典型文献
多核集成支持向量机合成孔径雷达目标分类
文献摘要：
雷达数据的复杂性增加了合成孔径雷达(SAR)目标分类和识别的难度.传统的多核分类方法先在单个再生核希尔伯特空间(RKHS)中学习基核的线性组合,再通过学习相关参数对SAR目标进行分类.由于传统方法忽略了多核中的最佳参数选择以及多核之间的结构特征,因此会导致识别结果出现偏差.鉴于此,提出了一种多核集成支持向量机SAR目标分类方法,通过设计一个集成损失函数将多个单独的核分类损失进行集成,从而将多个单独的核分类模型统一成一个整体,并共同优化和学习多个单独模型的最优参数.试验结果表明,该方法与SimpleMKL和SpicyM-KL等方法相比,在移动与静止目标搜索与识别(MSTAR)计划的多类别SAR数据集上的分类识别准确率可提升0.5％～10％.
文献关键词：
合成孔径雷达;多核学习;集成损失;共享参数
中图分类号：
作者姓名：
周一鸣;吴玉仁;沈项军;朱倩;吴蔚;张江涛
作者机构：
江苏大学计算机科学与通信工程学院 江苏镇江 212013;信息系统工程重点实验室 南京 210023;中国电子科技集团公司第二十八研究所 南京 210023
文献出处：
引用格式：
[1]周一鸣;吴玉仁;沈项军;朱倩;吴蔚;张江涛-.多核集成支持向量机合成孔径雷达目标分类)[J].指挥信息系统与技术,2022(03):36-43
A类：
集成损失,SimpleMKL,SpicyM
B类：
核集,合成孔径雷达,雷达目标,目标分类,雷达数据,SAR,分类方法,再生核希尔伯特空间,RKHS,线性组合,最佳参数,参数选择,一个集,损失函数,分类模型,一成,一个整,最优参数,动与静,静止,目标搜索,MSTAR,多类别,分类识别,识别准确率,多核学习,共享参数
AB值：
0.333002
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
