激光成像雷达空间目标探测与识别技术

研究了激光三维成像雷达在动能拦截器空间目标探测与识别方面的应用。首先介绍了激光3D成像雷达系统基本原理,然后设计了激光3D成像雷达目标识别的工作流程,最后提出了基于旋转图像转换的3D目标识别算法。进一步探索了红外+LADAR主被动复合光学成像导引头在空天防御拦截武器目标探测与识别的应用,分析了复合光学导引头的关键技术,给出了相应的成像结果。     

导弹目标识别的最小贝叶斯风险分类器

在贝叶斯决策理论的基础上,通过划分目标特性空间的方法,推导了目标分类问题的总风险表达式.并根据导弹目标识别的特点,建立了导弹目标识别的最小贝叶斯风险模型,给出了基于风险分析的导弹目标识别的具体实现方法.最后,依据导弹目标的实际情况给出了仿真参数并进行了仿真试验,试验结果证明了本方法的有效性.     

基于相关熵的MACH滤波器

最大平均相关高度(MACH:Maximum Average Correlation Height)滤波器是一种重要的基于相关的模式识别方法。滤波器由训练数据线性构造而成,具有良好的畸变容忍能力,在线性高斯噪声条件下具有理论最优性。为将算法适用于广泛的非线性、非高斯情形,本文引入一种新的度量函数相关熵,可隐性地将输入数据通过非线性变换映射到特征空间;并在新的空间中提出了基于相关熵的MACH滤波器构造方法。最后将此方法应用于合成孔径雷达(SAR:Synthetic Aperture Radar)图像目标分类进行了实验,在接收机工作性能曲线和峰值旁瓣比的比对中,本文算法的性能均有所提升。     

具有连续反馈的在线草图符号识别算法

当前多数在线草图符号识别方法是在用户绘制完图形后,通过点击按钮或等待一定时间来反馈识别结果。为提供连续反馈,提出了一种基于图元的部分草图识别算法:对输入笔画进行笔画分割得到图元表示,提取表示两个图元空间关系的新特征,依据指派问题模型,通过该特征的相似度识别符号。算法简单,无须训练,而且与笔顺、笔画数和图形大小无关。实验证明了方法的有效性。     

基于压缩感知原理的融合判别信息的协作表示方法

提出了一种用于视觉分类任务的低计算复杂度且有效的图像表示方法。把协作表示和判别信息结合在统一框架内,是基于协作表示分类方法的一种扩展形式。测试样本的协作表示系数是稀疏的,这种基于冗余和过完备的表示对于遮挡和伪装而言是鲁棒的;此外,通过最小化类内散布矩阵和最大化类间散布矩阵的判别信息的挖掘,对于视觉分类问题也是很有帮助的。在一些基准数据库上的实验表明,提出的方法相对于现有的方法而言能够获得更有竞争力的表现。     

基于区间灰关联的雷达辐射源识别新方法

在现代密集信号环境中,接收机测得的和辐射源数据库中的雷达特征参数具有不确定性,一般用区间值表示.针对区间类型的特征参数的雷达辐射源识别,提出了一种新的基于区间灰关联度的雷达辐射源融合识别方法.该方法首先运用区间灰关联度得到基本概率赋值,然后运用证据组合与决策实现目标识别.仿真结果表明,这种识别方法是有效的.     

神经网络在精确打击目标识别中的应用研究

目标识别正确与否直接影响到防空火力的部署、分配及有效打击.利用BP神经网络识别精确打击目标并进行了仿真实验.建立了样本库,提取图像的不变矩作为神经网络的输入量,分别采用基本梯度下降算法、有动量和自适应学习速率梯度下降算法和Levenberg-Marguardt优化算法训练BP网络.仿真结果表明,不变矩理论很好地解决了3维物体的2维图像在旋转、平移、缩放时能否成功提取图像特征的问题,而采用LM优化算法的BP神经网络训练速度快,识别准确率高.     

一种SAR图像特征提取和目标分类的新方法

提出了一种利用二维离散小波变换与核主成分分析结合对SAR图像进行特征提取的新方法.该方法对SAR图像进行三层小波分解后提取低频子带图像的核主成分分量作为目标的分类特征,利用支持向量机完成目标分类.采用MSTAR实测SAR目标数据集进行特征提取和分类实验,实验结果表明:该方法可以有效提高目标的正确识别率.     

一种基于PRI变化规律的雷达辐射源识别方法

针对相控阵雷达中某些具有复杂PRI调制样式的工作模式难以准确识别的问题,提出一种通过提取PRI序列变化规律来进行辐射源识别的方法。该方法借鉴了脉冲样本图的模型以及生物信息学中基因序列比对的动态规划思想,较好地解决了某些复杂PRI调制样式不好描述,以及相控阵雷达中一个完整工作模式包含脉冲序列长度太短,以致很难通过统计的方法对其进行准确识别的问题。仿真结果表明该算法的有效性,而且在存在脉冲丢失和干扰脉冲的情况下具有稳健性。     

基于粗糙集理论的飞行轨迹识别

针对飞行轨迹人工识别对专家经验依赖性强,识别准确率不稳定的问题,提出一种基于粗糙集理论的飞行轨迹识别方法。首先,对飞行轨迹进行特征提取,获取用于轨迹类别判定的条件属性和决策属性;其次,利用模糊自组织神经网络对飞行轨迹决策表离散化,采用启发式遗传约简算法对条件属性约简,消除了冗余属性对识别结果的影响;最后,利用实际飞参数据进行轨迹识别,结果证明该方法准确有效。