概括
本研究介绍了一种改进的多核极端学习机器 (MKELM),用于使用噪声辐射强度数据进行红外空间目标识别. 该方法在远程检测场景中提高了识别精度和稳定性.
科学领域:
- 红外目标识别 红外目标识别
- 机器学习应用程序 机器学习应用程序
- 信号处理 信号处理
背景情况:
- 远程红外探测通常会产生杂的辐射强度序列.
- 准确的空间目标识别对于各种应用至关重要.
- 现有的方法在噪音大数据和有限的输入类型方面扎.
研究的目的:
- 提出一种新的红外圆形空间目标识别方法.
- 为了应对在远程检测中噪音辐射强度序列的挑战.
- 通过先进的机器学习来提高识别准确性和稳定性.
主要方法:
- 纳入变量模式分解 (VMD) 和对辐射强度序列的重建.
- 使用鱼优化算法 (WOA) 优化参数.
- 开发一个改进的多核极端学习机器 (MKELM),用于目标识别.
主要成果:
- 拟议的方法在模拟的红外辐射强度序列数据集上证明了有效性.
- 与基线方法相比,实现了更高的识别精度.
- 该方法在输入数据中表现出对噪声的提高稳定性.
结论:
- 这种基于MKELM的新方法有效地从噪音序列中识别红外形目标.
- VMD,WOA和MKELM集成为远程检测挑战提供了强大的解决方案.
- 这些发现凸显了这种方法在实际红外监控系统中的潜力.


