提出了一种基于核主成分分析(kernel principal component analysis,简称KPCA)和拉普拉斯正则化最小二乘(Laplacian regularized least squares,简称LapRLS)的合成孔径雷达(synthetic aperture radar,简称SAR)目标识别方法.KPCA特征提...提出了一种基于核主成分分析(kernel principal component analysis,简称KPCA)和拉普拉斯正则化最小二乘(Laplacian regularized least squares,简称LapRLS)的合成孔径雷达(synthetic aperture radar,简称SAR)目标识别方法.KPCA特征提取方法不仅能够提取目标主要特征,而且有效地降低了特征维数.Laplacian正则化最小二乘分类是一种半监督学习方法,将训练集样本作为有标识样本,测试集样本作为无标识样本,在学习过程中将测试集样本包含进来以获得更高的识别率.在MSTAR实测SAR地面目标数据上进行实验,结果表明,该方法具有较高的识别率,并对目标角度间隔具有鲁棒性.与模板匹配法、支撑矢量机以及正则化最小二乘监督学习方法相比,具有更高的SAR目标识别正确率.此外,还通过实验分析了不同情况下有标识样本数目对目标识别性能的影响.展开更多
结构动载荷识别反问题是典型的病态问题,需要应用正则方法克服其病态特性而获得稳定的解。与直接正则化算法Tikhonov方法相比,共轭梯度最小二乘(Conjugate Gradient Least Squares,CGLS)迭代算法在载荷识别反问题的正则化过程有无须对...结构动载荷识别反问题是典型的病态问题,需要应用正则方法克服其病态特性而获得稳定的解。与直接正则化算法Tikhonov方法相比,共轭梯度最小二乘(Conjugate Gradient Least Squares,CGLS)迭代算法在载荷识别反问题的正则化过程有无须对传递矩阵求逆、无须明确正则化参数的优点。提出共轭梯度最小二乘迭代正则化算法和启发式迭代收敛终止准则,用于三自由度仿真模型和壳结构试验模型的冲击载荷识别,并与经典的Landweber迭代正则化算法和直接正则化算法Tikhonov方法比较。仿真和实验结果表明:CGLS迭代正则化算法在识别精度、收敛速度、计算效率和抗噪性方面有明显优势。展开更多
文摘提出了一种基于核主成分分析(kernel principal component analysis,简称KPCA)和拉普拉斯正则化最小二乘(Laplacian regularized least squares,简称LapRLS)的合成孔径雷达(synthetic aperture radar,简称SAR)目标识别方法.KPCA特征提取方法不仅能够提取目标主要特征,而且有效地降低了特征维数.Laplacian正则化最小二乘分类是一种半监督学习方法,将训练集样本作为有标识样本,测试集样本作为无标识样本,在学习过程中将测试集样本包含进来以获得更高的识别率.在MSTAR实测SAR地面目标数据上进行实验,结果表明,该方法具有较高的识别率,并对目标角度间隔具有鲁棒性.与模板匹配法、支撑矢量机以及正则化最小二乘监督学习方法相比,具有更高的SAR目标识别正确率.此外,还通过实验分析了不同情况下有标识样本数目对目标识别性能的影响.
文摘结构动载荷识别反问题是典型的病态问题,需要应用正则方法克服其病态特性而获得稳定的解。与直接正则化算法Tikhonov方法相比,共轭梯度最小二乘(Conjugate Gradient Least Squares,CGLS)迭代算法在载荷识别反问题的正则化过程有无须对传递矩阵求逆、无须明确正则化参数的优点。提出共轭梯度最小二乘迭代正则化算法和启发式迭代收敛终止准则,用于三自由度仿真模型和壳结构试验模型的冲击载荷识别,并与经典的Landweber迭代正则化算法和直接正则化算法Tikhonov方法比较。仿真和实验结果表明:CGLS迭代正则化算法在识别精度、收敛速度、计算效率和抗噪性方面有明显优势。
