主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
张向荣,阳春,焦李成.基于Laplacian正则化最小二乘的半监督SAR目标识别.软件学报,2010,21(4):586-596
基于Laplacian正则化最小二乘的半监督SAR目标识别
Semi-Supervised SAR Target Recognition Based on Laplacian Regularized Least Squares Classification
投稿时间:2008-01-25  修订日期:2008-11-28
DOI:
中文关键词:  核主成分分析  半监督学习  拉普拉斯正则化最小二乘分类  SAR目标识别
英文关键词:KPCA (kernel principal component analysis)  semi-supervised learning  Laplacian regularized least squares classification  SAR (synthetic aperture radar) target recognition
基金项目:Supported by the National Natural Science Foundation of China under Grant Nos.60803097, 60672126 (国家自然科学基金); the National High-Tech Research and Development Plan of China under Grant Nos.2008AA01Z125, 2007AA12Z223, 2006AA01Z107 (国家高技术研究发展计划(863)); the 11th 5-Year Pre-Research Project of China under Grant No.51307040103 (“十一五”预研项目); the Scientific and Technological Research Key Project of Ministry of Education of China under Grant No.108115 (国家教育部科学技术研究重点项目)
作者单位
张向荣 西安电子科技大学 智能感知与图像理解教育部重点实验室,陕西 西安 710071
西安电子科技大学 智能信息处理研究所,陕西 西安 710071 
阳春  
焦李成  
摘要点击次数: 4207
全文下载次数: 5029
中文摘要:
      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.
英文摘要:
      A Synthetic Aperture Radar (SAR) target recognition approach based on KPCA (kernel principal component analysis) and Laplacian regularized least squares classification is proposed. KPCA feature extraction method can not only extract the main characteristics of target, but also reduce the input dimension effectively. Laplacian regularized least squares classification is a semi-supervised learning method. In the target recognition process, training set is treated as labeled samples and test set as unlabeled samples. Since the test samples are considered in the learning process, high recognition accuracy is obtained. Experimental results on MSTAR (moving and stationary target acquisition and recognition) SAR datasets show its good performance and robustness to azimuth interval. Compared with template matching, support vector machine and regularized least squares learning method, the proposed method gets more SAR target recognition accuracy. In addition, the effect of the number of labeled points on target identification performance is analyzed at different conditions.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利