白冬婴
- 作品数：12 被引量：40H指数：4
- 供职机构：空军工程大学防空反导学院计算机工程系更多>>
- 发文基金：陕西省自然科学基金国家自然科学基金国家高技术研究发展计划更多>>
- 相关领域：自动化与计算机技术军事航空宇航科学技术兵器科学与技术更多>>
- 空间信息对新概念武器的应用支持研究被引量：1
- 2008年
- 简要介绍了空间信息概况和高能激光武器的基本原理,在此基础上,设计了空间信息支持高能激光武器应用系统的框架,并提出高能激光武器对空间信息的需求以及运用信息的流程。
- 韩钧张多林白冬婴杨国哲
- 关键词：高能激光武器空间信息
- 对求壳向量算法的分析与实验
- 为提高SVM增量学习速度，求壳向量算法被用来求训练样本集中最有可能成为支持向量的样本。针对求壳向量算法在增量学习中的应用，本文分析了求凸壳算法的复杂性，对求凸壳算法在不同情况下的性能进行了实验与分析，并指出了求凸壳算法的...
- 白冬婴王晓丹张宏达权文
- 关键词：支持向量机SVM增量学习凸壳算法
- 文献传递
- 新概念武器对空间信息要求的研究被引量：1
- 2009年
- 介绍了一种新概念武器—高能激光武器的基本原理,提出了空间信息对高能激光武器支持应用框架,并就高能激光武器对空间信息的需求进行了重点分析,且以信息的转换与传递为主线,探讨了高能激光武器运用空间信息的流程,最后,对该领域研究做出了展望。
- 韩钧张多林白冬婴杨国哲
- 关键词：高能激光武器信息需求统一建模语言新概念武器
- SVM增量学习中的概念迁移问题及处理方法被引量：4
- 2008年
- 支持向量机由于其自身的特点使其在许多应用中表现出了特有的优势,是目前研究的热点。由于标准的SVM学习算法并不直接支持增量式学习,所以研究有效的SVM增量学习方法具有重要理论意义和实用价值。对SVM增量学习中动态目标学习的有关问题进行了深入讨论,定义了静态目标学习与动态目标学习。针对动态目标学习提出了概念迁移问题,给出了SVM增量学习概念迁移的数学表达。讨论和分析了现有的SVM增量学习方法、以及目前处理SVM增量学习中概念迁移问题的方法并得出了结论。
- 白冬婴王晓丹张宏达权文
- 关键词：支持向量机支持向量
- 基于粗糙集的神经网络的目标识别应用被引量：4
- 2008年
- 在现代防空作战中,如何快速准确的对敌我(友)目标进行识别,至关重要。本文提出先利用粗糙集理论对目标特征属性进行优化筛检,再利用神经网络对目标进行分类识别,该方法不但提高了识别的准确率而且兼顾到识别的效率。试验结果表明,该方法符合现代防空作战中目标识别的要求,具有一定的实用价值。
- 白冬婴马飞张宏达陈朝霞
- 关键词：目标识别神经网络粗糙集防空作战
- 地面防空作战模型库管理系统UML建模研究被引量：3
- 2009年
- 为实现防空作战过程中决策的科学化,以UM L(统一建模语言)为工具,结合面向对象理论,对地面防空作战决策支持系统关键部分模型库管理系统进行了分析设计,具体从系统功能、系统静态结构以及系统动态行为三方面进行了建模研究,从而不仅提高了防空作战模型的可扩充性与可重用性,而且提升了管理系统开发的效率。
- 韩钧张多林白冬婴杨国哲
- 关键词：UML面向对象地面防空作战
- 利用KKT条件与类边界包向量的SVM增量学习算法被引量：11
- 2010年
- 为实现对历史训练数据有选择地遗忘,并尽可能少地丢失训练样本集中的有用信息,分析了KKT条件与样本分布间的关系并得出了结论,给出了增量训练中当前训练样本集的构成。为了提高SVM增量训练速度,进一步利用训练样本集的几何结构信息对当前训练样本集进行约减,用约减后的当前训练样本集进行SVM增量训练,从而提出一种利用KKT条件与类边界包向量的快速SVM增量学习算法。实验结果表明,该算法在保持较高分类精度的同时提高了SVM增量学习速度。
- 吴崇明王晓丹白冬婴张宏达
- 关键词：支持向量机KKT条件
- 一种基于凸壳算法的SVM集成方法被引量：3
- 2008年
- 为提高支持向量机(SVM)集成的训练速度,提出一种基于凸壳算法的SVM集成方法,得到训练集各类数据的壳向量,将其作为基分类器的训练集,并采用Bagging策略集成各个SVM。在训练过程中,通过抛弃性能较差的基分类器,进一步提高集成分类精度。将该方法用于3组数据,实验结果表明,SVM集成的训练和分类速度平均分别提高了266%和25%。
- 张宏达王晓丹白冬婴刘倞源
- 关键词：凸壳算法支持向量机
- 基于类边界壳向量的快速SVM增量学习算法被引量：8
- 2010年
- 为进一步提高SVM增量训练的速度,在有效保留含有重要分类信息的历史样本的基础上,对当前增量训练样本集进行了约简,提出了一种基于类边界壳向量的快速SVM增量学习算法,定义了类边界壳向量。算法中增量训练样本集由壳向量集和新增样本集构成,在每一次增量训练过程中,首先从几何角度出发求出当前训练样本集的壳向量,然后利用中心距离比值法选择出类边界壳向量后进行增量SVM训练。分别使用人工数据集和UCI标准数据库中的数据进行了实验,结果表明了方法的有效性。
- 吴崇明王晓丹白冬婴张宏达
- 关键词：支持向量机
- 支持向量机增量学习方法及应用被引量：5
- 2007年
- 基于支持向量机的增量学习作为一种数据挖掘与知识发现技术,已在目标识别,网页分类等诸多领域得到应用。在概述其机理的基础上,从如何提高学习精度与学习速度着手,分析了现有算法及其优缺点和需要改进的问题;论述了增量学习的应用现状,并提出进一步的研究方向。
- 白冬婴王晓丹马飞
- 关键词：支持向量机
