基于主动学习的毫米波距离像识别算法  

Millimeter Wave Range Profile Recognition Algorithm Based on Active Learning

作　　者：王剑桥[1] 李跃华[1] 罗磊[2] 

机构地区：[1]南京理工大学电子工程与光电技术学院,南京210094 [2]南通大学电子信息学院,南通226019

出　　处：《微波学报》2012年第S1期271-275,共5页Journal of Microwaves

基　　金：江苏省省高校自然科学研究项目(11KJB510020)

摘　　要：在毫米波距离像识别过程中,选择用于训练分类器的样本点的策略往往非常简单,比如随机选取。这些简单的策略无法充分利用已知样本的信息,使得分类器的性能差别很大。针对这一问题,将局部线性重构的主动学习算法(LLRAL)引入到训练样本的选择过程中。算法从全局样本中选择信息量最大的样本,并且在选取的过程中,借鉴了流形学习中局部重构的思想,加入局部线性重构的约束条件,使得选出的样本不仅在全局范围内具有最大的信息量,同时能够保持样本原有的局部结构。使用k-NN和SVM对不同的样本选择算法进行了仿真实验。仿真实验结果表明,在使用相同的分类算法时,该算法不仅性能稳定,而且具有更高的正确识别率。在毫米波距离像识别过程中,选择用于训练分类器的样本点的策略往往非常简单,比如随机选取。这些简单的策略无法充分利用已知样本的信息,使得分类器的性能差别很大。针对这一问题,将局部线性重构的主动学习算法(LLRAL)引入到训练样本的选择过程中。算法从全局样本中选择信息量最大的样本,并且在选取的过程中,借鉴了流形学习中局部重构的思想,加入局部线性重构的约束条件,使得选出的样本不仅在全局范围内具有最大的信息量,同时能够保持样本原有的局部结构。使用k-NN和SVM对不同的样本选择算法进行了仿真实验。仿真实验结果表明,在使用相同的分类算法时,该算法不仅性能稳定,而且具有更高的正确识别率。

关 键 词：一维距离像 主动学习 局部重构 目标识别 

分 类 号：TN015[电子电信—物理电子学] TP391.41[自动化与计算机技术—计算机应用技术]