共查询到19条相似文献,搜索用时 93 毫秒
1.
2.
为了进一步提高干扰环境下反舰导弹的目标识别精度和泛化能力,将集成学习中的元学习策略引入反舰导弹的目标识别领域,并提出了一种基于叠加归纳策略的元学习目标识别算法。该算法首先通过构建元层学习器对多个基层学习器的学习结果进行"再学习",以纠正基学习器的错误分类、巩固基学习器的正确分类,进一步提高集成分类精度;然后,以决策树为基学习算法构建了同质多分类器系统,在自建的全极化一维距离像HRRP特征数据库上研究了基分类器的数量以及元特征样式、元学习算法的选取对元学习系统分类精度的影响;最后,通过与单一分类器和常用集成算法的对比,验证了基于元学习的反舰导弹目标识别算法的可行性和有效性。 相似文献
3.
4.
5.
《海军工程大学学报》2017,(4)
为了进一步提高存在库外目标情况下反舰导弹的目标识别率,利用高分辨距离像(HRRP)信息,构造了一个兼具拒判功能的反舰导弹目标自动识别系统。利用feko软件仿真建立了6类目标在不同方位角下HRRP数据库,并针对HRRP识别问题,提取7个基于目标结构的平移不变特征;选择二次判别分类器、7-最近邻分类器和决策树分类器作为基分类器,并利用LM-BP神经网络作为联合器构成多分类器系统;引入基于非参数估计的置信度评估方法,确保系统能够拒判置信度较低的待测样本。试验结果表明:LM-BP集成系统能够提高基分类器的分类性能,且在库外目标存在情况下,引入适当置信度判别阈值的多分类器系统能够兼顾识别正确率和宣判率。 相似文献
6.
本文利用目标的动态特性开发了神经网络指导的贝叶斯决策准则进行目标分类。系统由特征提取器、指导条件概率生成器的神经网络、新颖的序贯分类器组成。所应用的主要特征是从每个航迹中提取的速度和曲率序列。类似于隐式马尔可夫模型(HMM),用隐含状态训练神经网络,网络的输出则是给定观测下出现隐含状态发生的条件概率。然后用这些条件概率作序贯贝叶斯分类器的输入进行分类。一旦接收到新的扫描数据,分类结果递推更新。为了说明所述方法的有效性,介绍了关于高杂波率的多扫描图象的模拟结果。 相似文献
7.
8.
9.
采用贝叶斯网络模型对目标识别、威胁评估是一种有效的定量分析方法。这里首次将贝叶斯网络模型运用到航母编队作战决策中识别水下目标和评估威胁等级。结合部队实际情况分别构建目标识别和威胁评估贝叶斯网络模型;基于部队实践数据、院校专家和查阅资料构建符合实际情况的条件概率表;最后通过仿真实验对水下目标进行识别和评估威胁等级,对比部队相关数据验证了贝叶斯网络对航母编队目标识别和威胁评估的有效性,能够为航母编队指挥员反潜作战提供一定的辅助决策。 相似文献
10.
11.
12.
13.
14.
针对现代储运过程管道堵塞故障诊断时,提取的过程参数多导致诊断速度慢、性能差等问题,提出了基于主成分分析(PCA)和径向基函数(RBF)神经网络故障的诊断方法。首先利用PCA方法对储运过程高维历史数据矩阵进行特征提取,提取的故障特征信息作为训练集,并给出故障特征信息的分类号;然后将其作为RBF神经网络分类器的输入输出进行故障模式识别。仿真实验表明:该方法应用于储运过程管道堵塞故障诊断,不仅大幅度地降低了诊断模型的训练时间,而且提高了诊断正确率。 相似文献
15.
16.
贝叶斯融合方法在武器小子样试验中的应用 总被引:1,自引:0,他引:1
在小子样武器试验中利用贝叶斯融合理论对其参数进行评估,分析了贝叶斯理论基础和应用条件。在此基础上,建立了融合算法模型,经过仿真验证,在小子样试验中,该方法是提高评估置信度和精度的一种有效途径。 相似文献
17.
为了降低混部云失败批处理作业的风险,使用K-means聚类算法将批处理作业分为四类,在分类的基础上提出了二层嵌套分类模型(two-layer nested classification model, TLNM),实现了基于TLNM的预测算法。基于Ali Trace 2018数据集上的实验结果表明,该算法的接受者操作特性(receiver operating characteristic, ROC)曲线明显优于其他常用分类器,ROC曲线下面积(即AUC)可以达到0.978,表明该算法具有良好的分类性能。同时召回率可以达到0.951,通过混淆矩阵可以看出TLNM算法能够准确预测出执行失败的批处理作业。 相似文献
18.
19.
基于AdaBoost-SVM的P2P流量识别方法 总被引:1,自引:0,他引:1
针对传统的P2P流量识别技术存在识别率低和误判率高的缺点,将机器学习中Ada Boost算法的良好分类能力和SVM的泛化能力结合起来,提出一种基于Ada Boost-SVM组合算法的P2P网络流量识别模型,将SVM作为Ada Boost的基分类器,运用最小近邻法计算支持向量与训练集的样本间的距离实现分类进行P2P流量识别。最后,以4种P2P流量数据为研究对象在MATLAB上进行仿真,仿真结果表明,提出的Ada Boost-SVM的组合算法在P2P网络流量的分类性能和分类准确率上都优于单纯的Ada Boost和SVM,组合算法的P2P流量平均识别率高达98.7%,远高于Ada Boost和SVM的识别率。 相似文献