雷达/红外双模复合导引头的目标识别问题,提出一种基于多核核函数的含负类支持向量数据描述(negative support vector data description,NSVDD)识别方法。首先对疑似目标的雷达一维距离像和红外图像进行特征提取,获得目标的雷达和...针对雷达/红外双模复合导引头的目标识别问题,提出一种基于多核核函数的含负类支持向量数据描述(negative support vector data description,NSVDD)识别方法。首先对疑似目标的雷达一维距离像和红外图像进行特征提取,获得目标的雷达和红外特征,并采用典型相关分析获得双模融合特征,再利用多核NSVDD方法实现目标识别。通过采用多核核函数代替传统的单核核函数实现特征空间映射,获得更为准确的NSVDD模型描述边界。仿真结果表明:该算法应用于坦克、雷达车和民用车辆的识别,目标识别准确率相对于传统NSVDD方法提升了10%左右。展开更多
文摘为了实现对高光谱图像中的目标自动检测,提出了一种基于空间上下文单类分类器的目标检测算法。对所采用的空间与光谱结合的特征、SVDD分类器原理、算法流程等进行研究。首先分析了支持向量数据描述(SVDD,support vector data description)的单类分类原理。接着,结合高光谱图像特点,介绍了如何利用空间上下文信息和光谱特征作为SVDD分类器输入特征。然后,在分析比较空间光谱结合单类分类器性能的基础上,说明了采用该算法的原理。最后,给出了该算法的具体实现方法。实验结果表明:该方法优于常规的直接利用光谱信息的CEM等算法,在AVIRIS成像的某国外海军基地数据中,检测飞机目标的精度达到了90%以上。基本满足目标检测的稳定可靠、低虚警率、高识别率等要求。
文摘文章针对生产过程中质量数据分布类型未知引起的传统质量控制图异常检测精度低的问题,提出结合支持向量数据描述(support vector data description,SVDD)和密度峰值聚类(density peaks clustering,DPC)的制造过程异常检测方法。采用DPC算法对质量特征数据进行聚类分析,将聚类结果作为模型输入训练得到各类超球体中心和决策边界;以此建立基于内核距离的DPC控制图,实现对生产过程质量波动的实时监控;最后将该控制图应用到再制造曲轴生产过程监控中。结果表明,该文提出的DPC控制图可以有效监测再制造曲轴生产过程质量异常波动,验证了该检测方法的可行性和有效性。
文摘针对雷达/红外双模复合导引头的目标识别问题,提出一种基于多核核函数的含负类支持向量数据描述(negative support vector data description,NSVDD)识别方法。首先对疑似目标的雷达一维距离像和红外图像进行特征提取,获得目标的雷达和红外特征,并采用典型相关分析获得双模融合特征,再利用多核NSVDD方法实现目标识别。通过采用多核核函数代替传统的单核核函数实现特征空间映射,获得更为准确的NSVDD模型描述边界。仿真结果表明:该算法应用于坦克、雷达车和民用车辆的识别,目标识别准确率相对于传统NSVDD方法提升了10%左右。
