主成分分析的模糊神经网络目标识别系统

提出了一种基于模糊神经网络(Fuzzy Neural Networks,FNN)的目标识别算法.在对目标进行模糊化处理基础上,通过主成分分析(Principal Component Analysis,PCA)提取相应的特征空间,以畸变的特征向量对系统进行训练,从而获得较高的目标变化适应性.仿真实验结果表明, 这种方法具有较强的自适应能力,抗噪性能也有所提高.     

MIMO-FNN模型的弹道导弹目标识别方法

针对弹道导弹目标融合识别特点,分析了弹道导弹单传感器多特征多输入多输出模糊神经网络(multiple input multiple output fuzzy neural network,MIMO-FNN)模型、弹道导弹多传感器单特征MIMO-FNN模型,在此基础上,结合弹道导弹目标融合识别的实际流程,提出了弹道导弹目标识别多传感器多特征MIMO-FNN模型。该模型以每个单传感器多特征MIMO-FNN模型的输出为输入,并通过专家知识求取每个传感器的融合权值,采用sum-product模糊推理和加权求和法解模糊,得到模型的融合识别结果,并通过仿真实验验证了所提模型的有效性,最后从多传感器多特征优化和传感器权重2个方面对所提模型进行了可行性分析。     

基于LBP-PCA的多传感器目标识别算法

为了更加有效地提高多传感器图像融合后的识别率,提出一种基于LBP-PCA的多传感器目标识别算法。首先分别对红外和可见光图像进行预处理用以突显出要识别的目标,采用LBP算法提取目标的特征点向量,利用PCA算法进行特征融合,得到降维后的融合特征,最后利用SVM(支持向量机)进行分类和识别。实验仿真结果表明多传感器目标经过LBP-PCA融合后在保持足够数量的有效信息基础上降低了特征的维数,有效地提高了目标识别率。     

基于支持向量机的宽带相控阵雷达目标识别技术

宽带相控阵雷达高分辨一维目标距离像对弹道导弹的目标识别具有重要意义.首先对目标一维距离像进行预处理,通过双谱分析提取不依赖于目标平移的双谱特征,采用截断距离像频谱的方法减少了目标特征量维数.利用特征量的扩散因子对特征量进行预选择,并根据宽带相控阵雷达多目标跟踪时目标样本数有限与主副目标样本数不一样的特点,利用加权支持向量机(SVM)进行目标识别,实测数据表明所提出的方法是有效的.     

基于CNN-PCA-DT算法的合成孔径雷达目标识别

合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别是SAR图像解译的重要环节,已广泛应用于国防和国民经济领域。在传统的卷积神经网络(Convolutional Neural Network,CNN)的基础上,提出了将CNN,主成分分析(Principle Component Analysis,PCA)和决策树(Decision Tree,DT)相结合的算法,记为CNN-PCA-DT:利用CNN提取出SAR图像的特征向量,再用PCA降维,最后用DT分类器取代CNN中的Softmax分类器实现SAR目标识别。实验结果表明,所提出的算法在MSTAR实测数据集上取得了较高的识别准确率,从而说明了实验的有效性。     

异类传感器团目标同一性识别方法研究

轨道类团目标的同一性识别是融合运用各个传感器探测信息的前提。通常情况下,团目标的探测信息来源于雷达、红外等异类传感器。针对异类传感器在目标失配情况下的同一性识别问题,从分析轨道类目标在红外传感器二维角度平面内的运动特性入手,提出了一种利用轨道类团目标相对运动特性通过Hough变换进行异类传感器多帧同一性识别的方法。仿真表明,该方法有效提升了异类传感器目标失配情况下的匹配正确率。     

导弹防御系统中的雷达目标识别研究

以评估美国国家导弹防御(NMD)系统雷达识别能力为背景,分析了地基雷达识别弹道导弹目标的技术途径。根据弹道导弹目标群在飞行中段和再入段表现出的特性差异,提出了涉及目标结构特性、姿态特性以及再入特性的综合识别策略,并初步分析了各种识别措施的可行性。     

一种弹道导弹目标时空域信息融合模型

针对弹道导弹目标融合识别系统中,传感器接收到的信息具有模糊性与不确定性的特点,提出了一种基于Dempster-Shafer(D-S)理论的导弹目标时空域信息融合模型;针对模型中影响传感器融合识别性能因素的多元性与各因素权重分配的不合理性,在引入证据网路的基础上,提出了一种基于弹道导弹目标影响因素的融合识别性能证据网络结点模型,并通过分析各结点之间的关系,采用多属性决策和群决策分析权重的方法,提出了一种结点权重分配方法。仿真验证了算法的可行性与有效性。     

雷达与声数据的融合

洛克希德·桑德斯公司正在研究综合声与雷达数据的融合过程。声和雷达数据是高度互不相关的,它们可提供有关每个目标的互补信息。因此,融合过程使之有可能利用组合分类器的输出产生一种可信度高的目标识别(可靠的ID),分类器的输出包括:声波形、雷达信号特征和航迹形状 而由单个分类器进行可靠的识别是不可能的。通过融合过程可以减少目标位置误差和改善量测与航迹的互连过程。 由于融合过程是高度非线性和自适应的,因此,仿真是必不可少的。用多次重复的具有嵌入式传感器模型的仿真来建立多目标情景,以便激励融合过程。在仿真情景期间,用测量的声和雷达数据产生传感器输出的逼真描述。融合过程对分类和传统的跟踪器使用了神经网站。使用与目标ID有关的数据,以便选择最优的跟踪器参数。 对雷达和声数据的特定实例,验证了使用仿真来设计传感器融合处理的方法。然而,这种方法对于各类型的传感器或数据融合也是有价值的。例如:可在非军事应用中使用仿真,在这种应用中有关复杂系统状态的多源数据可用来控制其他数据和收集并做出最优决策。一般,仿真可用任务级指标,如成本、生存概率和杀伤概率来评定融合过程的好处。仿真对于优化融合过程的任何自适应“子部件”如神经网络来说是必不可少的。     

融合图嵌入的Smooth-PCANet图像识别算法

主成分分析网络（Principal Component Analysis Network,PCANet）是一种简单的深度学习算法,在图像识别领域具有优秀的性能。然而PCANet在构建网络卷积核时只关注了图像的主分量信息,忽视了近邻像素点之间的位置关系。而通常情况下,图像的相邻像素点具有空间强相关性,因此利用图结构保持像素点的位置近邻关系更有利于网络提取有效特征。因此,我们将图嵌入思想融入PCANet,提出一种新的图像识别算法Smooth-PCANet。为了验证Smooth-PCANet算法的有效性,我们在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-PCANet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-PCANet算法比PCANet获得了更高的识别性能,并且更有效地避免了过拟合,在小样本训练时具有显著优势。     

基于DST和PCR5的弹道目标识别方法

在反导系统中,基于多传感器多源信息的融合识别,一直是研究的热点。为了解决不精确、不确定、冲突的多源信息的融合问题,结合DST(证据理论)和PCR5(比例冲突再分配准则)在处理不同冲突程度证据时的优势,提出了一种自适应的弹道导弹目标识别方法。首先引入关联系数的概念,用来表征证据间的冲突大小;其次给出了目标综合识别步骤;最后结合2个例子进行了仿真验证。结果表明,该方法识别率高,收敛性快,能够有效解决在识别中不稳定、不一致信息的融合问题,具有一定的应用价值。     

TBM模型的目标综合识别算法

利用电子支援措施(ESM)和光学成像传感器等不同类型传感器进行目标综合识别,是现代综合电子战中的一个重要研究课题。TBM是D-S证据理论的一个扩展模型,它研究了D-S证据理论的动态部分,从数据融合的角度来看,它是一种层次化的递进模型,尤其适用于需要逐层进行数据、特征或决策级融合的融合系统。提出了一种基于TBM模型的异类传感器目标综合识别算法,充分利用了电子侦察和光学成像侦察提供的独立、互补的信息,获得了对目标的有效识别。仿真结果证明了这种算法的有效性。     

基于主成分分析的空中目标识别

在对空中目标类型进行归类的基础上,建立了融合目标战术特征和物理特征的评价指标体系,运用多元统计分析中的主成分分析法对空中目标识别中的多项指标进行了综合聚集,在理想点的基础上建立了综合优化决策模型.实例验证该模型能有效地解决目标类型识别的问题.     

IMM-EKF雷达与红外序贯滤波跟踪机动目标

雷达与红外数据融合能够实现信息互补,改善对目标的跟踪、识别以及提高系统的生存能力.为了解决空中目标高速机动时,单一模型的雷达/红外序贯滤波跟踪发散的问题,提出了一种基于序贯滤波和交互多模型的雷达/红外融合跟踪机动目标的方法,通过在雷达与红外序贯滤波融合中引入交互多模型来跟踪机动目标.仿真结果表明,该方法与基于最优数据压缩的雷达与红外传感器融合跟踪机动目标相比,跟踪精度明显提高,是一种雷达与红外传感器融合跟踪机动目标的有效方法.     

多传感器目标识别融合模型研究

针对目标识别中传感器正确识别概率、目标识别先验概率等参数难以求取问题,提出将目标识别集合划分为子集,证明了目标相对于目标识别子集的潜在概率分布与目标隶属于目标识别子集的置信度对应关系,在选取目标识别置信度距离测度基础上,建立了目标识别置信度的最优融合模型,实现了多传感器目标识别决策级融合.     

多尺度PCA-HOG遥感异源图像匹配算法

针对遥感异源图像匹配中非线性灰度畸变和强噪声干扰问题,提出一种基于主成分分析(Principal Components Analysis,PCA)和方向梯度直方图(Histogram of Oriented Gradients,HOG)的遥感异源图像匹配算法.该算法利用HOG提取图像间的几何结构共性特征,能有效克服异源...     

基于矩阵分析的D-S证据理论的多传感器雷达体制识别

采用不确定推理的矩阵分析方法,建立了用于雷达体制识别的多传感器数据融合的数学模型,提出了一种基于矩阵分析的多传感器信息融合的新算法,结合多传感器多测量周期的雷达体制识别给出了具体的实例.识别结果说明了该算法的有效性.     

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%。     

ATR系统中多传感器的信息融合研究

在复杂和瞬变的战场环境下,为了提高武器系统的快速反应、防御和攻击能力,目标探测、识别、跟踪系统需要采用多个传感器,其信息要求自动融合。文章研究了在信息融合中多传感器的选择问题;分析了数据级融合、特征级融合和决策级融合;提出了特征评价概念和方法;并讨论了其它相关问题。     

基于多分辨分析的雷达目标识别方法

针对宽带高距离分辨率雷达的工作体制,提出了一种基于多分辨分析和信息综合的目标识别算法。目标特征由小波变换在相邻分辨率上的能量之比的对数构成。利用多分辨分析,将目标特征分解为反映目标结构概貌的低通特征和刻画目标结构细节的高通特征。利用辐射基函数神经网络分别对目标的低通特征和高通特征进行识别判决,然后将基于目标的低通特征和高通特征的判决信息进行综合,得到最终的识别结果