夏建涛
- 作品数：15 被引量：105H指数：6
- 供职机构：西北工业大学更多>>
- 发文基金：国家教育部博士点基金国家重点基础研究发展计划国家高技术研究发展计划更多>>
- 相关领域：自动化与计算机技术电子电信电气工程军事更多>>
- 防空C^3I雷达情报网数据融合算法的研究被引量：1
- 2000年
- 传统 C3I系统的数据融合算法运算量大 ,融合精度不高。根据我国防空 C3I系统的现状 ,提出了一种新的基于神经网络的防空 C3I系统数据融合算法。由于神经网络是全并行工作 ,所以此算法具有处理速度快、精度高等优点。仿真结果表明 ,航迹交接算法和航迹融合算法的性能都比较好 。
- 夏建涛任震景占荣
- 关键词：数据融合防空C^3I神经网络
- 防空C^3I雷达情报网数据融合算法的研究被引量：13
- 2000年
- 传统C3 I系统的数据融合算法运算量大、融合精度不高。根据我国防空C3 I系统的现状 ,提出了一种新的基于神经网络的防空C3 I系统数据融合算法。由于神经网络是全并行工作的 ,所以此算法具有处理速度快、精度高等优点。仿真结果表明 ,航迹交接算法和航迹融合算法的性能都比较好 ,对真实雷达网数据融合有很好的参考价值。
- 夏建涛任震景占荣
- 关键词：C^3I系统数据融合算法防空神经网络雷达
- 基于SVM的高维多光谱图像分类算法及其特性的研究被引量：10
- 2003年
- 针对传统模式分类算法在处理高维多光谱图像时面临的困难，文章把支持向量机（Support Vector Machine，SVM）用于高维多光谱图像分类，有效地减弱了Hughes现象，获得了比传统方法更好的分类精度。研究了高维多光谱图像分类中SVM的分类性能与训练样本数目和数据维数之间的关系。实验结果表明，与传统模式分类方法相比，SVM具有分类精度高、推广性强的优点，尤其是当学习样本数目较少、数据维数高时，SVM的优势更加明显。
- 夏建涛何明一
- 关键词：多光谱图像支持向量机SVM
- 基于支持向量机的高维多光谱数据分类
- 本文把SVM应用于高维多光谱数据分类，构造了支持向量分类器(SVC)，克服了传统算法在学习样本少、数据维数高时表现出来的推广性差、Hughes现象严重和易过学习等缺陷，提高了分类精度。并采用人工数据和多光谱数据，通过与四...
- 何明一夏建涛
- 关键词：支持向量机多光谱数据
- 文献传递
- 光谱感知中高光谱数据的特征约
- 利用二维、三维图象数据中的形态信息和多光谱、高光谱数据中的光谱信息是机器视觉感知中两个非常重要的方面.机器视觉感知中,光谱感知突破了一般视觉感知中可见光的限制,利用反映物体在较宽光谱范围的多种物理特性的光谱特性对其进行识...
- 何明一黄睿夏建涛
- 关键词：特征约简特征提取高光谱数据
- 文献传递
- 基于机器学习的高维多光谱数据分类
- 结合国家863计划项目、国防973项目和教育部博士点基金项目,研究了有限样本下基于机器学习的高维多光谱数据分类问题.高维多光谱数据分类中,由于训练样本非常有限、数据维数很高,以经验风险最小化为归纳原则的传统模式识别方法通...
- 夏建涛
- 关键词：遥感模式识别统计学习理论支持向量机
- 支持向量机与纠错编码相结合的多类分类算法被引量：35
- 2003年
- 提出了一种基于纠错编码的支持向量机多类分类算法 ( ECC- SVM) ,并在理论上研究了该算法的推广性与编码长度、码间汉明距离、编码顺序以及每个 SVM推广性之间的关系 ,给出了这种关系的数学表达 ,为提高该算法的推广能力指明了方向。把目前广泛使用的 1 - v- R SVM多类分类算法作为该算法的一个特例 ,分析了它的推广性。计算机仿真数据和多光谱遥感图像分类实验结果表明 ,ECC- SVM具有更快的分类速度和更高的分类精度 。
- 夏建涛何明一
- 关键词：多类分类SVM
- 多光谱图象压缩、融合与特征约简方法研究
- 何明一黄睿夏建涛冯燕吴铮
- 该项目把双并联前向网络（DPFNN）用于高光谱数据分类，研究了其推广性与权值分布之间的关系，提出了一种新的基于输出层权值正则化的强推广性DPFNN学习算法，有效地提高了DPFNN的推广能力。把高光谱特征约简问题归纳为用较...
- 关键词：
- 关键词：多光谱特征约简
- 断层成象算法的研究
- 该文就断层成象算法方面开展了以下几方面的研究工作:(1)文章还回顾了人工神经 网络发展的历史,详细介绍了BP网络和Hopfield网络的结构与功能以及如何利用神经网络解决实际问题的方法;(2)该文提出了用正三角形单元划分...
- 夏建涛
- 关键词：神经网络模拟退火算法有限元法
- 文献传递
- 基于支持向量机的高维多光谱数据分类
- 2002年
- 1引言
多光谱技术是人们获取、感知地球表面信息的一种重要手段[1].随着传感器技术的进步,新型多光谱传感器光谱分辨率达到了纳米级,具有几百个(100～300)光谱波段,这为人们提供了丰富的地物信息.然而由于其数据维数高、学习样本数量常常有限,使得高维多光谱数据分类面临许多新的课题.传统模式识别方法在处理高维多光谱数据时,面临着巨大的困难:(1)基于经典统计学的模式识别方法只有当训练样本数量趋于无穷时,性能才能达到最优.当样本数量较少时,通常难以取得很好的结果;(2)传统方法在高维数据分类时Hughes现象十分严重[2];(3)基于Bayes理论的方法需要对数据的概率分布做出假设,且当假设与数据真实概率分布不相符合时,分类精度急剧恶化;(4)神经网络分类器已经被应用于多光谱数据分类[3,4],取得了比Bayes方法更好的结果,但神经网络存在训练速度慢,易陷入局部极小点等缺陷.……
- 何明一夏建涛
