基于支持向量机的地面目标自动识别技术PDF电子书下载

第1章 绪论 1

1.1研究背景和意义 1

1.2多传感器信息融合 5

1.2.1定义与一般模型 5

1.2.2信息融合的主要技术和方法 7

1.3基于多传感器信息融合的目标识别 7

1.3.1融合识别的三个层次 8

1.3.2融合识别研究现状 10

1.4支持向量机的发展和研究现状 13

第2章 统计学习与支持向量机 16

2.1统计学习理论 16

2.1.1机器学习中的期望风险与经验风险 16

2.1.2 VC维理论 18

2.1.3结构风险最小原则 21

2.2支持向量机 22

2.2.1线性可分最优分类 22

2.2.2线性不可分最优分类 25

2.2.3 SVM的一般形式 27

2.2.4常用的核函数 30

2.2.5应用SVM的一般步骤 30

2.2.6 SVM多类分类 31

第3章 基于支持向量机的目标特征库的建立 33

3.1 UCI开放实测特征库介绍 33

3.2图像的特征提取 36

3.2.1图像不变矩 37

3.2.2主成分分析 40

3.3低分辨率图像特征库的组建及SVM识别性能比较 40

3.3.1低分辨率图像特征库的组建 40

3.3.2基于三种特征库的SVM识别性能比较 43

3.4高分辨率图像特征库的组建及SVM识别性能比较 44

3.4.1高分辨率图像特征库的组建 44

3.4.2基于两种特征库的SVM识别性能比较 46

3.5两类装甲车辆特征库的建立 47

3.5.1图像获取 47

3.5.2基于Mean Shift的图像平滑与分割 48

3.5.3装甲车辆红外特征库与可见光特征库的建立 54

3.5.4特征融合及融合特征库的建立 56

3.5.5基于各特征库的SVM识别效率比较 58

第4章 支持向量机模型选择 60

4.1传统模型选择方法 60

4.1.1 k-折交叉验证 60

4.1.2 LOO误差 61

4.1.3 LOO误差上界 62

4.2基于改进Joachims上界的模型选择方法 63

4.2.1两个LOO误差上界的等价性 63

4.2.2改进的Joachims上界 64

4.2.3模拟实验 67

4.3基于类间距的两步模型选择法 72

4.3.1 RBF核参数对空间映射的影响 73

4.3.2基于ICMD的核参数评价方法 75

4.4 SVM模型选择实验 79

第5章 支持向量机特征选择 82

5.1特征选择的基本问题 82

5.1.1特征的打分策略 82

5.1.2特征的去留策略 83

5.1.3特征的搜索策略 84

5.2传统的特征选择方法 86

5.2.1 Relief算法 86

5.2.2基于k-折交叉验证的SVM - RFE方法 86

5.3基于改进LOO误差上界的SVM-RFE方法 88

5.4基于核空间类间距的SVM-RFE方法 89

5.5特征选择方法实验比较 91

第6章 基于增后特征库的支持向量机 94

6.1增后特征库的定义和性质 94

6.2基于增后特征库的SVM目标识别 96

6.3模拟实验 97

6.3.1 5-折交叉验证结果比较 97

6.3.2对测试集的识别实验 98

第7章 支持向量机目标识别的软件实现 100

7.1特征库的建设 100

7.2支持向量机的训练 103

7.3支持向量机的识别 104

第8章 总结与展望 107

参考文献 109