开题报告基于高斯过程的空间目标分类空间目标 空间目标主要是指卫星，随着天基光学系统对空间目标具备逐步成像的能力，这为从光学图像角度识别空间目标提供了可靠条件如同一般图像，空间目标图像往往也都存在噪声、光照模糊、视角变化等因素另外空间目标分类是一种类内的目标分类，各目标的外观特征差异较小因此会造成图像表达上的相似性问题，这给空间目标识别带来很大难度分类与识别有时候可以等价理解，分类即将未知类别的目标划归为指定的一类，识别的概念更为广泛，包括：目标定位、检测、分类等含义，大多时候分类与识别指的是相同的一个概念目标的分类与识别主要包括两个研究内容：一是准确地描述目标，即对目标进行建模表达的过程；二是分类器的设计问题目标的建模表达方法包括基于全局特征的建模、基于局部特征的建模以及混合建模等方法，具体的特征对象可以是目标的形状、轮廓、梯度以及其他能反映目标本质特征的信息分类器则体现了判别决策的功能，对于未知的目标，分类器可以通过训练获得判别准则来识别未知的目标，一个好的分类器体现在学习能力以及判别能力这两方面目标识别属于模式分类领域，可以采用该领域的方法进行识别工作其基本原理是将待识别对象同参考样本进行匹配与比较辨认的过程，即首先通过检测方法获取被识别对象的各种特征信息，然后与参考样本的特征信息进行匹配对比。
这和人脑的思维模式类似，对于一个未知的事物，人们总是通过描述该事物的多种特征并将其与记忆中已存在的事物进行比较和辨认来认识未知的事物所谓模式广义地说，即存在于时间和空间中可观察的物体以及能够代表这些物体的主要信息，这些信息能够为区分物体提供必要的条件模式分类就是使机器按照人脑的思维模式对客观世界中的事物进行分类与识别，对计算机来说，模式表征物体的特征信息，在机器语言中，这种模式实际上就是一组关于特征信息的数字表达，机器通过训练样本学习并“记住”某种目标的特征后，当将未知模式输入到机器中后，机器会根据数据库已有目标的模式与该模式进行匹配对比，最后进行判别与分类所示为基于图像的目标识别示意图，一般包括图像预处理、特征提取、训练学习及分类识别等几步骤预处理：例如滤除图像噪声、图像灰度变换、突出目标边缘等特征提取：提取最能反映目标本质的特征，这些特征应该满足同类目标的特征能够最大化相似，不同类目标特征尽量最大化差异分类器训练：通过训练样本进行学习并设置分类器的具体参数分类器决策：利用学习过程得到的判别准则对未知对象进行识别空间目标识别系统的主要任务是从外太空中探索并发现未知的目标，获取关于目标的各种特征参数建立空间目标数据库以便用于分类识别，从而进一步获取空间目标对应的信息参数，如目标外观、运行轨道、工作状态以及用途等重要的目标信息，本文研究的空间目标主要是指卫星。
目标识别”在不同任务的要求和前提下可以有多个含义，主要包含“目标分辨”和“目标分类”两层含义长期以来，人们致力于一般图像目标识别的研究工作并从中取得了一定的应用成果，而在空间目标识别方面却极少涉及，其主要原因在于缺乏真实可靠的空间目标图像、极少的文献资料介绍，以及国外空间目标识别技术的完全保密，因此这些因素给空间目标识别技术带来了极大困难所谓目标分类识别，是将空间目标按照某种属性进行分类划分根据获取的关于空间目标的信息和参数，如按照目标的类别、工作用途、生命周期以及运行方式等要求进行分类和区分对于卫星目标识别来说，不仅要获得关于卫星特征的信息，并且要根据这些特征信息进一步识别到卫星的国际编号，它是地面工作人员进行归类划分的基础，其目的是可以将卫星按照国别分类以获得它的各种参数信息并作出有效的决断由此可以看出空间目标识别是一个使用目标特征并结合多种判别准则的识别工作，其识别的关键在于准确地获取关于反应目标特性的特征由于空间目标是一种特定结构的目标，其外形形状构造复杂，并且也是一种类内的分类，往往不同的目标会表现出相同的特征信息（如：颜色、外形、尺寸构造），因此对于空间目标识别往往最容易出现识别模糊的问题，对于这种情形，必须借助于具备更精细、更准确、更能表示个体以及区分其他个体的目标特征，事实上在很多情况下还必须借助于其他外在的信息手段作为辅助来完善空间目标识别系统的有效性。
为了提高空间目标监视系统的有效性，随着天基光学系统的不断发展同时对空间目标具备逐步成像的能力，并且这种设备不受气候、地理位置等影响，因此天基光学系统正逐渐被世界各国采纳，其具备的成像能力为人们了解空间目标的细部面貌，更加准确地掌握目标的特性提供了技术条件，同时也为从光学图像和计算机视觉角度了解空间目标、识别空间目标提供了条件因此对于光学图像的空间目标识别技术，已经成为空间目标研究的热点问题，本文正是研究基于图像的空间目标识别的方法高斯过程高斯过程为核机器的学习提供了一种概率的、实用的方法它把对于模型的预测值解释为概率分布，这是它独具特色的地方 高斯过程是一个随机过程，它保证在每个时间点上的分布都服从高斯分布高斯过程的理论是以贝叶斯定理为基础的贝叶斯定理由参数的先验分布和观察值得到参数的后验分布，这一理论贯穿于高斯过程的全部 在高斯过程回归中，只要我们假定参数的先验分布和似然都满足高斯分布，则参数的后验分布也满足高斯分布，这使得问题很容易地得到解决而分类中，由于目标函数的值是离散而不是连续的，似然不能满足高斯分布这就要求我们采用近似方法，如 Laplacian 近似法来得到后验分布 高斯过程分类的另一个重点是参数的调节。
一个高斯过程对应着一个协方差函数，也是核函数怎样选择协方差函数是训练过程的关键一个常见的做法是将协方差函数用参数的形式来表示，并在训练过程中调节参数经典的做法包括最优化方法，如标量共轭梯度法；以及采样法，如混合蒙特卡罗方法它们都能有效地得到比较理想的协方差函数 贝叶斯原理在测试过程中得到体现当关于训练集和测试集的函数都满足高斯分布时，根据贝叶斯原理，测试集的函数的后验分布也满足高斯分布根据这个后验分布，我们就可以对测试集进行预测 我们把高斯过程的原理应用到时间序列数据上，设计了一个股票预测系统它针对股票市场的特点，给出了三种不同的学习方法：EagerLear-ner、LazyLgarner、SelectiveLearner其中 Selective Learner 性能远好于其他两种，因为它能够针对训练集不同的性能来给出不同的学习方法另外，我们还在生物和工业数据上观察了高斯过程分类器的性能在上面三个数据集上，我们还将高斯过程分类器的性能与另外两个传统的分类器 SVM、ANN 进行了比较，得到了理想的结果，同时也得到了新的发现：这三个分类器在不同数据集上表现各有不同 随着对高斯过程研究的深入，我们发现这个领域尚有很多问题没有解决。
我们日后研究的方向之一是缺失数据的处理，它希望通过加入 EM 算法等处理缺失数据的算法，来研究高斯过程在缺失数据下面的性能我们也希望通过假定这个缺失数据与观察到的数据有所关联，来提高分类的准确率高斯过程是一种已应用在回归和分类问题上的非常有前途的技术近年来，基于高斯过程的先验模型引起了在机器学习领域的重视基于高斯过程的二元分类是一种非常成熟的方法基于高斯过程的图像分类及排序在算法框架上，基于高斯过程的图像分类方法可以依图 1 所示的步骤进行其中，由Rasmussen 和 Christopher 提出的高斯过程分类[11]是一类有监督学习算法它建立在贝叶斯框架下，最早被用于解决非线性实值预测问题[12]二分类问题本质就是要在泛函空间 F 中寻找一个合适的映射 f (x)，使得利用 y = f (x)能够对样本进行正确的分类，利用高斯回归算法进行分类的基本思想就是在 f (x)为高斯过程的假设下，以贝叶斯准则中的后验概率最大化为目标，寻找合适的 f (x)根据高斯过程分类原理，将特征提取后获得数值型数据集输入到高斯过程分类器，经过超参数优化后，可以求取后验概率的估计值 q( f | yX) ，进而获得针对测试集的预测结果。
使用 gpml 工具包 获得预测结果，结果信息包括：测试样本的隐函数均值和方差、属于正类的概率和方差对于二分类测试样本，可以设定当该样本属于正类的概率 π* > 0.5 时，则将其划分为正类；否则，将其划分为负类高斯过程回归算法利用了数据集的统计特性，在高斯过程的先验假设下，以后验概率最大化的为目标，获得新样本的预测值在本文中，提出了一种将高斯过程回归应用于图像二分类的方法实验表明，该方法是有效的，其分类的正确率与当前广受关注的支持向量机算法相当此外，相对于经典的一些分类算法，高斯过程回归的最大优势在于能够通过有监督的学习获得未知样本属于某个类别的预测概率，这对图像检索中的匹配度排序具有重要的实际意义高斯过程是一种概率意义上的核机器，主要优点体现在：它是一种非参数概率模型，不仅能对未知输入做输出预测，而且同时给出该预测的精度参数；可以以先验概率的形式表示过程的先验知识，从而提高过程模型性能；有监督学习研宄的主要问题是通过经验数据(训练数据)学习输入-输出的潜在关系如果输出的是连续的,就是一个回归问题,如果输出是离散的就是一个分类问题我们假设一个广义的模型,定义输入为 X 通常为一个向量),输出(或目标 )为 y (y 为一个标量,或连续或离散)。
一个包含《观察量的训练集合为= = ...,《) 给定训练集合后我们的目的是通过定义潜在函数/来对可能的输入数据进行预测因此首先需要确定潜在函数的性质,对此,己有大量的研宄常用的方法包括:一、约束这类函数的性质,例如只考虑线性函数;二、对任何可能的函数给出它的先验概率,我们认为具有更高概率值的函数可能性更大第一种方法显著缺陷便是丰富性不够,单纯某一类函数往往不能很好的表目标函数第二类方法的突出问题便是可能的函数集合无限大,我们如何在有限时间内计算这样一个无限集合这正是高斯过程能解决的问题高斯过程是对高斯分布的一种推广既然高斯分布是描述随机量(标量或向量)的概率分布情况,那高斯过程可以理解为是描述函数的分布情况我们可以把函数当作一个长向量,在这个向量中任何一个输入 X 都能确定一个潜在函数的值/(x)o 这样就可以以简单却有效的办法解决无限多目标的问题:如果要求达到一定的性能,一定数量的函数便可以满足,这样可以使用高斯过程的推导式,获得接近所有可能都列入考虑的性能这正是高斯过程框架的主要吸引力之一:它将精确性和一致性与计算易处理性统一了起来这样就可得到潜在函数的先验分布,将先验分布与数据结合起来便可得到潜在的函数的后验分布。
并且高斯过程是一个无参数的模型,取而代之的是高斯过程先验中协方差函数(核函数)的超参数,这就将模型转化为非参数的贝叶斯模型[5]在机器学习领域中,协方差函数通常称为核函数,核函数具有超参数 0,选择核函数类型并确定超参数就可以确定一个高斯过程可见高斯过程是基于贝叶斯(Bayesian)框架的无参数的核方法高斯过程的贝叶斯学习提供了一个范式根据训练样本,可以从先验分布转换到后验分布,并可以对核函数超参数进行推理,较之 SVM 对超参数的选择只能采用经验法或者交叉验证法,高斯过程的另一个重要优势便是具有自动相关决策功能国内外研究现状目标识别系统国外目前最先进的空间目标监视识别系统还是冷战时期美苏两国为监视敌方导弹进攻及侦察卫星而建造的地基跟踪系统，在两大系统中共有 50 多部雷达及各种光学和光电探测器，平均每天进行 15 万次观测，以保持对约 1 万个太空物体的跟踪，它们能探测到低轨道上10 厘米大小和地球同步轨道上 1 米大小左右的碎片国内我国关于空间目标识别技术的研究起步较晚，这主要受限于国内太空观测设备的落后以及国外空间目标图像数据保密等因素，再加上关于空间目标识别技术的参考文献和资料极少，这些不利因素都对导致了中国在该领域远远落后于美俄两国。
为了能够在太空占地一席之地，近年来我国也开始。