47、基于ELSSVM的遥感图像分类与无人直升机模型识别研究

基于ELSSVM的遥感图像分类与无人直升机模型识别研究

1. 引言

在当今科技发展中，遥感图像分类和无人直升机模型识别都是重要的研究领域。在遥感图像分类方面，常常面临训练样本不足的问题；而无人直升机的动态模型是一个高度耦合的非线性系统，传统的识别方法很难获得高精度的模型。

对于遥感图像分类，为解决训练样本少的问题，提出了基于ELM的集成算法（NMF - ELM）。该算法通过特征分割和非负矩阵分解（NMF）来促进集成多样性，并选择极限学习机（ELM）作为基分类器以提高分类效率。

在无人直升机模型识别方面，其飞行控制系统需要准确的动态模型来实现自主飞行。传统的无人直升机飞行动态系统建模方法需要大量的风洞实验，耗时耗力。传统的识别建模方法采用“小扰动”假设对非线性动态模型进行线性化，再用线性系统识别方法识别未知参数，但这会导致模型精度损失。

在非线性系统识别领域，神经网络（NN）虽可省略线性化过程，但存在局部极小点和“过学习”现象，且结构通常由经验确定，需要大量训练样本。支持向量机（SVM）基于VC维理论和结构风险最小化原则，能克服局部极小点和“过学习”问题。最小二乘支持向量机（LSSVM）进一步简化了SVM的计算复杂度，提高了训练速度，所需训练样本更少。然而，LSSVM的正则化参数（RP）和核基宽度（KBW）在训练前直接给定，缺乏理论保证预测精度。

因此，提出了扩展最小二乘支持向量机（ELSSVM）。它将结构参数的解空间扩展，引入差分进化（DE）算法来计算RP和KBW，以提高收敛性能。

2. 无人直升机动态模型分析

本次研究的识别对象是一架重300kg的带尾桨单旋翼直升机，将对其悬停状态下的模型进行识