图书介绍
基于核方法的雷达高分辨距离像目标识别理论与方法PDF|Epub|txt|kindle电子书版本网盘下载
- 肖怀铁，冯国瑜，郭雷等编著 著
- 出版社： 北京：国防工业出版社
- ISBN：9787118105209
- 出版时间：2015
- 标注页数：262页
- 文件大小：95MB
- 文件页数：273页
- 主题词：雷达目标识别－研究
PDF下载
下载说明
基于核方法的雷达高分辨距离像目标识别理论与方法PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 核方法基本理论1
1.1 引言1
1.2 核方法的基本概念1
1.3 支持向量机（SVM）3
1.3.1 最优分类超平面3
1.3.2 构造最优超平面4
1.3.3 广义最优分类面5
1.3.4 高维空间中的最优分类面6
1.3.5 构造SVM6
1.4 支持向量数据描述（SVDD）8
参考文献10
第2章 SVM可分性与模型多参数优化选择12
2.1 引言12
2.2 SVM可分性研究12
2.2.1 线性可分的定义13
2.2.2 SVM线性可分充要条件13
2.2.3 SVM线性可分性的度量19
2.2.4 惩罚因子C对分类性能的影响23
2.3 SVM模型多参数优化选择25
2.3.1 SVM模型单参数最优选择问题26
2.3.2 非均衡数据目标识别SVM模型参数优化选择方法30
2.3.3 实验结果与分析34
参考文献40
第3章 基于核判别分析的雷达高分辨距离像识别42
3.1 引言42
3.2 基于KPCA的特征提取和识别43
3.2.1 主分量分析方法（PCA）43
3.2.2 核主分量分析方法（KPCA）44
3.2.3 KPCA与PCA的比较45
3.2.4 算法实现47
3.2.5 实验结果与分析48
3.3 基于KDDA的特征提取和识别53
3.3.1 线性判别分析（LDA）方法53
3.3.2 直接判别分析（D-LDA）方法54
3.3.3 核直接判别分析（KDDA）方法56
3.3.4 基于KDDA的特征提取和识别算法59
3.3.5 实验结果与分析59
3.4 基于核局部均值判别分析的特征提取和识别61
3.4.1 核Fisher判别分析（KFDA）61
3.4.2 局部均值判别分析（LMDA）63
3.4.3 核局部均值判别分析（KLMDA）64
3.4.4 KLMDA与KFDA、KDDA、CKFD的性能分析69
3.4.5 实验结果与分析70
参考文献80
第4章 基于核聚类的雷达高分辨距离像识别83
4.1 引言83
4.2 基于核C均值聚类的HRRP识别84
4.2.1 C均值聚类算法84
4.2.2 核C均值聚类算法84
4.2.3 核C均值聚类算法的核参数优化选取86
4.2.4 基于核C均值聚类的高分辨距离像识别方法92
4.2.5 实验结果与分析93
4.3 基于模糊核C均值聚类的HRRP识别96
4.3.1 模糊C均值聚类算法96
4.3.2 模糊核C均值聚类算法97
4.3.3 自适应模糊核C均值聚类算法98
4.3.4 基于模糊核C均值聚类的高分辨距离像识别方法101
4.3.5 实验结果与分析102
参考文献105
第5章 基于SVM的多目标分类识别107
5.1 引言107
5.2 基于K最近邻的SVM快速训练算法108
5.2.1 KNN-SVM算法的基本思路108
5.2.2 KNN-SVM算法的基本步骤110
5.2.3 实验结果与分析111
5.3 基于K最近邻的快速SVM增量学习算法116
5.3.1 KNN-ISVM算法的基本思路116
5.3.2 边界向量提取方法117
5.3.3 KNN-ISVM算法的主要步骤119
5.3.4 实验结果与分析119
5.4 基于核分级聚类的SVM多类分类算法125
5.4.1 分级聚类算法的改进125
5.4.2 核分级聚类算法129
5.4.3 基于核分级聚类的SVM多类分类算法130
5.4.4 实验结果与分析131
参考文献141
第6章 基于单空间SVDD的雷达高分辨距离像识别143
6.1 引言143
6.2 SVDD超球空间分布特性和拒判域144
6.2.1 HRRP在SVDD超球空间的分布特性144
6.2.2 SVDD多目标识别中的拒判问题147
6.3 SVDD序贯最小相对距离多类目标识别148
6.3.1 SVDD多目标识别的拒判域处理148
6.3.2 SVDD多目标识别训练算法149
6.3.3 最小相对距离SVDD多目标识别算法150
6.3.4 序贯最小相对距离SVDD多类目标识别算法150
6.3.5 实验结果与分析151
6.4 基于SVDD的雷达多目标模糊识别方法157
6.4.1 基于SVDD的雷达多目标模糊识别方法157
6.4.2 实验结果与分析159
参考文献162
第7章 基于自适应SVDD的雷达高分辨距离像识别164
7.1 引言164
7.2 SVDD模型参数的影响164
7.2.1 核参数的影响164
7.2.2 惩罚因子C的影响165
7.3 基于自适应SVDD的雷达高分辨距离像识别167
7.3.1 二次训练167
7.3.2 最优超球半径选择168
7.3.3 基于常规SVDD的HRRP目标识别流程171
7.3.4 噪声分析172
7.3.5 自适应超球半径模型175
7.3.6 基于自适应SVDD的HRRP目标识别流程177
7.4 实验结果与分析178
7.4.1 高斯白噪声情况179
7.4.2 海杂波182
参考文献184
第8章 基于双空间SVDD的雷达高分辨距离像识别186
8.1 引言186
8.2 超球空间HRRP的归属特性分析186
8.3 延拓空间的样本分布建模187
8.3.1 延拓样本分布的隶属度模型188
8.3.2 延拓样本分布的云模型189
8.3.3 延拓样本分布的高斯混合模型191
8.3.4 参数估计192
8.4 基于双空间SVDD的高分辨距离像识别方法195
8.5 实验结果与分析197
8.5.1 模型参数选择198
8.5.2 识别实验结果199
8.5.3 实验结果分析201
参考文献204
第9章 基于ISVDD的雷达高分辨距离像在线识别206
9.1 引言206
9.2 支持向量数据描述的增量泛化性能分析207
9.2.1 SVDD的KKT条件208
9.2.2 SVDD的训练样本分布特性208
9.2.3 增量样本的超球空间分布特性209
9.2.4 实验结果与分析212
9.3 一种适于在线学习的增量支持向量数据描述算法215
9.3.1 增量支持向量数据描述216
9.3.2 ISVDD性能分析220
9.3.3 实验结果与分析221
9.4 基于ISVDD的雷达高分辨距离像在线识别方法228
9.4.1 分方位帧建模228
9.4.2 全方位HRRP的等间隔分帧229
9.4.3 基于ISVDD的HRRP在线识别方法231
9.4.4 实验结果与分析232
参考文献240
第10章 特征空间数据核矩阵收缩方法243
10.1 引言243
10.2 非线性可分与不可分问题244
10.3 特征空间数据核矩阵收缩方法245
10.3.1 数据在特征空间的收缩因子245
10.3.2 数据在特征空间收缩后的核矩阵247
10.3.3 数据在特征空间收缩方法249
10.4 实验结果与分析249
10.4.1 二维数据收缩实验249
10.4.2 特征空间数据核矩阵收缩实验250
附录A式（3.7 0）的推导255
附录B式（3.7 5）的推导256
附录C式（3.9 0）的推导260
附录D式（3.9 4）的推导261
参考文献262