基于粗糙集与支持向量机的军用飞机识别算法

摘要

目标识别是计算机视觉的一个重要研究方向，在军事自动化领域有着广泛的-应用前景。飞机识别是目标识别的一个具体应用，对高效的军事情报生产有着重要意义。目前，对于飞机机型的识别仍然处于探索阶段，成熟的理论和方法尚未形成。 本论文主要研究了基于粗糙集和支持向量机相结合的模式分类技术，结合遥感图像中军用飞机目标识别进行了理论分析和实验研究。基T~．H糙集和支持向量机算法的优势，设计了基于粗糙集和决策有向无环图的支持向量机模式识别分类器，对分类的性能进行了分析研究，并取得了很好的效果。本文的主要内容和成果如下： 首先，利用3DSMAX软件建立了由九种不同形状飞机和三对形状相似飞机的顶视图像在改变大小和旋转方向条件下所构造的样本图像库。样本图像库由训练样本图像库和测试样本图像库两部分组成。 第二，在实际成像条件下不变矩取值会存在各种不稳定影响因素，特别是在计算小尺寸目标的不变矩时会往往产生较大误差。因此本文研究了飞机灰度图像的Hu不变矩和复数矩特征参数的提取方法，并建立与尺度和模糊度有关的多级不变矩特征库。实验表明，使用分级特征库能显著提高目标识别的准确度。 第三，本文对支持向量机多类别分类算法进行了对比性研究，分析了每种算法的原理和特点，讨论它们之间的内在关系。由于1-v-1和1-v-r方法没有给出误差泛化能力的分析，同时它们的训练时间随节点的增加而呈非线性增加，针对此情况，本文采用了决策有向无环图的支持向量机多类别分类算法，实验证明该方法提高了分类器的分类精度，缩短了训练和预测时间。 第四，研究了基于粗糙集计算方法的特征选择方法，分析了特征空间维数对支持向量机分类性能的影响，提出粗糙集和支持向量机相结合的方法。用粗糙集理论判别属性的重要性，进行属性约简，以降低输入空间维数，进而设计支持向量机分类器，进行训练及预测。实验证明该方法有效地提高分类器的分类性能。 最后，设计基于粗糙集和支持向量机模式识别分类器，最终提出基于粗糙集和决策有向无坏图支持向量(DAGSVM)相结合的分类算法，实验结果表明，该方法识别精度高，速度快，抗干扰能力强，有效地提高了分类器的分类性能。

目录

文摘

英文文摘

西北工业大学业学位论文知识产权声明书及西北工业大学学位论文原创性声明

第一章绪论

1.1课题意义

1.2国内外对目标识别方法的研究

1.3课题的主要研究工作

1.4论文结构安排

第二章二维图像飞机目标识别基本方法

2.1概述

2.2二维图像目标的识别方法

2.2.1图像目标的匹配方法

2.2.2图像目标识别的系统结构

2.3二维图像飞机目标识别系统结构

2.3.1飞机目标的成像模型及样本库的建立

2.3.2飞机图像在线识别结构与过程

第三章飞机不变矩稳定性分析及建立多级特征模型

3.1概述

3.2特征提取

3.2.1 Hu不变矩

3.2.2复数矩

3.3飞机不变矩稳定性分析及多级特征模型

3.3.1高斯点扩展函数作用下的目标不变矩

3.3.2目标不变矩稳定性分析实验

3.3.3不变矩数量级标准化

3.3.4目标识别的多级特征模型

3.3.5验证多级特征模型有效性实验

第四章粗糙集

4.1概述

4.2粗糙集的基本概念

4.2.1知识与不可分辨关系

4.2.2粗糙集的下逼近、上逼近、边界区和粗糙隶属函数

4.3信息系统及简化

4.3.1信息系统的表示

4.3.2属性的简化和核

4.3.3属性值的简化和值核

4.3.4算法及举例

第五章支持向量机

5.1概述

5.2机器学习的模型

5.2.1主要的学习问题

5.2.2经验风险最小化原则

5.2.3学习的复杂性和推广能力

5.3统计学习理论

5.3.1学习过程一致性的条件

5.3.2函数集的学习能力和VC维

5.3.3学习机器推广性的界

5.3.4结构风险最小化原则

5.4支持向量机方法

5.4.1最优分类超平面

5.4.2广义的最优分类超平面

5.4.3支持向量机

5.4.4支持向量机的训练算法

5.5支持向量机的特点

第六章基于粗糙集及SVM的飞机分类算法

6.1概述

6.2支持向量机多类分类算法

6.2.1“一对多”方法(One-Against-the-rest Method)

6.2.2“一对一”方法(One-against-one Method)

6.2.3基于决策有向无环图SVM-DAGSVM

6.3粗糙集与支持向量机的结合

6.3.1分类器结构

6.3.2输入空间的维数对SVM分类器性能的影响

6.3.3粗糙集与支持向量机的结合

6.3.4新属性集的产生方法

6.4仿真实验

6.4.1实验图像库建立

6.4.2利用粗糙集建立新属性集

6.4.3实验结果

6.4.4实验分析

第七章总结与展望

参考文献

攻读硕士学位期间的科研学术情况

致谢