期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于混合概率主成分分析的HRRP特征提取
被引量：
6
1
作者
李彬
李辉
《系统工程与电子技术》
EI
CSCD
北大核心
2017年第1期1-7,共7页
针对主成分分析(principal component analysis,PCA)等数据压缩方法用于雷达高分辨距离像(high resolution range profile,HRRP)的特征提取,只能反映固定方位帧内HRRP线性结构,而无法准确描述目标,导致识别性能下降的问题,提出了一种基...
针对主成分分析(principal component analysis,PCA)等数据压缩方法用于雷达高分辨距离像(high resolution range profile,HRRP)的特征提取,只能反映固定方位帧内HRRP线性结构,而无法准确描述目标,导致识别性能下降的问题,提出了一种基于混合概率PCA的HRRP特征提取方法。该方法利用期望最大值(Expectation maximization,EM)算法求解HRRP的一、二阶统计参数,能够真实反映数据分布,以分布趋同的原则实现不同方位帧的聚类,减少模板数量。最后通过自适应高斯分类器和Kullback-Leibler距离分类器识别获取的统计特征,可进一步改善识别性能。仿真实验验证了该方法能够在降低数据维数的同时,实现HRRP统计特征的提取,能一定程度上削弱方位敏感性的影响。
展开更多
关键词
雷达目标识别
高分辨距离像
混合概率主成分分析
期望最大值算法
在线阅读
下载PDF
职称材料
一种基于混合概率PCA模型的高光谱图像非监督分类方法
被引量：
3
2
作者
吴昊
郁文贤
匡纲要
《国防科技大学学报》
EI
CAS
CSCD
北大核心
2005年第2期61-64,共4页
提出了一种在期望最大化(EM)算法框架下同时实现混合概率主成分分析(PPCA)降维和聚类的高光谱图像非监督分类方法。它根据不同类别应各有自己代表性的特征集,将通常意义下的特征抽取和模式分类合并在一步内完成,尽可能地保留了可分性;...
提出了一种在期望最大化(EM)算法框架下同时实现混合概率主成分分析(PPCA)降维和聚类的高光谱图像非监督分类方法。它根据不同类别应各有自己代表性的特征集,将通常意义下的特征抽取和模式分类合并在一步内完成,尽可能地保留了可分性;同时该方法具有概率模型的优点,更适合高维数据处理。采用仿真数据和真实数据进行的比较实验表明,该算法较一般不加区分地对所有原始数据进行PCA降维再分类的方法能得到更好的分类结果。
展开更多
关键词
非监督分类
降维
混合概率主成分分析
期望最大化算法
在线阅读
下载PDF
职称材料
基于混合概率PCA模型高光谱图像本征维数确定
被引量：
4
3
作者
普鑫
《计算机工程》
CAS
CSCD
北大核心
2007年第9期204-206,共3页
如何有效实现降维是现代成像光谱仪辨识地物类别的一个难点所在。该文在已知高光谱图像地物类别数的情况下,提出了一种采用混合最小描述长度(MMDL)模型选择准则确定高光谱图像本征维数的方法。该方法在期望最大化算法框架下同时实现混合...
如何有效实现降维是现代成像光谱仪辨识地物类别的一个难点所在。该文在已知高光谱图像地物类别数的情况下,提出了一种采用混合最小描述长度(MMDL)模型选择准则确定高光谱图像本征维数的方法。该方法在期望最大化算法框架下同时实现混合PPCA降维和聚类,并根据MMDL准则确定数据降维维数,可以得到数据在概率意义下的精确的降维表征。仿真数据和真实数据进行的比较实验表明,该方法能精确地选择数据的本征维数。
展开更多
关键词
降维
本征维数
混合概率主成分分析
混合
最小描述长度准则
期望最大化算法
在线阅读
下载PDF
职称材料
题名
基于混合概率主成分分析的HRRP特征提取
被引量：
6
1
作者
李彬
李辉
机构
西北工业大学电子信息学院
出处
《系统工程与电子技术》
EI
CSCD
北大核心
2017年第1期1-7,共7页
基金
国家自然科学基金(61571364)
西北工业大学研究生创新创意种子基金(Z2016022)资助课题
文摘
针对主成分分析(principal component analysis,PCA)等数据压缩方法用于雷达高分辨距离像(high resolution range profile,HRRP)的特征提取,只能反映固定方位帧内HRRP线性结构,而无法准确描述目标,导致识别性能下降的问题,提出了一种基于混合概率PCA的HRRP特征提取方法。该方法利用期望最大值(Expectation maximization,EM)算法求解HRRP的一、二阶统计参数,能够真实反映数据分布,以分布趋同的原则实现不同方位帧的聚类,减少模板数量。最后通过自适应高斯分类器和Kullback-Leibler距离分类器识别获取的统计特征,可进一步改善识别性能。仿真实验验证了该方法能够在降低数据维数的同时,实现HRRP统计特征的提取,能一定程度上削弱方位敏感性的影响。
关键词
雷达目标识别
高分辨距离像
混合概率主成分分析
期望最大值算法
Keywords
radar target recognition
high resolution range profile （HRRP）
mixtures of probabilistic com-ponent analysis
expectation maximization algorithm
分类号
TN957.51 [电子电信—信号与信息处理]
在线阅读
下载PDF
职称材料
题名
一种基于混合概率PCA模型的高光谱图像非监督分类方法
被引量：
3
2
作者
吴昊
郁文贤
匡纲要
机构
国防科技大学电子科学与工程学院
出处
《国防科技大学学报》
EI
CAS
CSCD
北大核心
2005年第2期61-64,共4页
文摘
提出了一种在期望最大化(EM)算法框架下同时实现混合概率主成分分析(PPCA)降维和聚类的高光谱图像非监督分类方法。它根据不同类别应各有自己代表性的特征集,将通常意义下的特征抽取和模式分类合并在一步内完成,尽可能地保留了可分性;同时该方法具有概率模型的优点,更适合高维数据处理。采用仿真数据和真实数据进行的比较实验表明,该算法较一般不加区分地对所有原始数据进行PCA降维再分类的方法能得到更好的分类结果。
关键词
非监督分类
降维
混合概率主成分分析
期望最大化算法
Keywords
unsupervised classification
dimensionality reduction
mixture of Probabilistic Principal Component Analysis (PPCA)
EM (Expectation Maximization) algorithm
分类号
TN958 [电子电信—信号与信息处理]
在线阅读
下载PDF
职称材料
题名
基于混合概率PCA模型高光谱图像本征维数确定
被引量：
4
3
作者
普鑫
机构
中国科学院研究生院
出处
《计算机工程》
CAS
CSCD
北大核心
2007年第9期204-206,共3页
文摘
如何有效实现降维是现代成像光谱仪辨识地物类别的一个难点所在。该文在已知高光谱图像地物类别数的情况下,提出了一种采用混合最小描述长度(MMDL)模型选择准则确定高光谱图像本征维数的方法。该方法在期望最大化算法框架下同时实现混合PPCA降维和聚类,并根据MMDL准则确定数据降维维数,可以得到数据在概率意义下的精确的降维表征。仿真数据和真实数据进行的比较实验表明,该方法能精确地选择数据的本征维数。
关键词
降维
本征维数
混合概率主成分分析
混合
最小描述长度准则
期望最大化算法
Keywords
Dimensionality reduction
Intrinsic dimensionality
Mixture of probabilistic principal component analysis （PPCA）
Principle of mixture minimum description length （MMDL）
Expectation maximization（EM） algorithm
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于混合概率主成分分析的HRRP特征提取
李彬
李辉
《系统工程与电子技术》
EI
CSCD
北大核心
2017
6
在线阅读
下载PDF
职称材料
2
一种基于混合概率PCA模型的高光谱图像非监督分类方法
吴昊
郁文贤
匡纲要
《国防科技大学学报》
EI
CAS
CSCD
北大核心
2005
3
在线阅读
下载PDF
职称材料
3
基于混合概率PCA模型高光谱图像本征维数确定
普鑫
《计算机工程》
CAS
CSCD
北大核心
2007
4
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
