論文元數(shù)據(jù)搜索，找到相關信息共 1 條：
2015, 37(1): 29-36.
doi: 10.11999/JEIT140129
刊出日期：2015-01-19
在目標識別中，對于樣本數(shù)較多且分布復雜的數(shù)據(jù)，若將所有訓練樣本用來訓練一個單一的分類器，會增加分類器的訓練復雜度，且容易忽視樣本的內(nèi)在結構，不利于分類。因此人們提出了混合專家系統(tǒng)(ME)，即將訓練樣本集劃分為多個訓練樣本子集，并在每個子集上單獨訓練分類器。但是傳統(tǒng)ME系統(tǒng)需要人為確定專家個數(shù)，并且每個子集的學習獨立于后端的任務，如分類。該文提出一種基于Dirichlet過程(DP)混合隱變量(LV)支持向量機(SVM)模型(DPLVSVM)的目標識別算法，采用DP混合模型自動確定樣本聚類個數(shù)，同時每個聚類中使用線性隱變量SVM(LVSVM)進行分類。不同于以往算法，DPLVSVM 將聚類過程和分類器的訓練過程聯(lián)合優(yōu)化，保證了各個子集中樣本的分布上的一致性和可分性，而且可以利用Gibbs采樣技術對模型參數(shù)進行簡便有效的估計?；谌斯?shù)據(jù)集、公共數(shù)據(jù)集以及雷達實測數(shù)據(jù)的實驗驗證了該文方法的有效性。
