基于PCA特征的快速SAR图像目标识别方法

目标识别是SAR图像解译的重要一环,受到广泛的关注,而实时性又是评估目标识别系统性能的主要指标之一.从实时的角度出发,提出了一种快速的SAR目标识别方法.该方法采用基于Hebb学习规则的主分量分析(PCA)进行特征提取,使用多层感知器神经网络(MLP NN)进行目标分类.实验结果表明,在维持较好识别性能的前提下,该方法具有内存需求少、运行速度快的特点,能用于实时处理.     

基于DSm理论的雷达目标综合识别算法

针对数字多功能雷达的目标识别问题,提出了基于DSm理论的综合识别算法。将不同类型的识别结果置于统一的辨识框架中,并利用经典DSm组合规则进行信息组合,采用冲突按比例重分配规则重新分配组合结果,应用基于广义基本信任分配的决策规则进行判决。仿真结果表明,该方法避免了层次化识别结构带来的信息损失,识别结果中含有更丰富的目标信息。     

雷达空间目标识别技术综述

随着人类航天活动的增加,对于卫星和碎片等空间目标进行监视变得非常重要。为了实现空间监视任务,对空间目标进行识别是非常必要的。对空间目标的轨道特性与动力学特性进行了介绍,对雷达空间目标识别技术的研究现状和发展趋势进行了详细的综述。     

一阶超对策模型中结局偏好认知信息集结的模式识别法

针对一类一阶n人超对策模型,提出了一种结局偏好认知信息的集结方法.首先通过对单一局中人中不同专家给出的对其他局中人结局偏好信息的不同认知进行关联分析,确定出专家的权重评价值,进而运用模糊模式识别原理,通过建立一个非线性规划模型,给出了一种新的超对策结局偏好认知信息的集结方法.最后,用一个数值例子对文中所提方法进行了说明.     

空袭兵器的模糊识别法

在分析空袭兵器类型区分不足的基础上,运用模糊识别理论,探索空袭兵器的模糊识别方法。提取空袭兵器特征指标,建立标准模型库,构造了隶属函数,构建空袭兵器的模糊识别模型。结合实例,验证该方法简便有效,可为防空部队射击指挥员提供可靠的辅助决策依据。     

基于被动雷达和红外传感器的数据融合

提出基于被动雷达和红外传感器组成的复合探测系统,利用D-S证据理论提高目标识别率,借助神经网络改善目标跟踪算法的性能,同时保持跟踪滤波的计算结构尽可能简单,尤其是减少了数字计算上的复杂性。仿真结果表明了应用新算法的复合探测系统的有效性。     

雷达辐射源识别的算法研究

针对现有雷达辐射源识别算法的不足,探索雷达辐射源数据库识别的新算法。运用属性测度理论建立了雷达辐射源属性识别模型,结合距离算法、灰关联算法和神经网络样本训练思想,设计出基于属性测度模型的雷达辐射源属性识别算法。通过仿真验证,该算法兼具识别准确度高和识别速度快优点,实用性较强。     

基于相关性的OFDM盲识别与参数估计方法

针对非协作通信领域OFDM信号识别难的问题,提出一种基于信号循环前缀相关性的盲识别和时域参数估计算法。通过对OFDM信号循环自相关函数进行分析,在时域上求出延时自相关运算函数的波形,利用循环前缀的相关波峰的特性,以区别OFDM信号和单载波信号,实现对OFDM信号的盲识别。在此基础上,通过采用多个OFDM信号构造循环前缀相关性的累加函数所形成的波峰完成对符号和循环前缀长度等参数的估计。     

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。     

无人机小样本条件下遮挡和混淆目标识别方法

针对无人机对地目标识别过程中的小样本问题以及目标存在的遮挡和混淆情况,提出了一种融合自注意力机制的小样本目标识别模型。在利用元学习思想获取小样本学习能力的基础上,将自注意力机制学习目标内部各部分之间的上下文依赖关系引入模型,从而增强目标表征能力,以解决遮挡和混淆情况下有效特征不足的难题。为验证模型效果,通过对基准数据集和无人机航拍数据进一步加工,构建了遮挡和混淆目标数据集,设置了不同的遮挡程度和背景混淆率。通过在不同数据集上的验证,并与深度学习模型对比,证明提出的模型具有更高的学习效率和识别正确率。