基于Stacking集成算法的空间微动目标识别方法.pdf
一吃****书竹
亲,该文档总共11页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于Stacking集成算法的空间微动目标识别方法.pdf
本发明公开了一种基于Stacking集成算法的空间微动目标识别方法,主要解决现有空间微动目标识别方法特征提取单一、传统单分类器无法充分挖掘特征分类潜力的问题。其实现方案为:1)利用多变换域特征提取方法,提取目标时域、频域、时频域特征,生成训练样本集和测试样本集;2)构建由四个初级分类器并联,再与一个次级分类器级联的Stacking集成分类器模型;3)使用训练样本集和交叉验证方法对Stacking集成分类器进行训练;4)将测试样本集输入到训练好的Stacking集成分类器中,得到分类结果。本发明能充分表征目
基于决策级融合的空间微动目标识别方法.pdf
本发明公开了一种基于决策级融合的空间微动目标识别方法,主要解决现有空间微动目标识别方法特征提取单一、回波利用不充分且识别率低的问题。其实现方案为:1)生成原始回波训练样本集、验证样本集及测试样本集;2)分别从原始回波训练样本集、验证样本集及测试样本集中提取目标的四类特征,包括:7维物理特征、伪Zernike矩特征、HRRP数据域特征及RID数据域特征;3)将所提取的四类特征输入相应分类器中,获得4类空间空间微动目标的后验概率;4)采用粒子群优化算法对后验概率进行赋权,得到最终的识别结果;本发明能充分表征目
基于微动周期的空间微动群目标单通道盲源分离方法.pdf
本发明公开了一种基于微动周期的空间微动群目标单通道盲源分离方法,该方法为:首先发射单频脉冲信号,得到多个弹头的单通道混合复数微动回波,然后将混合回波分割重排为矩阵形式,利用奇异值分解的方法,计算奇异值比,提取最大峰值可估计出每一个目标的微动周期;将混合回波按照周期分段并叠加,取平均,通过循环迭代的方法得到每一个目标在一个周期内的微动回波数据。本发明利用每一个弹头的微动周期都不相同这一先验知识,直接在时域对混合信号进行滤波,提高了信号分离的精度。
基于Stacking集成学习的气象水文特征预测方法及系统.pdf
一种基于Stacking集成学习的气象水文特征预测方法,包括:S1、获取海上气象水文特征原始数据集,划分为训练集和预测集;S2、对原始数据集中的数据特征进行相关性分析和数据集预处理;S3、选取既定个与目标特征相关系数较大的特征并进行归一化处理;S4、对所选特征向量进行降维去噪,生成新的特征向量;S5、搭建第一层机器学习器模型;S6、将每个基学习器的5个样本预测值纵向叠加得到新的特征,第一层学习器得到新特征依次为A1、A2、A3、A4,再将新特征与原始特征合并作为第二层模型的数据集;S7、建立第二层机器学习
基于递归分析和Stacking集成学习的轴承故障诊断方法.docx
基于递归分析和Stacking集成学习的轴承故障诊断方法一、研究背景和意义随着工业生产的快速发展,机械设备在各个领域的应用越来越广泛。机械设备在使用过程中难免会出现故障,严重影响生产效率和设备寿命。轴承作为机械设备中的关键部件,其故障对整个设备的运行稳定性和安全性具有重要影响。对轴承故障进行准确、快速的诊断具有重要的现实意义。传统的轴承故障诊断方法主要依赖于经验和专家知识,这种方法存在一定的局限性,如诊断结果受人为因素影响较大,诊断速度较慢,难以适应复杂工况等。随着大数据、人工智能等技术的发展,机器学习方