项目设计算法检索

概述

（1）基于机器学习的特征提取方法，包括：五种线性方法：

主成分分析（PrincipalComponent Analysis, PCA）、

近邻保持投影（NeighborhoodPreserving Projection, NPP）、

局部保持投影（LocalPreserving Projection, LPP）、

局部切空间排列（LocalTangent Space Alignment, LTSA）、

线性鉴别局部切空间排列（LinearDiscriminant Local Tangent Space Alignment, LDLTSA）；

以及与之相对应的五种核方法：

核主成分分析（KernelPrincipal Component Analysis, KPCA）、

核近邻保持投影（Kernel NeighborhoodPreserving Projection, KNPP）、

核局部保持投影（Kernel Local PreservingProjection, KLPP）、

核局部切空间排列（Kernel Local TangentSpace Alignment, KLTSA）、

核鉴别局部切空间排列（Kernel Discriminant LocalTangent Space Alignment, KDLTSA）。

除PCA和KPCA外，其它每种方法又可以分为非监督模型和监督模式。

（2）核非线性分类器，包括支持向量机（SVM）和KernelNonlinear Representor (KNR)。

（3）融合目标识别方法包括：基于典型相关分析（CCA）算法的特征层融合方法和基于D-S证据理论的决策层融合方法。

（4）一维距离像的几何结构特征提取，包括：等效散射中心维数(Nst)、等效目标尺寸(Tsize)、熵(entropy)、标准差(std)、偏差(dev)、最强散射点功率与总功率之比(P1)。

（5）一维距离像目标检测，主要研究经典的二进制积累检测器。

（6）SAR图像目标检测，包括：经典的CFAR检测算法和基于视觉注意模型的检测算法。