基于浅层特征与T矩阵深度学习的极化SAR分类方法

    公开(公告)号:CN107292317A

    公开(公告)日:2017-10-24

    申请号:CN201710495285.4

    申请日:2017-06-26

    Abstract: 本发明公开了一种基于浅层特征与T矩阵深度学习的极化SAR分类方法,主要解决现有技术对散射信息差异明显的同一地物和散射信息相近的不同地物分类正确率低的问题。其实现步骤为:1.对原始极化SAR图像进行滤波处理2.提取滤波后的极化SAR图像的极化浅层特征;3.将浅层特征与滤波后的极化SAR数据进行融合,构造训练样本和测试样本;4.采用卷积神经网络对训练样本进行学习;5.利用学习得到的卷积神经网络对测试样本进行分类,得到最终的极化SAR地物分类结果。本发明对极化SAR目标地物的分类正确率高,并且对大区域的地物目标分类有良好的实验效果,可用于目标识别和大场景的地物分类。

    基于空间信息迁移的高光谱图像分类方法

    公开(公告)号:CN103745233B

    公开(公告)日:2017-10-24

    申请号:CN201410032183.5

    申请日:2014-01-23

    Abstract: 本发明公开了一种基于空间信息迁移的高光谱图像分类方法,主要解决现有基于SVM算法的高光谱图像分类不准确,速度较慢,稳定性较差的问题。其实现步骤是:先从高光谱图像中随机选出一些波段分别作为源域,利用EM算法对源域进行聚类得到空间信息;随机选取高光谱图像剩余波段中一些波段作为目标域,在空间信息的约束下将目标域样本迁移到标记样本;最后用SVM算法对这些标记样本进行训练分类,得到最终的分类结果。本发明与传统的分类方法相比,具有速度快、效果好等优点,而且可使用较少的波段达到较高的聚类精度,大大的节约了计算成本,可用于矿产探测、资源调查及环境监测。

    一种基于多种群PSO的逆向物流网络排布方法

    公开(公告)号:CN104392344B

    公开(公告)日:2017-10-17

    申请号:CN201410779101.3

    申请日:2014-12-16

    Abstract: 本发明涉及电子信息技术领域,公开了一种基于多种群PSO的逆向物流网络排布方法。本发明以多种群PSO算法为框架,其步骤包括:(1)根据逆向物流网络模型设置子种群个数;(2)个体编码和种群初始化;(3)计算个体和子种群适应度函数;(4)更新个体信息;(5)计算多种群融合算子;(6)计算优化算子。本发明主要解决逆向物流网络构建过程中如何合理地设置收集站点个数以及排布收集站点位置,提高用户覆盖率的问题。经过实验验证,本发明能够高效地优化出合理的逆向物流网络排布方案,方案中收集站点个数可以选择,且都具有较高的用户覆盖率。

    基于共稀疏模型的高分辨SAR图像分类方法

    公开(公告)号:CN107220659A

    公开(公告)日:2017-09-29

    申请号:CN201710329004.8

    申请日:2017-05-11

    Abstract: 本发明公开了一种基于共稀疏模型的高分辨SAR图像分类方法,本发明解决了SAR图像分类时局限于用综合稀疏模型表示图像导致分类时间复杂度高的技术问题。其过程为:在待分类的SAR图像中选取初始像素值矩阵X;选取解析算子学习初始样本;将投影次梯度法和统一行规范紧框架法相结合学习解析算子Ω;用增广拉格朗日法求解共稀疏系数Z;将每个像素点对应像素块的共稀疏系数向量和该像素块的像素值向量相结合得到特征向量;基于SVM分类器分类,得到全图各像素点特征向量的预测标签;将预测标签结果用灰度图像显示出来。本发明能快速求得图像的稀疏表示,保证了SAR图像分类的时效性和分类准确率,用于高分辨SAR图像的分类。

    基于多层共稀疏的逆合成孔径雷达高分辨成像方法

    公开(公告)号:CN107167805A

    公开(公告)日:2017-09-15

    申请号:CN201710255643.4

    申请日:2017-04-19

    CPC classification number: G01S7/023 G01S13/904 G01S13/9064

    Abstract: 一种基于多层共稀疏的逆合成孔径雷达高分辨成像方法,其成像过程为:输入经过运动补偿和距离压缩后的回波数据;对回波信号的每一个距离单元的解析算子进行学习,再对回波数据进行去噪;在得到最优的解析算子和去噪的回波信号后,本发明采用修改的OMP算法来恢复ISAR图像;整个成像过程中,本发明的成像过程分为多个阶段,将上一个阶段得到的低分辨率的ISAR图像通过逆傅里叶变化转换到数据域并作为下一个阶段的输入。本发明可以保证每一个阶段的方位向分辨率较上一个阶段都有所提高。本发明用于稀疏场景的ISAR目标成像,对噪声具有很强的鲁棒性。

    基于文化基因算法的社交网络影响最大化方法

    公开(公告)号:CN104361462B

    公开(公告)日:2017-09-05

    申请号:CN201410674364.8

    申请日:2014-11-21

    Abstract: 本发明公开了一种基于文化基因算法的社交网络影响最大化方法,主要解决现有技术在处理社交网络影响最大化时难以找出可使信息传播最广的初始激活节点集合问题。其实现步骤为:1.确定目标函数,并构造初始种群;2.开始进化过程,从种群中选择出父代个体,并依次进行交叉及变异操作得到子代个体;3.选出子代最优个体,对其进行局部搜索;4.根据父代和子代个体更新种群,并选出种群最优个体;6.判断是否终止:如果进化次数满足预先设定次数,则输出种群最优个体,否则,返回步骤2。本发明能有效地从大规模社交网络中挖掘出信息传播最广的初始激活节点集合,有效地解决了社交网络信息影响最大化的问题,可用于研究社交网络的信息传播机制。

    基于递归自动编码的高光谱特征学习方法

    公开(公告)号:CN104298999B

    公开(公告)日:2017-08-25

    申请号:CN201410519724.7

    申请日:2014-09-30

    Abstract: 本发明属于图像处理技术领域,具体提供了一种基于递归自动编码的高光谱特征学习方法,其步骤包括:将高光谱图像中每个像素点用特征向量表示,进行归一化处理,选出训练集和测试集;对每个特征向量构建邻域窗口块;在训练集中,每个特征向量及其邻域根据特征向量间重构误差最小化准则,合并特征向量对,再根据整个网络的重构误差对整个网络进行训练;分别将训练集和测试集输入到训练好的网络中,得到新的训练集和测试集;将新的训练集和测试机输入到支撑矢量机进行分类,得到分类结果。本发明采用了无监督的思想,克服了高光谱数据获取类标难的问题,获得较高的分类正确率,可用于矿物勘探,环境管理,军事防御领域。

    基于多目标智能体进化聚类算法的图像分割方法

    公开(公告)号:CN104537660B

    公开(公告)日:2017-07-28

    申请号:CN201410819725.3

    申请日:2014-12-25

    Abstract: 本发明公开了一种基于多目标智能体进化聚类算法的图像分割方法,主要解决图像分割技术中容易陷入局部最优、算法鲁棒性不高问题。将图像分割问题转化为一个全局优化聚类问题。过程包括:提取待分割图像像素点灰度信息;参数初始化并建立图像智能体网格;计算图像智能体的能量,进行非支配排序;进行邻域竞争操作;进行高斯变异操作;计算图像智能体的能量,非支配排序;进行自学习操作,根据拥挤距离选出最优聚类结果,输出聚类标签;实现图像分割。本发明将图像处理过程多目标化,不仅收敛效果好,而且增强了方法的鲁棒性,能改善图像分割的质量和增强分割效果的稳定性,有利于图像目标的提取、识别以及其它一些后续处理。

Patent Agency Ranking