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。     

一种对间歇采样转发干扰的识别新方法

间歇采样转发干扰是一种针对相干雷达的有效干扰样式,该类干扰的抑制技术研究需求迫切,而干扰识别历来是抗干扰流程中的关键环节,针对间歇采样转发干扰的识别问题,提出了一种基于关联维数的干扰识别方法。通过对3类间歇采样转发干扰信号进行傅里叶变换,挖掘信号频谱上的差异,提取频域关联维数作为干扰识别的特征参数,并利用支持向量机进行分类识别,为后续雷达系统采取针对性抗干扰措施提供重要的决策信息。仿真结果证明该方法具有较高的识别率。     

战场目标声音识别关键技术研究

战场目标声音探测技术在现代战争中发挥着越来越重要的作用。针对战场目标声音识别的一些关键技术进行了研究。首先分析了目标声音探测技术的军事应用特点,然后对战场典型目标发出的噪声的物理特性进行了分析。最后论述了战场目标声音识别技术中的几种关键技术,重点分析了特征提取中的LPCC、MFCC技术以及分类器中的隐马尔可夫模型,为战场目标声音识别系统的开发奠定了基础。     

微弱正弦信号在有噪声的FN神经元模型中的传输特性研究

长期以来弄清神经系统中的信号是如何传输的一直是广大研究人员努力的目标.针对一种被普遍研究的神经元简化模型--FitzHugh-nagumo(FN)模型,采用二阶随机龙格-库塔算法分析了该模型对加性噪声和微弱正弦信号的响应特性.时域和频域的统计参数表明适当强度的噪声有利于信号的传输,存在随机共振现象,即与噪声强度关联的输出信噪比曲线为倒钟形;另外值得关注的是,与正弦信号频率关联的输出信噪比曲线也为倒钟形,分析可见正弦信号的无量纲频率在区间0.2～0.8时模型的输出信噪比最大,表明该神经元模型有频率敏感性,即更易于检测到该范围内的弱信号.上述结果与生物学的发现是一致的,将有助于进一步揭示周期信号在神经元中的传输方法,建立更加准确的神经元数学模型.     

基于高阶谱分析的机械故障特征识别

在分析高阶累积量与高阶谱的理论基础上，利用高阶谱可以抑制加性高斯噪声的性质，研究了基于高阶谱分析的机械故障特征提取方法，提出了基于双谱估计的齿轮故障诊断的方法。通过对齿轮信号的双谱特征图谱进行分析比较，成功地对齿轮的正常稳态振动信号、正常瞬态振动信号以及磨损瞬态信号进行了识别，效果十分显著。     

GMSK跳频通信干扰样式的自动识别

以FH-GMSK(frequency hopping-gaussian filtered minimum shift keying)通信系统作为载体对跳频通信的干扰样式识别进行研究,从跳频通信接收信号中联合提取干扰的时域、频域和时频域特征,得到了一组稳定性好、对干信比不敏感的特征参数,在不需要干扰先验知识的情况下对FH-GMSK通信系统中常用的干扰样式进行了自动识别.仿真结果表明:该方法对跳频通信常见的干扰信号在不同干信比的情况下能获得很高的正确识别率.     

一种基于边缘特征提取的景像匹配方法

下视景像匹配制导中,实时图和基准图的拍摄高度、方位和图像比例尺不完全一致,两图的轮廓形状存在旋转和变形等差异,边缘特征提取方法受图像灰度分布影响存在变形和移位,易导致匹配错误。用侧抑制竞争方法,图像边缘特征提取快速准确,不发生移位,对灰度变化也不敏感。在此基础上,用扩展边缘特征法,克服轮廓变形对边缘匹配的影响,提高精度。试验结果表明,此方法模型简单、抗几何变形能力强且便于实现。     

基于核主成分分析的铁谱磨粒特征提取方法研究

针对铁谱分析的磨粒识别过程中存在原始磨粒特征描述指标参数多、非线性突出的问题,提出基于核主成分分析的磨粒特征提取方法,介绍该方法的原理与算法。结合某柴油发动机故障检测与分析系统中铁谱磨粒自动识别的应用实例,并与传统主成份分析方法进行对比分析,结果表明该方法在进行样本非线性特征参数指标综合以及特征维数压缩方面具有可行性和有效性。     

不变矩方法研究

不变矩方法是一种比较经典的特征提取方法.自1962年Hu提出代数不变矩以来,已被成功应用于很多领域.首先介绍了不变矩的基本理论以及Hu提出的七个不变矩,并对不变矩的物理含义进行了分析.利用Matlab编程后,对给定目标图像旋转、缩放后图像的不变矩进行了计算,给出了计算结果,并与原图像的不变矩进行了比较,分析了不变矩方法的特点.最后介绍了一种适用范围更广的极半径不变矩,与Hu不变矩进行了比较.     

基于随机共振的多频率微弱信号并行检测

强噪声背景下的微弱信号检测是当前信号处理领域的研究热点。基于非线性理论的随机共振能够利用噪声,将噪声的一部分能量转移给信号,从而获得更高的输出信噪比。针对传统随机共振检测算法应用环境受限且无法实现多频率并行检测的现状,文章面向实际超短波环境,在参数补偿法的基础上,重新设计采样频率和补偿系数,提出了新的检测算法,实现了多频率微弱信号的并行检测。