武汉第二船舶设计研究所, 湖北 武汉 430000
在复杂海域场景下如何综合利用舰船监测的多模态数据进行高效特征提取和特征融合, 以此来综合提升舰船识别精度仍存在巨大挑战。针对海域环境中舰船单一数据源识别准确率问题, 提出一种有效的多模态数据特征提取和特征融合的舰船识别算法, 然后基于深度残差网络模型进行特征融合以提升舰船识别准确率。通过实验结果对比, 相比于其他算法基于多模态数据的舰船识别算法平均准确率提升约18%, 有效地提升了舰船识别准确率, 对相关船舶领域的研发工作具有借鉴意义。
舰船识别 舰船轨迹 合成孔径雷达图像 多模态特征 深度残差网络 ship identification ship trajectory SAR image multi-modal features deep residual network
武汉第二船舶设计研究所, 湖北 武汉 430205
针对增加集成学习Bagging算法中分类器的差异性, 提高集成学习算法模型的鲁棒性, 研究了基于k-means聚类技术对集成学习算法Bagging进行剪枝。在基础Bagging算法中融合对Bagging分类器的聚类, 然后在不同簇中选择具有代表价值的分类器为最终集成学习预测结果投票, 并在多个机器学习数据集上验证这种提高差异性的方法与基本Bagging性能的差异。经过仿真实验最终得出在算法迭代10次的前提下, 改进的Bagging算法较常规Bagging算法在10个实验数据集中提高了7个数据集的预测精度, 其精度提高的平均值在3%; 在算法迭代100次的前提下, 改进的Bagging算法较常规Bagging算法在10个实验数据集中提高了9个数据集的预测精度, 其精度提高的平均值为2.5%。为复杂数据库环境下Bagging算法的应用提供了新思路。
集成学习 Bagging算法 聚类 k-means 算法 剪枝 ensemble learning Bagging clustering k-means pruning
