基于 Mellin 变换的利用双谱估计进行空中雷达目标识别

作者根据空中雷达目标快速机动的特点,提出了一种利用Ｍｅｌｌｉｎ变换及双谱估计提取目标特征量,应用最近邻（ＮＮ）法则进行综合判决的目标识别方法,并给出了计算机仿真实验结果。结果表明,该方法具有良好的抗噪声能力和较高的识别率。     

融合图嵌入的光滑主成分分析网络图像识别算法

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。将图嵌入思想融入PCANet,提出一种新的图像识别算法光滑主成分分析网络(Smooth-PCANet)。为了验证Smooth-PCANet算法的有效性,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。     

融合空间偏好和语义的个体活动识别方法

个体活动识别对用户画像、个性化推荐、异常行为检测、群体行为分析和基于活动的资源配置优化具有重要价值。提出了一种基于稀疏的社交媒体签到数据的个体活动语义识别方法,从签到数据中提取活动行为的时间周期性和趋势性特征,并采用空间偏好量化算法,从个体与群体活动的空间关联中提取群体和个体的空间访问偏好,使用自然语言嵌入工具BERT模型提取访问兴趣点的语义。时间特征、空间偏好特征和访问兴趣点名称语义特征共同构成表征群体、个体偏好的时空联合特征,通过极限梯度提升分类器对其进行分类,得到活动语义识别结果。在Foursquare数据集上的对比实验和消融实验中验证了所提活动语义识别模型可以有效提升活动语义识别的准确性。     

一种基于模糊竞争网络的主动声纳目标分类器

提出了一种基于模糊竞争网络的主动声纳目标分类器。该分类器结构简单,学习速度快,仅用少量样本进行训练便可获得良好的推广性能．便于实时学习和应用。通过对模式属于各类别的隶属度的分析,可以知道判决的可靠性,具有较好的应用价值。     

改善海空背景下红外弱点目标识别性能的理论方法探讨

针对舰载红外警戒系统的实际需要,对改善海空背景下红外弱点目标识别性能的方法进行了探讨.在对舰载红外警戒系统中弱点目标识别的技术难点及点目标场景图像模型进行分析的基础上,提出了改善海空背景下红外弱点目标识别性能的3种方法.     

Zernike矩的不变性分析及其改进

Zernike矩作为一种基于区域的形状描述子,具有良好的旋转不变性,能够很好地提取图像内部的形状信息。介绍了Zernike矩的定义,对其不变性进行了深入分析,并对Zernike矩算法进行了改进,使其在具有良好的旋转不变性的基础上,也具有较好的平移不变性和比例不变性。结果表明,改进后的Zernike矩具有更好的不变性,可更好地应用于图像识别中。     

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。     

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。     

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。     

基于RNN汉语语言模型自适应算法研究

深度学习在自然语言处理中的应用越来越广泛。相比于传统的n-gram统计语言模型,循环神经网络(Recurrent Neural Network,RNN)建模技术在语言模型建模方面表现出了极大的优越性,逐渐在语音识别、机器翻译等领域中得到应用。然而,目前RNN语言模型的训练大多是离线的,对于不同的语音识别任务,训练语料与识别任务之间存在着语言差异,使语音识别系统的识别率受到影响。在采用RNN建模技术训练汉语语言模型的同时,提出一种在线RNN模型自适应(self-adaption)算法,将语音信号初步识别结果作为语料继续训练模型,使自适应后的RNN模型与识别任务之间获得最大程度的匹配。实验结果表明:自适应模型有效地减少了语言模型与识别任务之间的语言差异,对汉语词混淆网络进行重打分后,系统识别率得到进一步提升,并在实际汉语语音识别系统中得到了验证。