zhpsЖурнал прикладной спектроскопииZhurnal Prikladnoii Spektroskopii0514-7506B. I. Stepanov Institute of Physics of the National Academy of Scienceszhps-722Research ArticleСтатьиМетод точного распознавания образов космических целей с помощью нечетко-приблизительного алгоритма ближайшего соседа по информационной энтропииMethod for fine pattern recognition of space targets using the entropy weight fuzzy-rough nearest neighbor algorithmLiQ.-B.LiQ.-B.

Пекин 100191.

Qing-bo Li.Beijing 100191.

qbleebuaa@buaa.edu.cnWeiY.WeiY.

Пекин 100191.

Yuan Wei.Beijing 100191.

LiW.-J.LiW.-J.

Пекин 100191.

Wen-jie Li.Beijing 100191.

Школа приборостроения и оптоэлектронной инженерии Бейханского университетаSchool of Instrumentation and Optoelectronic Engineering at Precision Opto-Mechatronics Technology Key Laboratory of Education Ministry at Beihang University202027112020876886890Copyright © Li Q., Wei Y., Li W., 20202020Li Q., Wei Y., Li W.Li Q., Wei Y., Li W.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://zhps.ejournal.by/jour/article/view/722

Предлагается нечетко-приблизительный алгоритм ближайшего соседа по информационной энтропии (EFRNN) для повышения точности распознавания похожих космических целей, который является улучшением алгоритма нечеткого ближайшего соседа. Путем введения веса признака, определенного с использованием информационной энтропии, рассматриваются и количественно оцениваются характеристики всех обучающих выборок. Предложенный алгоритм в сочетании с теорией нечетких множеств может в определенной степени преодолеть нечеткую неопределенность, вызванную перекрытием классов, и грубую неопределенность, вызванную недостаточными функциями. Результаты моделирования показывают, что классификатор EFRNN дает общую точность классификации 95.83%. Предлагаемый алгоритм прост и эффективен для распознавания похожих космических целей, не требует предустановленных параметров и сложной предварительной обработки.

 

In space target recognition using spectral analysis technology, there is the problem that the composition or chemical properties of surface materials of the space target are similar. This problem leads to the high similarity of spectral curves and low accuracy of space target recognition. Similar object recognition is important in the study of actual space target observation. In this paper, an entropy weight fuzzy-rough nearest neighbor (EFRNN) algorithm is proposed to enhance the recognition accuracy of similar space targets, which is an improvement of the fuzzy-rough nearest neighbor algorithm. By introducing the feature weight determined using information entropy, the features of all the training samples are considered and quantified. Moreover, the proposed algorithm combined with fuzzy-rough set theory can overcome the fuzzy uncertainty caused by overlapping classes and the rough uncertainty caused by insufficient features, to a certain extent. The simulation results show that the proposed algorithm achieves very promising performance compared with existing algorithms. The EFRNN classifier yields an overall classification accuracy of 95.83%. The proposed algorithm is simple and efficient for similar space target recognition. Furthermore, the EFRNN algorithm does not require preset parameters and complex preprocessing.

точное распознавание образовэнтропийный веснечеткое множествокосмические целиfine pattern recognitionentropy weightfuzzy-rough setspace targetsThe work is supported by the National Natural Science Foundation of China (Grant No. 61575015).ReferencesY. Han, H. Sun, J. Feng, L. Li, Meas. Sci. Technol., 25, No. 7, 075203 (2014).Y. Han, H. Sun, J. Feng, L. Li, Meas. Sci. Technol., 25, No. 7, 075203 (2014).Q. Li, K. Wu, Q. Gao, Spectrosc. Spectral Anal., 36, No. 12, 4067-4071 (2016).Q. Li, K. Wu, Q. Gao, Spectrosc. Spectral Anal., 36, No. 12, 4067-4071 (2016).Q. Deng, H. Lu, H. Tao, M. Hu, F. Zhao, IEEE Access, 7, 28113-28123 (2019).Q. Deng, H. Lu, H. Tao, M. Hu, F. Zhao, IEEE Access, 7, 28113-28123 (2019).M. A. A. Cauquya, M. C. Roggemanna, T. J. Schulz, Proc. SPIE, 5428, 48-57 (2004).M. A. A. Cauquya, M. C. Roggemanna, T. J. Schulz, Proc. SPIE, 5428, 48-57 (2004).V. P. Pauca, J. Piper, R. J. Plemmons, Linear Algebra Appl., 416, No. 1, 29-47 (2006).V. P. Pauca, J. Piper, R. J. Plemmons, Linear Algebra Appl., 416, No. 1, 29-47 (2006).K. M. Jorgensen, Using Reflectance Spectroscopy to Determine Material Type of Orbital Debris, ProQuest Dissertations, University of Colorado at Boulder, 45-49 (2000).K. M. Jorgensen, Using Reflectance Spectroscopy to Determine Material Type of Orbital Debris, ProQuest Dissertations, University of Colorado at Boulder, 45-49 (2000).J. Zhang, Chin. J. Opt. Appl. Opt., 2, No. 1, 10-16 (2009) [In Chin.].J. Zhang, Chin. J. Opt. Appl. Opt., 2, No. 1, 10-16 (2009) [In Chin.].C. Chang, S. Wang, IEEE T. Geosci. Remote., 44, No. 6, 1575-1585 (2006).C. Chang, S. Wang, IEEE T. Geosci. Remote., 44, No. 6, 1575-1585 (2006).R. Duda, P. Hart, Pattern Classification and Scene Analysis, Wiley, New York, 40-41 (1973).R. Duda, P. Hart, Pattern Classification and Scene Analysis, Wiley, New York, 40-41 (1973).C. Cortes, V. Vapnik, Mach. Learn., 20, 273-297 (1995).C. Cortes, V. Vapnik, Mach. Learn., 20, 273-297 (1995).M. Sarkar, Fuzzy Set. Syst., 19, No. 158, 2134-2152 (2007).M. Sarkar, Fuzzy Set. Syst., 19, No. 158, 2134-2152 (2007).A. Onan, Expert Syst. Appl., 42, No. 20, 6844-6852 (2015).A. Onan, Expert Syst. Appl., 42, No. 20, 6844-6852 (2015).L. Sun, C. Li, In: 2009 WRI Global Congress on Intelligent Systems, May 19-21, Xiamen, China, 311-314 (2009).L. Sun, C. Li, In: 2009 WRI Global Congress on Intelligent Systems, May 19-21, Xiamen, China, 311-314 (2009).J. B. Tenenbaum, V. De. Silva, J. C. Langford, Science, 290, 2319-2323 (2000).J. B. Tenenbaum, V. De. Silva, J. C. Langford, Science, 290, 2319-2323 (2000).

The authors declare that there are no conflicts of interest present.