-
公开(公告)号：CN105353371A
公开(公告)日：2016-02-24
申请号：CN201510881308.6
申请日：2015-12-03
Applicant: 西安电子科技大学 , 南京长江电子信息产业集团有限公司 , 西安中电科西电科大雷达技术协同创新研究院有限公司
Abstract: 本发明属于雷达目标检测技术领域，涉及一种基于自回归(AR)谱扩展分形的海面雷达目标检测方法，包括：获取海杂波回波的时间序列X，估计海杂波回波的AR谱S(f)，得到海杂波回波的AR谱序列S；根据海杂波回波的AR谱序列S，构造海杂波回波的AR谱结构函数f(s)；设定海杂波回波的AR谱结构函数f(s)的抽取间隔总个数为M，计算每个抽取间隔对应的海杂波回波的AR谱结构函数f(s)的AR谱多尺度Hurst指数根据M个抽取间隔的海杂波回波的AR谱结构函数对应的AR谱多尺度Hurst指数，选择最优的抽取间隔n，计算在最优抽取间隔n的条件下的AR谱多尺度Hurst指数HAR(n)，根据AR谱多尺度Hurst指数HAR(n)设计恒虚警检测器，设定虚警率，从而完成雷达目标检测。
-
公开(公告)号：CN101763514B
公开(公告)日：2012-03-28
申请号：CN201010013722.2
申请日：2010-01-15
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6224 , G06K9/342
Abstract: 本发明公开了一种基于特征重要度排序谱聚类的图像分割方法，主要解决现有谱聚类方法复杂度高和稳定性差的问题。其实现过程是：(1)对待分割图像提取灰度值特征，灰度共生特征或小波特征；(2)对特征数据进行归一化处理；(3)根据归一化后的特征数据，计算所有样本的重要度；(4)对所有样本的重要度进行排序，并选择重要度高的100个样本作为采样的样本子集；(5)根据方法，用选出的样本子集求解所有样本谱映射后的特征向量空间，并取前给定的类别数k个特征值对应的特征向量进行降维；(6)对降维后的数据进行k-means聚类，输出最终的图象分割结果。本发明与现有的谱聚类方法相比，结果稳定，复杂度低，图像分割结果有明显提高，可用于目标检测和目标识别。
-
公开(公告)号：CN101763514A
公开(公告)日：2010-06-30
申请号：CN201010013722.2
申请日：2010-01-15
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6224 , G06K9/342
Abstract: 本发明公开了一种基于特征重要度排序谱聚类的图像分割方法，主要解决现有谱聚类方法复杂度高和稳定性差的问题。其实现过程是：(1)对待分割图像提取灰度值特征，灰度共生特征或小波特征；(2)对特征数据进行归一化处理；(3)根据归一化后的特征数据，计算所有样本的重要度；(4)对所有样本的重要度进行排序，并选择重要度高的100个样本作为采样的样本子集；(5)根据方法，用选出的样本子集求解所有样本谱映射后的特征向量空间，并取前给定的类别数k个特征值对应的特征向量进行降维；(6)对降维后的数据进行k-means聚类，输出最终的图象分割结果。本发明与现有的谱聚类方法相比，结果稳定，复杂度低，图像分割结果有明显提高，可用于目标检测和目标识别。
-
公开(公告)号：CN101763466B
公开(公告)日：2011-08-24
申请号：CN201010013627.2
申请日：2010-01-20
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于动态样本选择集成的生物信息识别方法，主要解决因数据不平衡带来的对小类样本正确识别率低的问题。处理此问题的实现过程是：(1)利用训练集划分的方法将训练集划分为一系列的平衡子数据集；(2)将得到的平衡子数据集分到各自的基分类器中作为初始训练集；(3)在各基分类器上利用动态样本选择的方法循环训练；(4)用每次训练得到的决策函数对测试集测试得到决策结果；(5)利用代价敏感思想对决策结果求权重；(6)对各次的决策结果加权集成得到最终的识别结果。本发明与现有的技术相比具有准确度高，计算复杂度低，可根据需要调节正确率与查全率之间大小关系的优点，用于识别生物信息和网络入侵、金融欺诈和反垃圾邮件的检测。
-
公开(公告)号：CN105353371B
公开(公告)日：2018-03-06
申请号：CN201510881308.6
申请日：2015-12-03
Applicant: 西安电子科技大学 , 南京长江电子信息产业集团有限公司 , 西安中电科西电科大雷达技术协同创新研究院有限公司
Abstract: 本发明属于雷达目标检测技术领域，涉及一种基于自回归(AR)谱扩展分形的海面雷达目标检测方法，包括：获取海杂波回波的时间序列X，估计海杂波回波的AR谱S(f)，得到海杂波回波的AR谱序列S；根据海杂波回波的AR谱序列S，构造海杂波回波的AR谱结构函数f(s)；设定海杂波回波的AR谱结构函数f(s)的抽取间隔总个数为M，计算每个抽取间隔对应的海杂波回波的AR谱结构函数f(s)的AR谱多尺度Hurst指数根据M个抽取间隔的海杂波回波的AR谱结构函数对应的AR谱多尺度Hurst指数，选择最优的抽取间隔n，计算在最优抽取间隔n的条件下的AR谱多尺度Hurst指数HAR(n)，根据AR谱多尺度Hurst指数HAR(n)设计恒虚警检测器，设定虚警率，从而完成雷达目标检测。
-
Patent Agency Ranking
公开(公告)号：CN102509120B
公开(公告)日：2013-09-25
申请号：CN201110346348.2
申请日：2011-11-04
Applicant: 西安电子科技大学
IPC: G06K9/66
Abstract: 本发明公开了一种基于迁移字典学习的高光谱图像的有监督分割方法，主要解决高光谱图像分割时遇到的类别不平衡问题。其实现过程是：(1)输入目标图像和辅助图像并提取特征；(2)设定循环终止次数，并对目标域有标签样本集采用字典学习方法训练分类器；(3)计算迁移样本集；(4)更新目标域有标签样本集中的小类样本集；(5)计算本次循环中目标域无标签样本集的分类标签和分类器权重；(6)计算最终目标域无标签样本集的分类标签；(7)利用得到的最终目标域无标签样本集的分类标签和目标域有标签样本集的标签，输出目标图像的分割结果。本发明具有对类别不平衡的高光谱图像分割效果好的优点，可用于雷达目标的检测与识别。
-
公开(公告)号：CN101794396B
公开(公告)日：2012-12-26
申请号：CN201010132673.4
申请日：2010-03-25
Applicant: 西安电子科技大学
IPC: G06K9/66
Abstract: 本发明公开了一种基于迁移网络学习的遥感图像目标识别系统及方法，主要解决现有方法对当有标签的遥感图像数据很少时识别正确率较低和图像标签的获取困难且花费昂贵的问题。整个系统包括：图像特征提取模块，迁移网络分类器学习系统生成模块和迁移网络分类器学习系统学习模块。其中，图像特征提取模块，对图像完成特征提取；迁移网络分类器学习系统生成模块，对输入的样本数据采用引入迁移学习的网络集成学习算法进行训练，得到迁移网络分类器学习系统；迁移网络分类器学习系统学习模块，对新的样本图像特征完成分类识别。本发明具有能够利用已有其他资源提高对遥感图像目标的识别正确率，无需重新搜集数据的优点，可用于遥感图像的目标识别。
-
公开(公告)号：CN102509120A
公开(公告)日：2012-06-20
申请号：CN201110346348.2
申请日：2011-11-04
Applicant: 西安电子科技大学
IPC: G06K9/66
Abstract: 本发明公开了一种基于迁移字典学习的高光谱图像的有监督分割方法，主要解决高光谱图像分割时遇到的类别不平衡问题。其实现过程是：(1)输入目标图像和辅助图像并提取特征；(2)设定循环终止次数，并对目标域有标签样本集采用字典学习方法训练分类器；(3)计算迁移样本集；(4)更新目标域有标签样本集中的小类样本集；(5)计算本次循环中目标域无标签样本集的分类标签和分类器权重；(6)计算最终目标域无标签样本集的分类标签；(7)利用得到的最终目标域无标签样本集的分类标签和目标域有标签样本集的标签，输出目标图像的分割结果。本发明具有对类别不平衡的高光谱图像分割效果好的优点，可用于雷达目标的检测与识别。
-
公开(公告)号：CN101794396A
公开(公告)日：2010-08-04
申请号：CN201010132673.4
申请日：2010-03-25
Applicant: 西安电子科技大学
IPC: G06K9/66
Abstract: 本发明公开了一种基于迁移网络学习的遥感图像目标识别系统及方法，主要解决现有方法对当有标签的遥感图像数据很少时识别正确率较低和图像标签的获取困难且花费昂贵的问题。整个系统包括：图像特征提取模块，迁移网络分类器学习系统生成模块和迁移网络分类器学习系统学习模块。其中，图像特征提取模块，对图像完成特征提取；迁移网络分类器学习系统生成模块，对输入的样本数据采用引入迁移学习的网络集成学习算法进行训练，得到迁移网络分类器学习系统；迁移网络分类器学习系统学习模块，对新的样本图像特征完成分类识别。本发明具有能够利用已有其他资源提高对遥感图像目标的识别正确率，无需重新搜集数据的优点，可用于遥感图像的目标识别。
-
公开(公告)号：CN101968851B
公开(公告)日：2012-08-08
申请号：CN201010278053.1
申请日：2010-09-09
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于字典学习上采样的医学影像处理方法，它属于图像处理技术领域。其实现过程是：输入原始医学影像；对原始医学影像进行切割与增强处理；对切割与增强处理后的医学影像提取特征；根据提取的特征得到训练样本集和测试样本集；从训练样本中找出弱势样本的边界点；根据边界点邻域的情况得到需要生成新样本的个数；利用稀疏连线取点方法生成所需的新样本；将新样本增加进训练样本集中组成新的训练样本集；对新的训练样本集进行分类诊断，得到分类器；采用分类器，对测试样本集进行诊断，得到最终诊断结果。本发明具有对医学影像诊断识别率高泛化能力强的优点，可用于医务工作者评价疾病预后和治疗效果。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.029 seconds)
