Resumen

El reconocimiento de imágenes de radar es un punto destacado en el campo de la teledetección. Bajo la condición de contar con muestras etiquetadas suficientemente, los algoritmos de reconocimiento pueden lograr buenos resultados de clasificación. Sin embargo, las muestras etiquetadas son escasas y costosas de obtener. Nuestro principal interés en este artículo es cómo utilizar estas muestras no etiquetadas para mejorar el rendimiento de un algoritmo de reconocimiento en el caso de contar con muestras etiquetadas limitadas. Se trata de un problema de aprendizaje semisupervisado. Sin embargo, a diferencia de los métodos existentes de aprendizaje semisupervisado, no utilizamos las muestras no etiquetadas directamente y, en su lugar, buscamos muestras no etiquetadas seguras y fiables antes de utilizarlas. En este artículo, se proponen dos nuevos métodos de aprendizaje semisupervisado: un método de aprendizaje semisupervisado basado en búsqueda rápida y picos de densidad (SDP) y un método SDP iterativo (IS

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Reconocimiento de imágenes de radar; Aprendizaje semisupervisado; Muestras no etiquetadas; Resultados de clasificación; Algoritmo de reconocimiento; Muestras no etiquetadas confiables
• Keywords:Radar image recognition; Semi-supervised learning; Unlabeled samples; Classification results; Recognition algorithm; Reliable unlabeled samples