邬战军 牛 敏 许 冰 牛燕雄 耿天琪 张 帆 满 达



基于谱回归特征降维与后向传播神经网络的识别方法研究

邬战军 牛 敏*许 冰 牛燕雄 耿天琪 张 帆 满 达

(北京航空航天大学仪器科学与光电工程学院 北京 100191)

采用后向传播(BP)神经网络对空间目标进行识别时，高维的输入特征导致网络结构复杂，识别性能降低。针对上述难点，该文提出一种基于谱回归(SR)特征降维与BP神经网络的识别方法。该方法首先对空间目标进行HOG特征提取，然后将提取的高维HOG特征进行SR降维，最后把降维后的数据通过BP分类器进行训练识别。实验结果表明：该方法的降维和识别特性优于传统降维方法PCA, KPAC, LPP, KLPP等，能够兼顾实时性和准确性，提高了识别性能。

目标识别；后向传播神经网络；谱回归；特征降维

1 引言

空间监视系统是地球外层领域的研究热点，空间目标识别是空间监视的主要任务之一，引起多国的广泛关注。卫星目标在太空中沿轨道运动，具有视点结构特征，光照、形状、尺度和姿态都有不同程度的变化。BP(Back Propagation)神经网络能够逼近任意非线性函数，具有抑制噪声能力强、容错能力强、自适应学习能力强和并行处理能力强等优点，在目标识别领域有广泛应用[1]。但BP神经网络用于空间目标识别时，高维输入特征会使网络结构复杂，降低训练性能，因此在训练识别前对原始特征进行降维十分必要。

目前常用的特征降维法主要有主成分分析法(Principal Component Analysis, PCA)，局部保形投影法等。主成分分析法计算简单，效率高，但不适用于高维非线性结构[2,3]。……