一种雷达辐射源时域相参识别的新方法

提出了一种雷达辐射源时域相参识别的新方法,通过判断鉴相脉冲幅度的变化来识别信号的相参性。对时域识别法的原理进行了分析,给出了时域识别法的数学推导和具体的识别步骤,并通过仿真实验对推导结果进行了验证。此外,讨论了信噪比对时域识别法的影响,并给出时域识别法的适用条件。仿真结果表明,该方法在较低信噪比情况下可以实现对信号相参性的识别,具有较强的理论价值。     

干扰信号智能识别技术

本文对干扰信号智能识别的理论依据和识别过程中的干扰信号数据库、特征库、规则库的建立及识别推理过程作了介绍,分析了识别过程中特征提取、舰则库建立、识别品质等一些关键间题。为自适应抗干扰技术的研究提供了干扰信号识别方法和技术途径。     

基于神经网络的舰船目标识别研究

为了实现对水下目标的识别,在现有特征提取方法的基础上,提出了一种从DEMON谱线谱和DEMON谱连续谱提取的特征方法,并设计了一个基于BP神经网络和多神经网络分类识别器的舰船目标识别系统。通过对实际舰船噪声目标进行识别,识别效果比较满意。这对舰船目标识别的发展具有一定的参考价值。     

基于层次分析法与云理论的弹道导弹目标识别预案评估方法

在弹道导弹防御系统中,目标识别预案是反导作战目标识别的重要依据,识别预案设计的优劣直接关系作战能力发挥,决定反导作战的成败。针对识别预案评估指标复杂,评估结果的不确定性,将识别预案评估分为前评估和后评估,并分别构建了指标体系;提出了一种基于层次分析法与云理论的识别预案评估方法,给出了识别预案综合评估流程;最后,运用该方法对识别预案进行评估。结果表明:该方法能对识别预案进行合理评价,有效提高评估结果的准确性和科学性。     

径向特征下的改进三角形星图识别算法

三角形星图识别可靠性与可操作性较强,目前仍在广泛使用,但是三角形星图识别算法存在冗余匹配和误识别。通过星点的几何分布构建星点的径向特征量,依据径向特征量对星图进行初始识别,将拍摄星点的识别结果限定在数颗导航星上。在初始识别的基础上,运用三角形星图识别算法再次进行识别,使三角形星图识别更具针对性,同时提高识别的正确性。实验结果表明,采用基于径向特征的改进三角形识别算法,星图识别的准确性和针对性都得到了提高。     

不确定推理在雷达识别中的应用

通过对雷达的识别,既然可以及时识别对我方威胁较大的目标以便采取相应措施,同时雷达识别的结果也可进一步作为目标识别的知识源,用于对目标身份的识别,以满足辅助决策的需要.提出了不确定推理在雷达识别中的详细方法,给出了在选择载频、脉冲重复频率和脉冲宽度三个特征参数构成雷达特征向量情况下的识别结果.该方法具有较高的应用价值.     

对海目标识别中舰载预警直升机引导舰载无人机的方法及阵位配置

针对水面舰艇编队对海攻击时的目标识别需求，提出了舰载预警直升机引导舰载无人机实施对海目标识别的协同样式。从引导识别的基本过程入手，建立了舰载无人机占领预定识别阵位的运动要素计算模型；基于以最短时间到达预定识别阵位的要求，建立了舰载无人机目标识别时，相对舰载预警直升机阵位配置的拟合模型，并针对舰载无人机识别时的反应时间和识别距离，建立了舰载无人机阵位配置的修正模型，为水面舰艇编队对海攻击中的目标识别提供了新手段。     

综合目标识别的输入信息源研究

利用多源信息进行综合目标识别能提高识别的准确性和及时性,为了解决综合目标识别中输入信息源的运用问题,通过分析各种输入信息源的特点,根据这些特点分别采用了针对性的技术手段转化和处理,为最后的识别决策提供了有效的信息,对进一步深入研究综合目标识别具有参考价值。     

无人作战飞机自主空战战术动作的分层识别方法

为了对无人作战飞机自主空战战术动作进一步探索,提出了一种基于模糊逻辑推理和时间匹配原则的分层战术动作识别方案。该方案以基本动作序列来衔接基本动作识别层和组合动作识别层。通过模糊逻辑推理方法对基本动作进行识别,将识别的结果以基本动作序列的形式输出;输入组合动作识别层,将时间自动机提取后的组合动作形态与组合动作匹配库进行匹配,确定组合动作的类型。仿真结果表明,分层战术动作识别方案能够有效地识别出无人作战飞机自主空战战术动作。     

临近空间前置反导目标综合识别

为了解决反导作战中目标的有效识别问题,提出利用临近空间红外探测系统配合地基雷达对弹道导弹目标进行综合识别的方案,给出了临近空间前置反导目标综合识别时序图并建立了反导作战目标综合识别模型,在此基础上,重点对空间弹道目标的光学强度序列与识别特征进行了研究,分析了弹头和诱饵的光学强度序列信号的周期性变化规律,最后提出根据弹头与诱饵对应点目标的等效温度的变化特性,提取特征参数对目标进行识别的方法。     

红外图像人脸识别方法

红外成像具有抗干扰性强、独立于可见光源、防伪装、防欺诈等优点,这使得红外图像人脸识别可在很大程度上弥补可见光人脸识别技术的缺陷和不足,是今后人脸识别研究的一个重要方向。在深入分析红外人脸图像特性的基础上,研究了红外图像人脸识别的特点,并提出了一种新的红外图像统计人脸识别方法。实验结果表明,这种识别方法不论从理论上还是从实验上都是可行的,具有良好的识别能力。     

CFO条件下的OFDM子载波调制样式识别方法

提出了一种基于信号幅度分布特征与多次方谱线特征相结合的调制样式识别算法。该算法主要基于正交解调后的正交频分复用子载波信号的幅度分布特征,采用直方图统计的方法实现多进制相移键控和多进制正交幅度调制识别,用多方次谱特征实现多进制相移键控类的调制识别。相比基于经典的高阶累积量的调制识别算法,具有更好的载波频率残留偏差适应能力,在载波频率偏差条件下,提高了调制识别率;相比循环平稳方法,具有更好的信噪比适应能力。仿真实验结果表明了该方法的有效性,相同的识别率下能适应更低的信噪比。     

基于生成模型的人体行为识别

提出了一种基于生成模型的人体行为识别方法。选取关键点轨迹的方向-大小描述符、轨迹形状描述符、外观描述符作为人体行为的特征；为了降低人体行为特征维数，利用信息瓶颈算法进行词表压缩；利用生成模型，结合已标记样本和未标记样本提出了一种人体行为识别的半监督学习方法，解决了行为识别中的小样本问题。在YouTube 数据库、 UCF运动数据库上利用提出的方法与已有的方法进行了对比实验，结果表明该方法具有更高的识别精度。     

基于局部积分双谱与SVM的雷达目标识别

针对高分辨距离像的特点,应用双谱与SVM研究高分辨雷达目标识别问题。提出了基于局部积分双谱与SVM的雷达目标识别方法。该方法选择具有最强鉴别能力的积分双谱构成局部积分双谱特征,基于局部积分双谱进行距离像特征提取,然后应用支持向量机对提取的特征进行分类识别。利用四种局部积分双谱的目标识别仿真实验结果表明,提出的方法具有良好的分类性能。     

基于时频图像三维熵特征的雷达信号识别

针对雷达信号识别算法存在着准确率低以及抗噪性差的问题,提出基于时频图像三维熵特征的雷达信号识别算法。该方法对雷达信号时频变换后得到的时频灰度图提取其香农熵(Sh En)、奇异谱熵(Ss En)和范数熵(No En),并将三维熵值作为信号识别的特征向量,采用支持向量机实现信号的分类识别。仿真实验表明,提出的算法能够在低信噪比下得到较高的正确识别率。     

全极化雷达的多任务压缩感知目标识别方法

为有效利用全极化雷达高分辨距离像(High Resolution Range Profile,HRRP)的丰富特征信息和全极化样本中各单极化HRRP均对应于相同目标姿态的特性,提出一种基于多任务压缩感知的全极化雷达目标识别方法。该方法约束在不同极化字典中选择来自相同角域的字典原子对相应极化方式下的HRRP进行表示,可以有效利用不同极化HRRP之间的相关信息提高目标识别性能。基于电磁散射数据对所提出的方法进行了测试,实验结果证明了方法的有效性。     

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。     

基于蚁群算法的舰艇编队多目标识别模型

现代海战中,舰艇编队面临的威胁目标复杂多样,正确识别目标是做出准确的军事决策的前提。基于蚁群算法的并行最优化特点,引入近邻函数,将目标识别问题转化为最优化聚类问题,提出了一种新的多目标识别算法。实验结果表明此方法是有效的,具有一定的军事现实意义。     

基于不变矩和角点特征的目标识别*

在基于图像的识别系统中,图像发生几何变化或目标被部分遮挡会给识别带来困难,这时必须根据具体情况提取合适的目标特征。基于矩原理,运用Harris多尺度角点检测及SIFT(Scale Invariant Feature Transform)描述算法,研究了基于不变矩和角点特征的目标识别算法。两种特征都具有平移、旋转、尺度不变性。仿真分析表明,在理想情况下,利用不变矩可以获得较高的识别率;而当目标被部分遮挡时,角点是一种有效的识别方法     

无监督特征学习的人体活动识别

针对人的局限性可能会导致在提取特征中丢失重要信息,从而影响最终的识别效果问题,提出无监督特征学习技术的惯性传感器特征提取方法。其核心思想是使用无监督特征学习方法学习多个特征映射,再将所有特征映射拼接起来形成最终的特征计算方法。其优点是不会造成重要信息的损失,而且可以显著减少所使用的无监督特征学习模型的规模。为了验证所提出的特征提取方法在活动识别中的有效性,运用一个公开的活动识别数据集,使用三种常用无监督模型进行特征提取,并使用支持向量机进行活动识别。实验结果表明,特征提取方法取得了良好的效果,与其他方法相比具有一定的优势。