两向二维NFA及其在SAR目标识别中的应用

通过对传统线性鉴别分析局限性的分析,提出一种基于两向二维非参数特征分析((2D)2NFA)的SAR图像目标识别方法,该方法有效克服了线性鉴别分析的固有缺陷并且运算量也大大降低。首先,定义一种图像矩阵的近邻样本选取方法,继而利用k近邻样本构造(2D)2NFA的类间散度矩阵和类内散度矩阵,然后使用(2D)2NFA提取样本的特征,最后在特征空间中使用简单的最近邻分类器进行待识别测试目标的分类识别。用美国运动和静止目标获取与识别(MSTAR)计划录取的SAR图像数据进行了仿真实验,实验结果表明(2D)2NFA增强了提取特征的可鉴别性,能够获得更高的识别率,而且减小了特征维数。     

完全鉴别分析高分辨距离像雷达目标识别

针对雷达目标识别问题,提出了一种完全鉴别分析特征提取方法。首先依据Fisher准则导出样本总散度矩阵的零空间不含有鉴别信息的结论,利用这一结论,对类间和类内散度矩阵进行预降维,降低了后续计算的复杂度。然后基于类内散度矩阵零空间与非零空间所包含的鉴别信息分别建立子空间,实现对目标的特征提取。对三类飞机目标实测回波数据的识...     

LRE试车数据挖掘中基于最大散度差的模糊聚类分析方法

在对液体火箭发动机试车数据进行聚类分析时,为解决故障数据样本与正常样本类间差异不大的问题,引入最大散度差准则,提出基于最大散度差的聚类算法MSD-CA.该算法以散度度量样本间的相似性,使样本的类内散度最小化和类间散度最大化同时进行.在此基础上,应用模糊理论对最大散度差准则进行模糊化,提出基于最大散度差的模糊聚类算法MS...     

基于PCA-RBF网络的储运过程管道堵塞故障诊断方法

针对现代储运过程管道堵塞故障诊断时,提取的过程参数多导致诊断速度慢、性能差等问题,提出了基于主成分分析（PCA）和径向基函数（RBF）神经网络故障的诊断方法。首先利用PCA方法对储运过程高维历史数据矩阵进行特征提取,提取的故障特征信息作为训练集,并给出故障特征信息的分类号;然后将其作为RBF神经网络分类器的输入输出进行故障模式识别。仿真实验表明：该方法应用于储运过程管道堵塞故障诊断,不仅大幅度地降低了诊断模型的训练时间,而且提高了诊断正确率。     

基于稀疏卷积非负矩阵分解的语音转换方法研究

为了在语音转换过程中充分提取语音的个人特征信息,同时考虑到语音的稀疏性,文章提出了一种基于稀疏卷积非负矩阵分解的语音转换方法。卷积非负矩阵分解得到的时频基可以承载语音信号中的个人特征信息及语音帧之间的相关性,而稀疏卷积非负矩阵分解得到的过完备时频基更能体现语音的细节,可以较好地保存语音中的个人特征信息。利用这一特点,通过稀疏卷积非负矩阵分解从训练数据中提取源说话人和目标说话人相匹配的过完备时频基,然后通过时频基的替换实现语音转换。相对于传统方法,该方法能够更好地保存语音个人特征信息和语音帧间相关性,从而可以进一步提高转换语音的质量和相似度。实验仿真及主、客观评价结果表明,与基于高斯混合模型、卷积非负矩阵分解的语音转换方法相比,该方法具有更好的转换语音质量和转换相似度。     

线性系统的降维状态观测器参数化设计方法

在线性系统可观测的情况下,研究了降维状态观测器设计问题。通过非奇异线性变换,得到代数等价系统的同时分离出需观测的部分状态。基于Sylvester矩阵方程的参数化解,给出降维观测器的增益矩阵的参数化表达形式,从而给出了线性系统的降维状态观测器设计的一种参数化方法。数值算例表明：所提降维状态观测器的参数化设计方法是简单有效的。     

基于VFGPIR联合特征的决策级加权融合检测方法

车载前视地表成像雷达(VFGPIR)探测浅埋目标时面临虚警率过高问题,可利用序列图像特征的联合检测解决这一问题.首先利用Fisher鉴别比(FDR)定量评估从单帧和序列图像中提取的单个特征的鉴别能力;然后针对单个最优序列特征无法满足探测指标要求提出一种基于决策级加权融合的多特征联合检测方法;最后利用接收机工作特性(ROC)曲线来验证所提方法的有效性.试验结果表明:序列特征比单帧图像特征具有更好的鉴别能力;所提方法性能优于单个最优序列特征、特征向量和多数票融合准则对应的检测结果,有望满足实际探雷应用需求.     

基于非负矩阵分解的电磁超声系统优化研究

针对孤立脉冲群电磁超声系统信号特征容易被噪声淹没的问题,提出基于改进的非负矩阵分解（INMF）优选特征的支持向量机（SVM）方法．首先,用3种不同的方法提取高维特征;其次,用NMF方法实现特征降维,并保证降维结果的唯一性,避免对特征的直接选择;最后,应用支持向量机方法对降维特征进行分类．对孤立脉冲群电磁超声系统采集的4种信号特征进行提取、选择和分类,实验结果表明：INMF方法能有效提取微弱信号的特征,减少运算量,提高电磁超声系统特征采集的准确率．     

核独立分量分析的随机滤波剩余寿命预测模型

基于随机滤波的预测模型是剩余寿命预测方法的一个重要分支,当前制约滤波模型的一个重要问题就是如何对大量高维非线性状态监测数据进行特征降维,以易于模型参数求解.通过线性回归处理了非定期换油保养对油液数据的影响;运用核独立分量分析进行特征降维,消除了各维数据之间相关性对模型预测精度的影响;建立了基于油液增量的滤波模型,并设计了极大似然估计方法求解模型参数;最后实例验证了模型的有效性和实用性.     

基于ICA的油库阀门内漏声发射定量检测

基于声发射原理的阀门内漏检测作为一种动态无损检测方法得到了广泛应用,但是定量检测一直是研究难点。现有的内漏率定量检测模型计算方法因参数不易测定,导致计算困难,精度不高。采用独立分量分析(ICA)方法提取声发射信号特征向量,并与参考样本集的特征向量相比较,相似程度最高的即可作为待测阀门的内漏率。内漏模拟实验分别将常规参数、频谱成分和ICA提取特征作为特征向量进行比较,结果表明ICA提取的特征向量维数为15时,均方根误差可以达到0.01 L/min,能够满足工程检测需要。     

基于方位特征序列的地雷鉴别算法

在使用低频超宽带合成孔径雷达(UWB-SAR)对地雷进行探测的过程中,根据目标电磁散射随方位角和入射角的变化特性,提出一种利用双峰间距和频率凹点特征沿方位向变化的隐马尔科夫模型(HMM)鉴别算法。该算法首先针对目标感兴趣区域(ROI)图像估计其各方位回波响应,然后利用时频原子提取时域双峰间距和频率凹点,进而得到随方位角变化的特征序列,再通过SAR工作时方位角和入射角的变化特点以及训练样本确定HMM参数,并在此基础上计算疑似目标新的特征矢量,采用马氏距离进行判别。实验结果表明了本文所提方法在目标鉴别方面的有效性。     

一种新的高分辨率SAR图像目标自动鉴别方法

目标鉴别是SAR图像目标识别系统的关键环节,用以消除预筛选阶段因异常检测产生的大量虚假的感兴趣区域切片。针对目标鉴别问题,提出了一种新的目标自动鉴别方法,首先对CFAR检测的结果做基于面积特征的预鉴别处理,而后对获得的ROI目标切片提取鉴别特征,并在特征分析的基础上设定特征判决阈值,实现序贯鉴别处理。利用X波段SAR图像数据检验了上述方法,给出了鉴别输出的ROI切片。     

基于稀疏表示和非参数判别分析的降维算法

针对人脸识别问题提出一种新的监督降维算法。算法首先基于稀疏表示理论,利用同类样本间的稀疏重构来构建图。此方案不仅可以克服传统图构造方法中参数选择的困难,而且能够更好地刻画类内信息。然后,算法采用非参数类间离差来刻画类间信息,非参数类间离差在处理复杂分布数据时相比于参数类间离差更具判别力。最后,算法通过保持类内稀疏重构关系的同时最大化非参数类间离差来求得最优的投影矩阵。在ORL和Extended Yale B公共人脸数据库的实验表明,该算法能够获得较好的识别结果。     

基于概率分布的硬件木马检测特征选择方法

针对基于旁路信号分析的硬件木马检测中存在的高维以及信号冗余度高等问题,寻求一种特征选择方法在降维、降低冗余度方面的可行性,通过考虑样本概率的分布情况,提出了一种以散度和Bhattacharyya距离作为可分性判据的特征选择方法。首先分析了旁路信号的特征选择问题,然后阐述了基于散度和Bhattacharyya距离的可分性判据,最后在FPGA中植入硬件木马,采用K-L方法进行实验,通过对样本特征选择前后的检测效果发现,这种特征选择方法不仅有助于分辨"金片"与含木马的待测芯片间旁路信号的统计差异,而且与分类错误率建立联系,更好地实现了硬件木马的检测。     

基于循环谱和2DMSD的MIMO雷达信号调制识别

针对多输入多输出(Multiple-InputMultiple-Output,MIMO)雷达信号调制识别存在的问题,提出一种循环谱和二维最大散度差(Two-DimensionalMaximum Scatter Difference,2DMSD)线性判别分析相结合的新方法。首先对典型MIMO雷达信号进行循环谱变换,在此基础上,利用2DMSD线性判别分析对上述二维图像进行特征提取,最终达到调制识别的目的。仿真结果表明,在低信噪比时,该方法仍然具有较高的识别率。     

基于梯形直觉模糊数的动态多准则群决策方法

针对决策信息为梯形直觉模糊数的多准则决策问题,引入含参得分函数和相关系数提出了一种动态多准则群决策方法,首先利用参照方案相关系数总偏差最小的非线性规划模型求解客观准则权重,通过参数因子转化犹豫度集结得到各方案综合得分函数,最后根据参数动态变化进行MATLAB仿真分析并排序。该方法适用于准则权重已知和未知的情形,弥补了犹豫度缺失和基于距离测度决策方法的缺陷,并通过航空装备保障合同商的选择决策实例验证了有效性。     

基于PCA和BP神经网络的水下目标识别方法研究

针对被动声纳信号的特点,提出了基于信号线谱特征的主成分分析(PCA)特征选择方法,其优点是从复杂的目标信号中提取目标的特有信息,降低了目标特征维数.将此方法用于实录的三类水下目标数据,采用BP神经网络对目标进行识别分类,仿真结果说明了所提出的方法的正确性和有效性.     

基于LWT的纹理特征提取方法

介绍了一种利用局部沃尔什变换(LWT)提取图像纹理特征的新方法,给出LWT的定义,并分析了LWT系数的统计特性及其各阶矩的纹理鉴别性能。结果表明:自然纹理图像的LWT系数一般不服从正态分布,其偶数阶矩具有较好的纹理鉴别性能,奇数阶矩的纹理鉴别性能较差,因此选取LWT系数的偶数阶(2、4、6阶)矩作为纹理特征。与Haralick[1]、Wang和He[2,3],以及HuiYu[5]等人提出的纹理特征相比,基于LWT的纹理特征具有更好的鉴别性能,并且计算简单。     

双圆阵模式空间二维解相干

提出一种相干信号二维波达方向(Direction of Arrival,DOA)估计算法——模式空间波达方向矩阵(Mode-Space DOA Matrix,MS-DOAM)法。算法基于双圆阵,利用模式空间转换将圆阵转换为虚拟双平行线阵,计算虚拟线阵阵元间的互相关信息,构造两个等效协方差矩阵,进而构造波达方向矩阵,对该波达方向矩阵特征分解,利用得到的特征值与特征矢量求得入射信号的仰角和方位角。算法无需二维搜索,实现估计参数自动配对。仿真结果表明,算法在低信噪比和短快拍条件下,估计误差低于虚拟空间平移算法。     

针对舰船目标高分辨距离像的特征选择方法

为了提高基于高分辨距离像(HRRP)的舰船目标识别率,首先通过目标区域提取来解决HRRP的幅度敏感性和平移敏感性的问题;然后根据传统的特征提取方法,提取出15个较好的特征进行多特征综合识别;最后在基于Fisher准则的特征选择方法上进行改进,提出了一种基于特征互补性的特征选择方法,选择一个最优特征子集。通过仿真实验验证了提出的特征选择方法,同时选择出一个最佳分类器。