|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
摘 要：采用后向传播(BP)神经网络对空间目标进行识别时，高维的输入特征导致网络结构复杂，识别性能降低。
- t( y* c( f3 D# B) A' `针对上述难点，该文提出一种基于谱回归(SR)特征降维与 BP 神经网络的识别方法。该方法首先对空间目标进行0 j" F- e$ R4 v0 t3 e
HOG 特征提取，然后将提取的高维 HOG 特征进行 SR 降维，最后把降维后的数据通过 BP 分类器进行训练识别。. K) p& t% U; n! |! _' O
实验结果表明：该方法的降维和识别特性优于传统降维方法 PCA, KPAC, LPP, KLPP 等，能够兼顾实时性和准确9 j) o2 c! U& K# \3 @' }
性，提高了识别性能。7 i! X& L9 a& {4 x7 M
关键词：目标识别；后向传播神经网络；谱回归；特征降维& t, n- V- D. C# y7 @
1 引言1 k/ n; u1 S7 _
空间监视系统是地球外层领域的研究热点，空
: a2 s. X# P9 S0 S1 t; f ]间目标识别是空间监视的主要任务之一，引起多国
% T/ o$ w6 A) b0 l( K的广泛关注。卫星目标在太空中沿轨道运动，具有
) S8 W% ~" _* [! J# b" w2 p视点结构特征，光照、形状、尺度和姿态都有不同
: J6 `' L: J/ H+ H0 a/ I程度的变化。BP(Back Propagation)神经网络能够
5 @" W, ^$ T1 S! T _5 r逼近任意非线性函数，具有抑制噪声能力强、容错
# \7 H8 A3 q& U3 [, q( R能力强、自适应学习能力强和并行处理能力强等优
9 y$ g6 @9 Y) i$ b# p点，在目标识别领域有广泛应用[1]。但 BP 神经网络+ F5 ~2 C6 }8 h& k# B4 @0 |
用于空间目标识别时，高维输入特征会使网络结构" J% E. c1 I! H4 v, t" Q# _, L
复杂，降低训练性能，因此在训练识别前对原始特0 \7 R, R9 f: p' f4 ~4 h( N
征进行降维十分必要。4 U/ t7 ]; M/ G( n l" n# e
目前常用的特征降维法主要有主成分分析法0 N8 Y, {0 Q% `: P
2 G" J& b9 e; A+ A( e3 H& }
: D; Y( X+ z+ E, l4 v
& W. Q) ~' t2 g& L7 S( Z0 T ~) I
9 g' Y; U# H# ^) P2 I9 v: X* @
: ~! F4 `- b6 _+ W9 {) S附件下载：
7 U3 }9 b' L8 p4 h+ ^
F% W) K+ K+ x- H' I+ l0 w Y |
|
/1 
发表于 2021-1-29 14:30
收藏
淘帖
支持！
反对！