《基於核方法的雷達高分辨距離像目標識別理論與方法》是一本2015年出版的圖書，由國防工業出版社出版
基本介紹
- 中文名：基於核方法的雷達高分辨距離像目標識別理論與方法
- 作者：肖懷鐵
- 出版社：國防工業出版社
- 出版時間：2015年
- 開本：16 開
- 裝幀：平裝
- ISBN：9787118105209
內容簡介,圖書目錄,
內容簡介
《基於核方法的雷達高分辨距離像目標識別理論與方法》是多年來基於核方法的雷達高分辨距離像目標識別的研究成果的總結。全書共分10章。第1章簡要概述了核方法的基本理論。第2章介紹了SVM的可分性問題以及非均衡數據目標識別SVM模型多參數最佳化選擇。
第3章介紹了基於核判別分析方法的雷達高分辨距離像識別。第4章介紹了基於核聚類的雷達高分辨距離像識別。第5章介紹了SVM多目標分類識別問題。第6章介紹了基於單空間SVDD的雷達高分辨距離像識別。
第7章介紹了基於自適應SVDD的雷達高分辨距離像識別。第8章介紹了基於雙空間SVDD的雷達高分辨距離像識別。第9章介紹了基於ISVDD的雷達高分辨距離像線上識別。第10章介紹了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別理論與方法》主要讀者對象為信號與信息處理、人工智慧與模式識別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。
圖書目錄
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 支持向量機（SVM）
1．3．1 最優分類超平面
1．3．2 構造最優超平面
1．3．3 廣義最優分類面
1．3．4 高維空間中的最優分類面
1．3．5 構造SVM
1．4 支持向量數據描述（SVDD）
參考文獻
第2章 SVM可分性與模型多參數最佳化選擇
2．1 引言
2．2 SVM可分性研究
2．2．1 線性可分的定義
2．2．2 SVM線性可分充要條件
2．2．3 SVM線性可分性的度量
2．2．4 懲罰因子C對分類性能的影響
2．3 SVM模型多參數最佳化選擇
2．3．1 SVM模型單參數最優選擇問題
2．3．2 非均衡數據目標識別SVM模型參數最佳化選擇方法
2．3．3 實驗結果與分析
參考文獻
第3章 基於核判別分析的雷達高分辨距離像識別
3．1 引言
3．2 基於KPCA的特徵提取和識別
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的特徵提取和識別
3．3．1 線性判別分析（LDA）方法
3．3．2 直接判別分析（D-LDA）方法
3．3．3 核直接判別分析（KDDA）方法
3．3．4 基於KDDA的特徵提取和識別算法
3．3．5 實驗結果與分析
3．4 基於核局部均值判別分析的特徵提取和識別
3．4．1 核Fisher判別分析（KFDA）
3．4．2 局部均值判別分析（LMDA）
3．4．3 核局部均值判別分析（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別
4．1 引言
4．2 基於核C均值聚類的HRRP識別
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最佳化選取
4．2．4 基於核C均值聚類的高分辨距離像識別方法
4．2．5 實驗結果與分析
4．3 基於模糊核C均值聚類的HRRP識別
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別方法
4．3．5 實驗結果與分析
參考文獻
第5章 基於SVM的多目標分類識別
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 邊界向量提取方法
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別
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多目標識別中的拒判問題
6．3 SVDD序貫最小相對距離多類目標識別
6．3．1 SVDD多目標識別的拒判域處理
6．3．2 SVDD多目標識別訓練算法
6．3．3 最小相對距離SVDD多目標識別算法
6．3．4 序貫最小相對距離SVDD多類目標識別算法
6．3．5 實驗結果與分析
6．4 基於SVDD的雷達多目標模糊識別方法
6．4．1 基於SVDD的雷達多目標模糊識別方法
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別
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別
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目標識別流程
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目標識別流程
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別
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合模型
8．3．4 參數估計
8．4 基於雙空間SVDD的高分辨距離像識別方法
8．5 實驗結果與分析
8．5．1 模型參數選擇
8．5．2 識別實驗結果
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線上識別
9．1 引言
9．2 支持向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 一種適於線上學習的增量支持向量數據描述算法
9．3．1 增量支持向量數據描述
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線上識別方法
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線上識別方法
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 非線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
