多模态交叉解耦的少样本学习方法

当前的多模态少样本学习方法忽视了属性间差异对正确识别样本类别的影响。针对这一问题,提出一种利用多模态交叉解耦的方法,通过解耦不同属性语义特征,并经过特征重建学习样本的本质类别特征,缓解类别属性差异对类别判别的影响。在两个属性差异较大的基准少样本数据集MIT-States和C-GQA上进行的大量实验表明,所提方法较现有方法有较大的性能提升,充分验证了方法的有效性,表明多模态交叉解耦的少样本学习方法能够提升识别少量测试样本的分类性能。     

结合层次法与主成分分析特征变换的宫颈细胞识别

对宫颈细胞进行多分类可以自动识别出不同状态的细胞,进而为宫颈癌诊断提供科学依据。在用6种多分类算法进行实验后,选取支持向量机作为基分类器,先用一对一策略训练6个分类器进行3分类,然后再训练1个2分类器,这种二层4分类方法提高了识别准确率。考虑不同层特征模式的差异性,在保证识别性能的同时,每层分类前先采用主成分分析法将原始154维特征变换到低维空间,去除冗余特征,加快识别速度。实验证明,所提层次主成分分析法在宫颈细胞分类中相比6种传统多分类方法有更高的识别准确率,可达90%以上;识别速度也较普通层次法提升了21.31%。     

基于层次方法和PCA特征变换的宫颈细胞识别

对宫颈细胞多分类,可以自动识别出不同状态的细胞,进而为宫颈癌诊断提供科学依据。在用6种多分类算法实验后,选取支持向量机（SVM）作为基分类器,先用一对一策略（one- versus -one）训练6个分类器进行3分类,然后再训练1个2分类器,这种二层4分类方法提高了识别准确率。又考虑不同层特征模式的差异性,在保证识别性能同时,每层分类前先采用主成分分析（PCA）法将原始154维特征变换到低维空间,去除冗余特征,加快识别速度。实验证明,所提层次PCA法在宫颈细胞分类中相比6种传统多分类方法有更高的识别准确率,可达90%以上;识别速度也较普通层次法提升了21.31%。     

基于深度卷积网络的雷达辐射源信号识别

针对当前复杂电磁环境下雷达辐射源信号(radar emitter signal,RES)识别效率不够的问题,提出一种基于深度卷积网络和时频二维特征结构的雷达辐射源信号识别方法。结合雷达辐射源信号时频二维特征结构特性,构造基于深度卷积网络的RES识别分类模型,通过设计样本集训练分类模型,利用类别信息实现网络参数精调。仿真结果验证了模型的可行性和有效性,实现了低信噪比下RES时频二维特征的结构学习和准确识别。     

故障类别的模糊聚类分析

本文通过故障状态-特征的模糊聚类分析,按故障间的相似性对故障进行分类,然后按类别实施故障诊断,可在最少监测点的条件下,获得最多的设备运行故障信息。从而简化故障诊断过程,提高诊断速度和精度。     

稳定特征选择的多目标蚁群优化

为了提高进化算法特征选择稳定性,提出一种面向稳定特征选择的多目标蚁群优化方法。通过抽样策略集成三种特征排序法的输出作为多目标蚁群优化的稳定性指导信息,聚合特征的费舍尔分值和最大信息系数值作为多目标蚁群优化的启发式信息,以分类正确率和扩展昆彻瓦指标值作为两个优化目标,兼顾算法的分类性能与特征选择稳定性。在四个标准数据集上进行对比实验,结果表明,所提方法能够在分类性能与稳定性方面达到较好的平衡。     

一种定标缺失情况下的高光谱目标识别方法

高光谱遥感图像识别在民用和军事领域有着广泛的应用。在缺乏定标信息、缺乏同步观测大气光学参数情况下,对高光谱图像进行地物识别尚没有系统有效的方法,制约了其在定量遥感方向的应用。对此提出了一种利用粒子群算法优化6S模型参数基础上的高光谱遥感数据校正方法,并将其应用于定标缺失情况下的目标识别中。实验表明:在对遥感图像利用少许先验信息选择参数进行校正后,分类准确率为76.25%。而利用粒子群算法优化参数的6S校正后,分类准确率提高到91.58%,目标识别准确率得到了有效提高。     

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%。     

基于元学习的反舰导弹目标识别研究

为了进一步提高干扰环境下反舰导弹的目标识别精度和泛化能力,将集成学习中的元学习策略引入反舰导弹的目标识别领域,并提出了一种基于叠加归纳策略的元学习目标识别算法。该算法首先通过构建元层学习器对多个基层学习器的学习结果进行"再学习",以纠正基学习器的错误分类、巩固基学习器的正确分类,进一步提高集成分类精度;然后,以决策树为基学习算法构建了同质多分类器系统,在自建的全极化一维距离像HRRP特征数据库上研究了基分类器的数量以及元特征样式、元学习算法的选取对元学习系统分类精度的影响;最后,通过与单一分类器和常用集成算法的对比,验证了基于元学习的反舰导弹目标识别算法的可行性和有效性。     

基于卷积神经网络的空中目标粗分类研究

空中目标的准确分类与识别是防空作战的关键环节。将卷积神经网络应用到空中目标粗分类任务。实验基于Alex Net卷积神经网络模型,并利用建立的小规模数据集进行微调训练,从而提取目标特征并进行分类识别。再和利用HOG特征的分类方法进行对比实验,发现前者具有较大准确率的提升。得出利用卷积神经网络提取的特征具有更强大的表示目标的能力,为进一步实现跟踪空中目标打下实践基础。     

航天应用载荷的高精度时间同步与共用信息分发

应用载荷直接获取航天器平台的时间和公共测量信息,并不能完全满足载荷的高精度时间基准和共用信息使用需求。一些功能载荷具备向外输出高精度时间和状态测量信息的能力,但硬件接口资源有限。将功能载荷作为FC-AE-1553光纤网络的一个节点,在FC-AE-1553光纤网络中叠加IEEE 1588v2时间同步协议,功能载荷的高精度时钟源能同步给有需求的其他载荷。并在时间同步的前提下,将功能载荷的测量数据如定位数据、姿态数据和轨道数据等共用信息同步发送至网络上的其他载荷节点。通过时间同步与同步发送机制,解决了各载荷对高精度时间和共用信息的需求,弥补了专用信息硬件接口资源的不足。结果表明,与直接利用航天器平台的信息源相比较,当时钟源和共用信息来自功能载荷时,FC-AE-1553网络时间同步之后的时间基准精度和共用信息利用性能高出3个数量级,载荷获取的UTC时间精度达到百纳     

参照化流形空间融合学习的敏感特征提取与异常检测方法

针对遥测振动信号冲击强、响应周期短、共振频带宽和小样本等特点导致异类模式识别率低的问题,提出基于参照化流形空间融合学习的敏感特征提取与异常检测方法。采用多尺度分析方法将信号正交无遗漏地分解到各尺度带中,提取多尺度特征构造高维特征集；以相同的正常信号样本结合相同类型的异常样本建立专属参照化模型单元,采用线性流形学习获取各参照化模型单元多尺度流形特征差异,增强异常特征的敏感性。融合各参照化模型单元的投影矩阵对原始特征集进行升维再学习,获取低维多尺度敏感流形特征；输入到分类器实现对未知样本状态辨识。实测信号处理结果验证了算法的有效性。     

低温等离子体用于高功率微波防护研究

等离子体对于高功率微波的攻击具有独特的防护效果。基于等离子体流体近似方法,利用COMSOL软件研究了高功率微波与柱状等离子体阵列相互作用过程中入射电场随时间的演变过程,分析了等离子体防护高功率微波的物理过程和作用机理。研究结果表明,入射的高功率微波会使等离子体参数发生剧烈变化,特别是其电子密度将急剧增加,从而使等离子体对入射的高功率微波表现出类似金属的电磁特性,最终实现对入射高功率微波的有效防护。此外,利用高频辉光放电产生柱状等离子体阵列,通过实验验证了等离子体对高功率微波的防护作用。最后,总结了基于等离子体的高功率微波防护技术需解决的主要问题。     

基于AdaBoost-SVM的P2P流量识别方法

针对传统的P2P流量识别技术存在识别率低和误判率高的缺点,将机器学习中Ada Boost算法的良好分类能力和SVM的泛化能力结合起来,提出一种基于Ada Boost-SVM组合算法的P2P网络流量识别模型,将SVM作为Ada Boost的基分类器,运用最小近邻法计算支持向量与训练集的样本间的距离实现分类进行P2P流量识别。最后,以4种P2P流量数据为研究对象在MATLAB上进行仿真,仿真结果表明,提出的Ada Boost-SVM的组合算法在P2P网络流量的分类性能和分类准确率上都优于单纯的Ada Boost和SVM,组合算法的P2P流量平均识别率高达98.7%,远高于Ada Boost和SVM的识别率。     

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。     

军事任务推演的时空模型与驱动机制

针对军事信息系统的作战任务推演需求,提出了一种基于时空事件序列的、较为完备的高效任务推演方法。论述了基于层次化分解的任务表达机制与实体化策略;针对保障数据定制问题提出了面向任务的时空数据应用模型,以任务最小需求为准则对一体化时空数据集进行多维筛选,有效降低数据的冗余度;详细讨论了时空事件序列模型的定义及其在军事任务推演中的数据驱动模式;结合具体仿真实例进行了应用探讨。原型系统的实现证明了该思路的有效性和可行性。     

机载激光雷达数据的三维深度学习树种分类

针对传统基于激光雷达(Light Detection And Ranging,LiDAR)数据的树种分类方法难以直接且全面地利用点云的三维结构信息的问题,提出一种基于三维深度学习的机载LiDAR数据的树种分类方法.该方法直接从三维数据中抽象出高维特征,而无须将点云转化为体素或二维图像.以塞罕坝国家森林公园内白桦和落叶松...     

基于Rényi信息增量的机动目标协同跟踪算法

针对基于多传感器组网进行机动目标跟踪的传感器管理问题,提出了一种基于Rényi信息增量的机动目标协同跟踪算法。首先结合"当前"统计模型和交互式多模型不敏卡尔曼滤波算法设计了一种变结构多模型算法,来进行机动目标的状态估计;然后以Rényi信息增量为评价准则,选择使Rényi信息增量最大的单个传感器进行目标跟踪;最后利用得到的最优加速度估计进行网格划分,更新变结构多模型中的模型集合。在一般机动及强机动场景下进行了算法性能分析,仿真结果表明,该算法能够合理地选择传感器,提高了对机动目标的跟踪精度。     

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。