基于神经网络的舰船目标识别研究

为了实现对水下目标的识别,在现有特征提取方法的基础上,提出了一种从DEMON谱线谱和DEMON谱连续谱提取的特征方法,并设计了一个基于BP神经网络和多神经网络分类识别器的舰船目标识别系统。通过对实际舰船噪声目标进行识别,识别效果比较满意。这对舰船目标识别的发展具有一定的参考价值。     

基于支持向量机的故障诊断方法及其应用

提出了一种采用模糊手段进行特征提取、支持向量机进行模式分类的内燃机燃油系统故障诊断方法.该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力,首先采用模糊手段对故障信号和原因进行特征提取,接着利用支持向量机进行分类实现特征级诊断,最后将其应用于内燃机燃油系统的故障诊断中,取得了令人满意的结果.     

栈式自编码和残差神经网络的射频信号个体识别

传统基于暂态特征和稳态特征的射频信号个体识别方法存在特征提取困难、特征微小、无法区分射频信号个体差异等问题,识别率较低.随着深度学习技术的发展,结合栈式自编码网络深度融合目标特征优势和残差神经网络在解决退化问题时的优势,提出了一种基于SEA和ResNet网络的射频信号个体识别方法.包括信号时频域特征提取方法分析、多域特征拼接与融合、基于轻量化ResNetLite网络的射频信号个体识别方法等步骤.仿真结果表明,相对于传统时频域特征提取方法和BP分类方法,新方法能够有效提取和融合信号细微、高层次及深层次特征,且识别率有一定幅度的提升,同时,对计算资源、存储资源的消耗有约7倍的降低,可支持嵌入式设备小型化需求,便于工程实现.     

基于热物理仿真分析的红外点目标特征提取与识别

根据弹道中段空间目标和诱饵的表面温度分布规律，从热物理的角度分析了目标和诱饵的红外光谱辐射特性，指出了弹道中段目标和诱饵红外辐射特性的本质差别，并据此提出了红外目标识别中的特征基函数，用特征基函数构造红外点目标识别的四维特征矢量。仿真实验表明，这一特征矢量用于红外点目标识别非常成功。     

基于小波变换的直升机声目标识别

综述了小波变换的原理和性质以及它在直升机声目标识别当中的应用。主要论述了利用小波变换进行信号分解与滤波、目标特征提取等方面的应用,最后给出了计算机模拟仿真结果。结果表明,利用信噪分离方法和目标特征提取方法可以在低信噪比情况下准确识别目标。     

基于多特征的图象目标识别分类

文中研究将多特征信息融合技术用于图象目标识别分类的方法,利用图象灰度表面的分形特征与图象的摘特征（非分形特征）所提供的信息进行融合处理,在决策层中运用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据推理理论,并使用决策规则对目标进行分类。在实验中,将经过信息融合分类的结果与单特征独自分类的结果进行比较。结果表明,多特征信息融合的目标识别方法具有良好的稳定性,准确性和可靠性,能够有效地提高图象分类识别系统的精确度与容错性。     

基于正交小波包和K-L变换的水声信号特征提取与识别

在海洋作战环境中,水声目标识别与分类是水声设备与水中兵器系统智能化的关键技术之一,基于小波变换的模式识别方法受到广泛研究与重视,在对水声信号进行正交小波包分析的基础上,以信号在各分解子空间的能量分布构成原始特征空间,运用K-L变换进行模式识别特征空间的提取,并基于最小欧氏距离设计分类器,提出了一种新的水声信号识别方法,仿真实验验证了算法是有效的.     

基于改进型HHT变换的起动电动机故障特征提取

针对装甲车辆起动电动机发生早期故障时的不可预知性,加上现有的维修方式大多是定期保养维护,使得起动机的早期故障得不到有效检测,进而引发更深层次的故障。从电机振动信号的非平稳非线性特点出发,对比分析了当前时频分析技术的优缺点;选用了基于HHT变换的时频分析方法对振动信号这个随机信号来提取特征向量,并提出了改进型的HHT变换理论,对模态混叠和虚假分量的问题加以消除和验证;最后,将改进型的HHT变换方法应用到实物验证。结果表明,能够有效地提取到电机不同状态下的具有紧凑性、代表性和广泛性的特征向量。     

基于VMD和SVM的舰船辐射噪声特征提取及分类识别

针对复杂海洋背景下舰船声频辐射噪声特征提取困难的问题，提出一种基于变分模态分解、中心频率、复杂度特征和支持向量机的舰船辐射噪声特征提取及分类识别方法。对四类舰船辐射噪声信号使用变分模态方法分解，得到一定数量的固有模态函数。通过比较提取能量最大的固有模态函数中心频率和排列熵作为特征参数，并利用支持向量机方法对四类舰船信号样本进行分类识别。实验结果表明，该方法可以实现对舰船辐射噪声的特征提取，与已有方法对比，该方法具有较高的识别率。     

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.