|
|
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。& {3 _; d/ x9 j
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
. N- v% k5 S/ V8 D* ^' y3 v# H% JHOG 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。
* P4 v$ e, E7 e, r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, @- U0 u& I1 m4 @& Q0 s
性，提高了识别性能。1 Y$ @! R! i. W6 O) B
关键词：目标识别；后向传播神经网络；谱回归；特征降维% }8 l) X9 O8 X
1 引言
1 h0 @4 G/ U. [5 V6 K空间监视系统是地球外层领域的研究热点，空/ i& _! M: z F& ]
间目标识别是空间监视的主要任务之一，引起多国/ }5 \6 |$ G( O( G* F% Q
的广泛关注。卫星目标在太空中沿轨道运动，具有
$ G; s0 O7 J4 i* W# R, L/ B视点结构特征，光照、形状、尺度和姿态都有不同
8 I! m. e8 u# E6 G. s; q! t程度的变化。BP(Back Propagation)神经网络能够
: u# J+ y# f. x/ y逼近任意非线性函数，具有抑制噪声能力强、容错# F2 a" J/ o3 f6 J. L) I- ?8 b
能力强、自适应学习能力强和并行处理能力强等优4 F9 T* `8 B5 S" S
点，在目标识别领域有广泛应用[1]。但 BP 神经网络
+ V. R; B- |" ]& J7 X用于空间目标识别时，高维输入特征会使网络结构4 y# v4 |. M9 |& P% ^5 Q1 a8 H g
复杂，降低训练性能，因此在训练识别前对原始特0 m, v0 ^& u5 D# B! Z z
征进行降维十分必要。- p A3 X4 h Z. W7 D
目前常用的特征降维法主要有主成分分析法
% A4 V: q. }3 `" A& i
# {. Q8 s. }$ s
' w. v1 \7 R5 U' a+ q" d+ ]6 T8 t6 b9 h
$ U/ W1 N4 q( c
- F9 x' x! f' [% |4 l
附件下载：
3 Z8 L/ Z n3 A8 Q9 q E0 n! O" s/ r: V# B# L
|
|
/1 
发表于 2021-1-29 14:30
收藏
淘帖
支持！
反对！