健壮的Large-Scene SAR图像的自动目标识别算法及其适应性分析散斑

文摘

针对多个large-scene SAR图像目标识别问题具有强大的散斑,一个健壮的全程从目标探测方法,特征提取,目标识别研究。通过引入一个简单8-neighborhood正交基,一个当地多尺度分解方法从目标的重心。使用这种方法,可以处理图像多级抽样滤波器和目标在八个方向的多尺度特性和一个低频滤波特性可以直接由像素抽样的关键。同时,识别算法有机地整合当地的多尺度特性,研究了多尺度小波核分类器,实现快速分类的多级图像的鲁棒性和精度高的目标。分类的结果和适应性分析散斑显示MSTAR的鲁棒算法不仅是有效的(移动和静止目标自动识别)目标芯片还在large-scene SAR自动目标识别的多级/多目标与强大的散斑图像;同时,该方法具有良好的鲁棒性目标的旋转和尺度变换。

1。介绍

合成孔径雷达(SAR)是一种重要的传感器由于其全天候,日夜,高分辨率成像,功能和长期对峙。随着雷达技术的发展,以及越来越多的要求,在雷达目标识别应用程序,使用SAR自动目标识别(ATR)已成为图像识别的一个重要分支。

虽然有许多研究发现早期SAR ATR领域,大部分算法都是基于单目标芯片MSTAR数据集(1]。MSTAR公共数据集是由美国国防部高级研究计划局(国防高级研究项目署)/ AFRL(空军研究实验室)。MSTAR数据是一个标准的数据集在SAR ATR社区,允许研究人员相当的ATR算法测试与比较。本文由MSTAR数据使用像素芯片,1英尺决议,x波段,和三种类型的地面军用车辆,也就是说,BMP2 BTR70, T72。每个芯片都有SAR图像分离1°内方位增量角范围从0°- 360°。所有的芯片都是在抑郁17°的角度和15°。直接作为MSTAR数据集给出了目标芯片,在大小和目标位置是固定的,上述算法的目标分割和检测过程都省略了。此外,正如每个样本芯片只有一个目标,目标特征提取的难度大大降低,使低实际应用的可用性。所以,这些算法并不是真正意义上的SAR ATR形象。

在真实的应用程序中,一个常见的ATR的SAR图像输入图像的输出识别结果可以分为四个阶段,(我)图像预处理,(II)功能处理,(3)分类,及(IV)后处理。在I期,主要工作包括图像滤波和去噪、失真校正、图像分割和目标检测、感兴趣的区域(ROI)歧视,和图像正常化。II期通常包含特征提取、特征选择、特征降维、数据聚类、新奇检测。在第三阶段,任务包括分类器的选择和设计、分类器的训练,和目标分类。后处理在第四阶段的主要工作是进一步改善早期分类过程;这个阶段非常关注的识别精度和鲁棒性,SAR ATR系统的主要特性。

有一些特殊要求的SAR ATR算法,特别是在步骤的特征提取和分类器的设计。例如,特征提取方法的原则必须是简单的,可以很容易地实现一个实时的要求;抗噪音的特性具有和anticluster能力;翻译的功能具有较强的鲁棒性,旋转、尺度变换。另一方面,分类器必须具有分类精度高和学习效率。

通过分析文献SAR ATR (2),它可以发现,基于特征的分类方法得到越来越多的关注比基于整幅图像的方法。许多典型的特征提取方法用于SAR图像分类,如主成分分析(3),SDA (4影子轮廓(),5),多重线性张量对象的子空间学习6),附近的几何中心扩展嵌入方法(7),特征选择(8),和稀疏特性9]。在分类器设计和选择方面,也有一些算法,如神经网络(10- - - - - -12),支持向量机(13),和提高14]。

常见的离线识别任务,上述方法也许有一些优点,有很高的识别精度,但大多数这些方法需要大量的标记样本训练一个有效的分类器和不支持的健壮和全程应用ATR。无论是在实现特征提取的困难方面,或在适应性方面的斑纹,实际应用还存在很大差距。近年来,无约束的事件检测和事件叙述网络视频吸引了大量的关注;一些新算法也取得了最先进的表演使用zero示例或有限的监督方法[15,16]。而分析的图像帧实时视频,我们可以看到,目标是明确的,没有噪音,这是不同于SAR ATR形象。SAR图像通常是模糊,目标是否在图像或背景。尤其是对SAR图像的目标,不可避免的散斑,这是一个混乱的现象,相干背散射信号的求和,结果可能造成很大的干扰目标特性。因此,算法的鲁棒性散斑直接决定最终的识别效率。因此,绩效评估,特别是算法的鲁棒性和适应性分析,是非常重要的工作17]。

在此基础上,从目标探测一个健壮的方法,研究了目标识别特征提取,可以解决多目标ATR large-scene SAR图像中有效。该方法主要包括三个方面的分布。首先,当地一个健壮的多分辨率分析方法对图像目标,快速实现特征提取。同时,特征向量的维数相对低于其他方法类似的性能。获得有效的特性,多尺度分析方法从SAR图像目标的重心。通过引入一个简单8-neighborhood正交基,一个图像可以用多级抽样滤波器处理,然后在八个方向的多尺度特性和一个低频图像的滤波特性。此外,特征提取方法可以简单和迅速实现,具有良好的特征表现。其次,针对多尺度特性,多个内核之间的融合分类器和多尺度特性,研究了多个内核,使分类精度高于普通单内核支持向量分类器。与传统方法相比,提出的算法更先进的快速检测的目标和特征向量的维数。第三,提出的算法是一个多级图像目标识别方法,可以实现多个目标检测的步骤,特征提取在large-scene SAR图像目标识别,并具有较好的实际应用价值。 Analyzing the relevant references on SAR ATR, we can find that most target classification algorithms are only suitable for the step-by-step recognition and single target image cases, which is not the real SAR automatic target recognition. The robust algorithm is effective not only for the MSTAR target chips but also for the ATR of multiclass/multitarget in large-scene SAR image with strong speckle. Also, the method has strong robustness against the rotation and scale transformation.

在本文的其余部分,我们沿着通过不同部分组织如下:在部分2介绍当地的多尺度特征提取方法和多尺度小波内核设计分类器。健壮的目标识别方法和适应性分析与研究了散斑部分3。节4,几个实验证明本文提出的方法的有效性。最后,我们得出结论5。

2。特征提取和分类器的设计

2.1。特征提取

对SAR图像目标(特别是车辆目标拥有一些结构特点),不失一般性,我们也可以把MSTAR数据集作为调查的对象。目标的MSTAR芯片有以下字符:样本图像相同大小的芯片;只有一个目标在一个芯片;目标在于芯片的中心;目标分布在芯片的中心在一个角范围在0°、360°之间;芯片具有相同的分辨率和规模。

最传统的多分辨率分析方法实现滤波和采样,可以有效地解决正交基的生成问题,但抽样通常从开始到结束的系列。这些方法有缺陷特征提取,因为获得正交基可能不会让类似的数据拥有相同的本地特性的表达式。受采样滤波器的传统小波方法,采用一种新的抽样方法使用本地扩展来解决这个问题。使用此方法,每个采样过程从本地扩展点,可以保证指向本地区域生成的基础,能保证相同地方特色有相似的投影系数基础上。在具体实现中,我们可以从当地的一个图像(例如,感兴趣的点可以是一个点(POI)或几何中心点);然后多次过滤过程可以使用快速过滤器执行;即图像的多尺度分解了,高斯(狗)像空间的差异图像获得的原始图像也。最后,直接利用像素抽样的关键的多级图像,我们可以快速获得当地的图像的多尺度特征。

通过上面的分析,我们可以首先构建一个多层次的狗像基于图像尺度空间。然后我们设计一个8-neighborhood正交基,多级抽样过滤的图像可以被执行。因此,图像特征的8个方向和一个低频特性。8-neighborhood正交基的结构及其频谱图所示1。

针对图像MSTAR数据集,可以检测出目标首先使用恒虚警率(CFAR)方法。考虑到芯片的目标只占据中心位置,为方便起见,中心区域的大小在每一个芯片作为研究目标。

得到健壮的和有效的特性,多尺度分析方法从SAR图像目标的重心。上述8-neighborhood正交基也是一个模板矩阵;卷积操作之间的原始图像矩阵和矩阵的模板可以使用执行 在哪里图像采样后,是原始图像,是模板映像。在这个过程中,获得的图像可以从原始图像采样滤波器。如果反复应用卷积,金字塔多级抽样滤波器获得图像。最后,八个方向的多尺度特性和一个低频滤波特性可以实现直接选择的关键在金字塔的每一层图像像素。本文获得的图像是由4层处理当地的多分辨率分解。至于特征提取,我们可以直接选择图像的像素在每个级别如下:在最高水平,图像大小3×3;所有9像素选择9-dimension特性;在第二个层次,8大小的图像块3×3对应8边缘像素最高水平的选择特性,特征尺寸是72;第三个层次的特征提取方法类似于第二个层次;八3×3的图像块对应的块中心二级选择; the feature dimension is also 72; in the fourth level, the peripheral 8 central pixels are directly selected, so the feature dimension is 8. So, for a given image, the total feature dimension is。

2.2。多尺度小波内核支持向量分类器

基于神经网络的方法广泛应用于高超音速飞行自动控制(18- - - - - -20.)和物联网的跟踪控制21),但SAR ATR是一个高实时应用程序,而且在大多数情况下,无法收集到足够的SAR目标图像。所以,选择支持向量机作为分类器,适用于小样本,可以修改为在线学习。作为常见的支持向量分类器(SVC)低速由于二次曲面编程的解决方案,对他们来说很难适用于一些实时的情况下。Suykens和”22)提出了一种改进的支持向量机方法,最小二乘支持向量机(LSSVM)。代替线性方程的二次曲面的编程解决方案,LSSVM在速度方面有很大的改进。根据结构风险最小化原理,给出LSSVC的优化问题 在哪里表面法向量的决定,是误差惩罚参数,是错误的th样本,是th样本,是相应的类标签,是偏差项。

转换(2)nonrestricted优化、拉格朗日函数可以定义为 在哪里拉格朗日因子。上层函数的最优以下组在传统SVC线性方程代替二次项目。

通过消除变量和,我们得到以下方程: 在哪里,,,是单位矩阵,,是内核函数,。

然后求解线性方程,我们得到LSSVC的决策函数

集;我们可以得到分类器系数向量和偏差项从(5)

内核的融合与多尺度是一种特殊情况的多个内核学习(23,24]。这个内核方法具有更好的灵活性和选择可以带来更多的完成规模比其他方法,如多尺度内核的方法。另外,随着小波理论和多尺度分析理论继续成熟,多个内核方法获得良好的理论背景,通过引入尺度空间,这是一个很好的晋升为内核方法基于机器学习(25,26]。

多尺度的基础内核方法寻求一组内核函数拥有多尺度表示能力。核函数中被广泛使用,高斯径向基函数(RBF) (9)是最受欢迎的,因为它的通用逼近能力。与此同时,它也是一个典型的内核,可以多尺度

以RBF内核为例,它可以多尺度(10)(假设生成内核有翻译不变) 在哪里。从(10),我们可以发现,当小,支持向量分类器(SVC)和RBF内核可以适应样本有剧烈的变化。当较大,相同的分类器分类样本有轻微变化。所以多尺度内核可以获得更好的泛化。灵感来自于scale-variant规则的小波变换,可以被定义为的值

内核是另一个典型的多尺度小波核函数(27]。

定理1。让是一个母小波函数,和比例因子和转移因子,,如果,然后内积型小波核函数可以表示为 不变小波核函数和转移

定理2。考虑一个常见的小波函数(14) 如果,然后小波核函数

通过改变尺度参数的值,不同尺度小波核函数可以构造。

本文介绍了多尺度小波内核LSSVC,内核LSSVC被定义为和多尺度小波 也就是说,

另一方面,这也是一个有效的方法来提高目标识别的准确性,如果我们合成的特性在多分辨率特性和多尺度核函数。摘要当地4层的多尺度特性和4-scale小波内核是合成;相应的内核函数的尺度是增加了2倍。与此同时,内核由相等的权重系数;也就是说,;原理图如图2。

3所示。健壮的ATR复杂性分析和适应性分析

3.1。健壮的ATR方法和复杂性分析

健壮的ATR过程包括两个阶段的多尺度核分类器训练和识别测试;原理图如图3。

多尺度内核分类器训练主要是基于MSTAR数据集;的步骤如下。

步骤1。分别完成CFAR检测,所有的培训目标芯片和获得目标分割结果。

步骤2。从芯片的中心(即目标)的中心,执行当地目标图像的多尺度分解4层。

步骤3。编码系数的多尺度分析,并提取特征向量的每一个目标。

步骤4。火车多尺度小波内核使用多级分类器特征向量。

识别测试是基于large-scene多个目标图像样本实时获得;的步骤如下。

步骤1。做的CFAR检测large-scene形象和部分感兴趣的目标和区域(ROI)。

步骤2。过程与数学形态学的目标,消除虚假警报,并计算每个目标的重心,这是作为当地多尺度分解的起点。

步骤3。进行4层当地多尺度分解每个目标的重心。

步骤4。每个目标的特征提取采样和构造特征向量。

第5步。输入特征向量多尺度小波核分类器,并输出识别结果。

使用支持向量机在模式识别应用程序,培训和测试是两个不同的过程,所以,算法复杂性不应该被理解为一个整体。这里我们主要讨论培训过程的复杂性,即求解二次规划问题的复杂性。对于一个典型的支持向量机训练算法,其计算复杂度的范围,在那里支持向量的个数,训练集的样本数量,每个样本的维数,所以在最坏的情况下,算法复杂性是吗。在我们的算法,本文中,训练样本的数量;样品尺寸。考虑到多个内核分类器,我们介绍了内核的算法,和,我们仍然可以认为复杂的多个内核训练。因此,我们可以得出结论,在多个内核中计算复杂度分类器的训练过程。

ATR large-scene多个目标过程中,复杂性主要是依赖之间的核函数计算测试样本向量和支持向量。在这个过程中,每个目标样品的复杂性。在large-scene SAR图像,想探测到目标的数量,那么整个测试的复杂性。在实际应用中,价值通常是小;例如,在适应性分析的实验在我们的手稿,有6个目标图像。所以我们还可以得出这样的结论:测试过程的复杂性。

3.2。适应性分析方法

散斑可能导致不便SAR ATR形象,但这噪音是不可避免的,不能完全消除。所以,目标识别算法的适应性对散斑直接决定了可用性和鲁棒性。对散斑的适应性分析,主要的方法是将散斑添加到large-scene多个目标图像,然后分析识别精度。当斑纹增加程度(SAD) + 1,斑纹添加到整个图像均值为0,方差为0.04。在此基础上,一些参数如均值、方差、动态范围,可以计算图像的峰值信号噪声比。然后为图像添加了散斑,通过执行目标检测、特征提取,再分类,我们可以研究目标探测和识别精度在不同的斑纹。

4所示。实验

4.1。单目标识别和适应性分析散斑

单一目标识别和斑纹适应性分析是基于MSTAR数据集;3类样本的数量如表所示1。与当地的多尺度分解特征提取后的样品芯片,我们设计和训练分类器。那么多个类分类问题转化为两舱问题“一个VS”方法。

利用训练集,我们也可以获得最优多尺度小波核分类器,小波内核的规模因素在哪里,,,。惩罚系数。测试集的特征被提取后,特征向量是发送到分类器输出的识别精度。在nondistortion分析算法性能情况下,一些实验和性能对比该方法和其他典型的方法执行。的特征提取方法、特征维度分类器,分类精度如表所示2。

从实验结果中,我们可以看到,多尺度特征的融合方法和多尺度内核分类器提供了非常高的分类精度为98.75%时没有散斑补充道。此外,该算法实现了快速访问和存储近3000 SAR图像在很短的时间内,这表明良好的实时性能。与传统方法相比,提出的算法更先进的快速检测目标和更少的特征向量的维度。

分析对噪声的适应性,斑纹均值为0,方差0.04添加到MSTAR测试集。当伤心+ 1,添加了散斑图像一次。通过比较不同便悄然下实验,最终识别结果如表所示3。

当斑纹添加到测试样本,识别精度93.41%。增强的斑纹,识别精度时减少87.62%和76.48%和分别,这仍然是最好的正确的比例。原因在于,只有一个目标在每个示例中,我们已经知道的目标在于样本芯片的中心。所以,即使目标结构的变化,我们仍然可以做当地中心的多尺度分解样品和提取完全适当的特性。

4.2。对散斑Large-Scene多个目标ATR和适应性分析

ATR large-scene多个目标,首先,我们必须构建large-scene多个目标图像。这里,我们随机选择6个目标被正确分类的MSTAR测试集,2目标选择从每个类,分别和目标是嵌入式large-scene杂乱的图像。使用这种方法,形成两个large-scene多个目标图像,在图像大小为512×512,图像参数的意思,方差和动态范围。第二图像大小为768×768,,,分别。

在仿真测试中,3度的斑纹添加到两个large-scene多个目标图像;结果图像不同便悄然如图4。然后使用相同的目标分割、数学形态学处理,和重心的计算,我们可以实现目标检测和标记的结果。数据5和6显示两个影像目标分割,检测,标记结果斑纹增加程度1(下)。然后,从重心开始,执行多尺度分解和特征提取,获得特征向量。最后,把特征向量多尺度小波核分类器,并输出识别结果。

large-scene目标图像参数和不同便悄然下ATR结果被记录在表4。实验结果表明,当,尽管目标的重心从芯片的几何中心转移目标分割后,6个目标还可以检测并正确分类,这证明了算法的有效性和鲁棒性。增强的斑纹,正确识别目标的数量减少。目标为“6”,这标志着“1”在图像我的错误认识和。在第二图像,只有目标标记为“6”错误认识的两个悲伤而已;其余5目标正确地识别。散斑的主要原因是乘法的特点,这可能会导致剧烈的变化到目标结构目标分割和数学形态学处理,所以目标的重心大幅转变。因此,当地的多尺度特性的影响。总的来说,特征提取和分类方法具有较好的适应性斑纹。

4.3。ATR与规模和旋转变换为散斑和适应性分析

在该测试中,旋转和尺度转换的目标是介绍基于图像和图像二节4.2。图片我的目标标记为“4”“2”和“5”与规模大小参数2,1.5,和1.5,分别和30°的旋转;那么目标嵌入到原始图像和新构造图像命名图像三世。第二图像,目标标记为“1”,“4”、“5”与规模大小参数2,1.5,和1.5,分别和30°的旋转;使用相同的方法,构造图像IV。

添加测试,3度的散斑图像III和IV形象。然后利用同一目标分割、数学形态学处理的调制参数,和重心的计算,我们可以实现目标检测和标记的结果。数据7和8显示两个影像目标分割、检测和标记下的结果。然后,从重心开始,执行多尺度分解和特征提取,获得特征向量。最后,把特征向量多尺度小波核分类器,并输出识别结果。

只有考虑到目标旋转和尺度变换,large-scene目标图像参数和ATR的结果在不同便悄然记录在表5。条件下的3个目标,分别在图像III和IV仍然正确识别形象,这证明了特征提取方法的有效性和鲁棒性旋转和尺度变换。但由于散斑的增强,识别率大大降低了。例如,当,只有2目标正确识别,分别在第四形象三世和形象;当第三,所有三目标图像错误认识,第四,只有一个目标在图像可以正确地识别。结果表明,目标是强烈改变的结构特点之后,旋转和尺度;与此同时,大规模的斑纹产生更大的影响的目标。因此,极其影响当地的多尺度特性,导致错误识别的目标。

进一步证明算法的性能在旋转、尺度变换,构造和斑纹,更large-scene图像样本和测试。我基于图像和图像二世,两幅图像中的目标与规模大小参数1.5首先;目标旋转30°,最后,斑纹添加到图像。最终,两个数据集有12 large-scene图像,分别可以从图像和图像构造二世。在每个数据集,总共有72个目标与3类。

进行实验的两个数据集,结果如表所示6。从表中的数据,我们可以发现三个类的正确识别利率目标数据集,数据集我为90.3%,87.5%。结果再次表明,当地的多尺度特性具有良好的适应性在旋转,尺度转换和斑纹。与此同时,当地的多尺度特性的融合和多尺度内核分类器可以带来更好的ATR系统的鲁棒性和识别率。

5。结论

相比与其他图像目标识别如人脸识别、手势识别、指纹识别、步态识别,伟大的障碍是带到SAR ATR的可用性和识别效率作为强大的散斑和图像分辨率较低。基于多尺度特征的融合和多尺度内核的机器,一个健壮的全程从目标探测方法,重心定位,当地多尺度分解,并与多尺度特征提取的目标分类内核LSSVC研究,可以解决多目标ATR large-scene有效SAR图像具有较强的斑纹。通过适应性分析,稳健算法是斑纹证实具有良好的适应性。与此同时,该算法非常适合于实际应用的要求。你可以想象,这种方法可以应用于其他的车辆目标检测成像传感器如可见光图像和红外图像;它还可用于船舶在SAR图像识别复杂的海杂波。另一方面,为了达到更好的分类精度,需要大量的标记样本训练有效的支持向量机分类器包括本文中给出的分类器。但标签样本采集是昂贵的,勤劳的,耗时;如何使用标记数据提高分类器的精度在医学应用中已经受到了相当大的关注和最近在众包和事件检测和事件叙述问题的视频数据集(28]。在下一步中,我们期待的显著改善性能和高效的实现SAR ATR的这个想法。

相互竞争的利益

作者宣称没有利益冲突。

确认

这项工作由国家自然科学基金共同支持中国青年科学家(批准号。61202332,61202332,61503389),中国博士后科学基金(批准号2012 m521905),中国陕西省自然科学基础研究计划(批准号2015 jm6313)。

引用

1. r . Patnaik和d . Casasent MINACE过滤ATR利用MSTAR数据分类算法。国防和安全。”光学和光子学SPIE-International学会学报》上卷,5807年,第111 - 100页,2005年。视图:谷歌学术搜索
2. 福田和h . Hirosawa”,支持向量机的土地覆盖分类:应用极化SAR数据”国际地球科学和遥感学报》研讨会(雪茄烟的01)2001年7月,页187 - 189。视图:谷歌学术搜索
3. 黄x, y l . j . f .贝聿铭和j . y .杨”2 dpca-based二维SAR ATR边际样本判别嵌入,”第33 IEEE国际地球科学和遥感学报》研讨会(雪茄烟的13)澳大利亚墨尔本,页2023 - 2026,,2013年7月。视图:出版商的网站|谷歌学术搜索
4. 黄x, y l . j . f .贝聿铭和j . y .杨”样本判别分析SAR ATR。”IEEE地球科学和遥感信,11卷,不。12日,第2124 - 2120页,2014年。视图:出版商的网站|谷歌学术搜索
5. k, l, c . c . Zhang和y . f .郭”的方法使用影子轮廓SAR图像的自动目标识别,”IETE技术评审,30卷,不。4、313 - 323年,2013页。视图:出版商的网站|谷歌学术搜索
6. j·j·c . Liu, j .杨和w·高,“多频极化SAR图像分类基于张量的多线性的子空间学习对象,“遥感,7卷,不。7,9253 - 9268年,2015页。视图:出版商的网站|谷歌学术搜索
7. 黄y . j .思路,j . Yanga b . Wang和刘x,“邻域几何中心扩展嵌入SAR ATR,”IEEE航空航天和电子系统,50卷,不。1,第192 - 180页,2014。视图:出版商的网站|谷歌学术搜索
8. 我。公园,工程学系。公园,K.-T。金,“新的歧视特性SAR自动目标识别,”IEEE地球科学和遥感信,10卷,不。3、476 - 480年,2013页。视图:出版商的网站|谷歌学术搜索
9. v . m . Patel, n . m . Nasrabadi和r . Chellappa“Sparsity-motivated自动目标识别,”应用光学,50卷,不。10日,1425 - 1433年,2011页。视图:出版商的网站|谷歌学术搜索
10. j·j·m·g·龚赵,j .刘问:g .苗族和l . c .焦”变化检测合成孔径雷达图像中基于神经网络,”IEEE神经网络和学习系统,27卷,不。1,第138 - 125页,2016。视图:出版商的网站|谷歌学术搜索|MathSciNet
11. j . r .大卫,应用人工网络为特征提取合成孔径雷达在嘈杂的环境中(论文)加州州立理工大学,2013。
12. d·a·e·摩根,“深卷积神经网络从SAR ATR图像”对合成孔径雷达图像第二十二算法卷,9475学报学报2015年美国巴尔的摩,马里兰州。视图:出版商的网站|谷歌学术搜索
13. 问:赵和j·c·普林西比支持向量机对SAR自动目标识别,”IEEE航空航天和电子系统,37卷,不。2、643 - 654年,2001页。视图:出版商的网站|谷歌学术搜索
14. s . Todorovic y, z . p . Liu和j·n·李,“自适应提高SAR自动目标识别,”IEEE航空航天和电子系统,43卷,不。1,第125 - 112页,2007。视图:出版商的网站|谷歌学术搜索
15. x j . Chang y, gdp, c .问:张先生,和a·g·豪普特曼”动态概念成分为zero示例事件检测,”《AAAI,2016年。视图:谷歌学术搜索
16. x, y, y l . Yu和a·g·豪普特曼”令人信服地搜索:联合事件检测和证据讲述有限的监督”学报》第23届ACM国际会议多媒体(15毫米的)ACM, 590,页581 - 2015。视图:出版商的网站|谷歌学术搜索
17. g·马里诺自动目标识别系统的性能分析[博士。论文)克兰菲尔德大学,2012。
18. b .徐、张问:和y . p .锅,“基于神经网络的动态面控制的高超音速飞行动力学利用小增益定理,”Neurocomputing卷,173年,第699 - 690页,2016年。视图:出版商的网站|谷歌学术搜索
19. 徐,黄懿慧风扇,s m .张“Minimal-learning-parameter基于技术的自适应神经控制的高超音速飞行动力学没有是转身,“Neurocomputing卷,164年,第209 - 201页,2015年。视图:出版商的网站|谷歌学术搜索
20. 罗x和j·李,“基于模糊动态特性模型的高超音速飞行器的姿态控制滑翔阶段,“中国科学。信息科学,54卷,不。3、448 - 459年,2011页。视图:出版商的网站|谷歌学术搜索|MathSciNet
21. 罗x, y . x Lv, m .周w . p . Wang和w·b·赵”拉盖尔神经网络ADP学习计划与物联网的应用程序来跟踪控制,”个人和无处不在的计算,20卷,不。3、361 - 372年,2016页。视图:出版商的网站|谷歌学术搜索
22. 范德维尔j . k . Suykens和j .最小二乘支持向量机分类器”,神经处理信件,9卷,不。3、293 - 300年,1999页。视图:出版商的网站|谷歌学术搜索
23. f·r·巴赫“一致性组套索和多个内核的学习,“机器学习的研究》杂志上,9卷,不。6,1179 - 1225年,2008页。视图:谷歌学术搜索|MathSciNet
24. m . Gonen和大肠Alpaydin“多重核学习算法,”机器学习的研究》杂志上》12卷,第2268 - 2211页,2011年。视图:出版商的网站|谷歌学术搜索|MathSciNet
25. d·b·h·泰n金斯伯里,m . Palaniswami“内核方法分类、多尺度”《IEEE车间对机器学习信号处理页43-48,华盛顿,美国,2005年9月。视图:出版商的网站|谷歌学术搜索
26. f . c . h .问:Wang太阳,y . n . Cai n . Chen和l . g .叮,“多个内核的学习方法,”《自动化学报》,36卷,不。8,1037 - 1050年,2010页。视图:出版商的网站|谷歌学术搜索|MathSciNet
27. l .张、w·d·周和l .娇“小波支持向量机,”IEEE系统,人,控制论,B部分:控制论,34卷,不。1,34-39,2004页。视图:出版商的网站|谷歌学术搜索
28. x j . Chang y, y l . Yu和e . p .兴,“他们不是同样可靠:语义事件搜索使用差异化概念分类器,”IEEE国际会议的程序在计算机视觉和模式识别(CVPR 16),2016年。视图:谷歌学术搜索

版权

版权©2016虹桥王等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。