利用多层神经网络实现核爆/非核爆的模糊综合评判方法

着重讨论了模糊综合评判与ＢＰ网络结合的原理,构造了一个可实现模糊综合评判的ＢＰ网络,并将其用于核爆／非核爆识别。以美国ＮＢＤＳ的软件判据为基础,检验了识别的效果。结果表明,对实测９个核爆样本均能正确识别,对模拟产生的３５个核爆非核爆样本,误识２个,总的正确识别率达到９５．５％。     

中近距离爆炸与地震的识别

建立了一种识别中近离爆炸与地震的方法,采用Ｆｉｓｈｅｒ线性差别和多层前馈神经网络２种模式识别方法对河北地区和山西地区２的类事件进行了识别,实验证明：Ａｐ／Ａｓ,Ｔｓ具有较好的分类能力,Ｍｌ／Ｍｄ的分类能力一般;实验还表明,鉴别量的分类能力不仅与传播有关,还与采用的模式识别方法有关。     

小波分析及其在核爆与闪电识别中的应用

探讨了基于小波变换的特征提取与识别方法,并将该方法用于核爆信号与闪电信号的识别中,结果表明,该方法是很有效的（正确识别率几乎可达１００％。     

水雷磁引信目标识别技术初探

目标识别技术应用于水雷磁引信的关键是目标特征量的提取与分类器的设计。本文提出了舰船目标吨位识别的四维特征向量,设计出完整的二叉树分类器。仿真计算表明,这种特征量的正确识别率在90％以上,为目标识别技术在水雷磁引信中的应用作了有益的探索。     

运动目标轨迹分类与识别

运动目标轨迹识别是运动分析中的基本问题,其目的是解释所监视场景中发生的事件,对所监视场景中运动目标轨迹的行为模式进行分析与识别,智能地做出自动分类.对轨迹有效性判断后采用K均值聚类,引入改进的隐马尔可夫模型算法,针对轨迹的复杂程度对各个轨迹模式类建立相应的隐马尔可夫模型,利用训练样本训练模型得到可靠的模型参数,计算测试样本对于各个模型的最大似然概率,选取最大概率值对应的轨迹模式类作为轨迹识别的结果,对两种场景中聚类后的轨迹进行训练与识别,平均识别率较高,实验结果表明该方法是有效的.     

基于时间融合的雷达辐射源自动识别方法

雷达辐射源识别是雷达对抗信号处理中关键环节,也是电子目标识别的重要前提.介绍了Dempster组合规则和加权M-距离法、灰关联分析法等时间融合的雷达辐射源自动识别方法,提出了基于证据理论的单传感器时间融合算法,研究了单传感器在不同时间测量周期的证据综合过程,并给出仿真试验结果.随着噪声的增大,传感器单次时间融合的正确识别率下降很快,而采用基于D-S证据理论的单传感器时间融合方法却有较高的正确识别率,该算法大大降低了错误识别率.因此提出的算法是可行的.     

基于D-S推理的灰关联通信电台识别研究

为了解决通信电台识别问题,在灰关联识别的过程中,引入D-S证据理论,通过对信号的积累和对信任度的重新分配,对识别结果进行了有效的融合,提高了辐射源的正确识别率。仿真结果表明了该方法的可行性和有效性。     

基于D-S证据理论的机载雷达模糊识别方法

针对机载雷达信号的复杂性和模糊性等特点,提出一种D-S(登普斯特-谢弗)证据理论和模糊理论组合应用的方法用于对机载雷达的识别。通过对信号的积累和对信任度(模糊隶属度)的重新分配,有效地解决了机载雷达信号的不确定性问题以及如何利用信号在时间上的冗余信息问题,提高了信号的正确识别率。仿真实验和正确识别率的统计结果验证了这种方法十分有效。     

基于属性测度理论的辐射源识别

针对复杂电磁环境下辐射源识别困难的问题,提出了基于属性测度理论的辐射源识别方法。介绍了属性测度理论的相关知识,详细分析了属性识别模型,列出了基于属性测度的辐射源识别算法并给出了识别模型。最后通过仿真实验验证了此算法能有效处理辐射源信号参数的不确定性和模糊性,辐射源识别率优于经典的模板匹配法识别率。     

基于小样本学习的军事装备识别技术

针对军事装备样本稀缺昂贵、目标识别研究进展缓慢等问题,从人类认知科学出发,提出利用民用装备数据完成深度学习训练,实现大样本知识积累;采用模式识别算法提取装备武器特征,实现样本目标识别。通过分析2种样本属性空间距离,利用卷积神经网络作为前端,采用SIFT算法作为后端,构建递进学习模型,实现对多种军事装备的高效识别。实验测试模型识别坦克、战机和军舰平均置信度分别为87%、92%和91%,军事装备武器样本数量决定目标识别精度,样本泛化可提高目标识别率。提出的递进学习模型充分利用深度学习和模式识别算法优势,实现军事领域武器装备小样本目标识别。     

一种新的重频调制类型自动化识别方法

针对雷达重频调制类型模式识别中存在的问题,提出了一种可以自动化识别PRI调制类型的算法,易于工程化实现。该算法通过对脉冲序列提取特征向量完成调制类型的识别,并给出特征参数的描述。实验仿真和实际应用均表明该方法正确识别率高,可有效地识别PRI调制类型并输出特征参数。     

基于CRNN的汽车发动机声纹个体识别方法

为提高声纹个体识别率,提出了一种基于卷积神经网络(CNN)和深度循环神经网络(RNN)的声纹个体识别方案CRNN,用于发动机声纹个体识别.该方法通过优化CRNN网络参数,挖掘声谱图"纹路"特征和时序特征,解决现有方法不能充分利用声音信号特征的问题.基于实采汽车发动机声音信号的仿真结果表明,相对于传统方法,改进CRNN能获得更高识别率,达到了98.75％.     

云模型和特征辐射源信息的平台目标识别

平台目标识别一般分为两个步骤,首先是对平台上辐射源的识别,然后通过辐射源和平台的关联进行平台识别.在辐射源识别阶段提出利用云模型描述和处理参数存在区间模糊和观测具有噪声的数据,较好地解决了对于带有复杂调制信号的辐射源识别问题.在平台识别阶段,就辐射源和平台关联的各种结果给出了新的计算样本和模板间匹配度的方法,并且提出利用平台的特征辐射源信息对平台识别结果进行进一步的筛选,以提高识别率.最后用仿真验证了该方法的有效性.     

基于循环谱和2DMSD的MIMO雷达信号调制识别

针对多输入多输出(Multiple-InputMultiple-Output,MIMO)雷达信号调制识别存在的问题,提出一种循环谱和二维最大散度差(Two-DimensionalMaximum Scatter Difference,2DMSD)线性判别分析相结合的新方法。首先对典型MIMO雷达信号进行循环谱变换,在此基础上,利用2DMSD线性判别分析对上述二维图像进行特征提取,最终达到调制识别的目的。仿真结果表明,在低信噪比时,该方法仍然具有较高的识别率。     

模糊自组织神经网络及其在信息融合目标识别中的应用

本文重点研究了在目标识别领域中信息融合技术的神经网络模型,针对特征层融合的高维数、量纲不统一、信息表达方式差异等特点,利用模糊自映射神经网络来实现特征间的有效融合。经实验仿真证实,这一融合方法较单源识别正确识别率提高７个百分点左右     

基于模糊支持向量机的发动机故障诊断方法

发动机的故障样本少,用神经网络进行故障类别的学习和分类往往会出现过学习、泛化能力不高以及局部极小点等问题。针对这一缺陷,将基于小样本理论的支持向量机学习方法应用到发动机的故障诊断中。同时讨论了3种多故障分类器的优缺点,并用引入模糊隶属函数的方法解决了“一对多”方法在构建多故障分类器时存在的分类盲区,提高了分类器的分类精度。用该方法对发动机常见的8种状态模式的样本进行训练和识别,训练样本和测试样本都有较好的识别率。     

基于神经网络的语音识别系统

本文研究神经网络的多层感知器模型在语音识别中的应用。为达到实时识别的效果,笔者设计了TMS32010数字信号处理板,它与PC/XT机构成主-从系统,由PC/XT机管理数据,TMS32010进行高速运算,实验中,考察了神经网络对数字语音的识别能力,识别率达到95％以上,结果表明,用神经网络进行语音识别是一种很有前途的方法。     

基于序列样本的威胁雷达信号识别方法

针对传统信号识别速度慢和对无法识别持续时间短的威胁雷达信号等问题,研究了信号序列样本构建方法和变步长匹配方法,提出了一种基于序列样本的威胁雷达信号识别方法。该方法根据先验知识构建雷达信号序列样本,采用变步长匹配法对脉冲流进行匹配识别,并对持续时间较短的雷达信号进行处理。仿真实验验证了基于样本序列的威胁雷达信号识别方法的有效性和可靠性,实验表明该方法对复杂环境和复杂体制雷达信号的适应能力强,正确匹配率高。     

两向二维NFA及其在SAR目标识别中的应用

通过对传统线性鉴别分析局限性的分析,提出一种基于两向二维非参数特征分析((2D)2NFA)的SAR图像目标识别方法,该方法有效克服了线性鉴别分析的固有缺陷并且运算量也大大降低。首先,定义一种图像矩阵的近邻样本选取方法,继而利用k近邻样本构造(2D)2NFA的类间散度矩阵和类内散度矩阵,然后使用(2D)2NFA提取样本的特征,最后在特征空间中使用简单的最近邻分类器进行待识别测试目标的分类识别。用美国运动和静止目标获取与识别(MSTAR)计划录取的SAR图像数据进行了仿真实验,实验结果表明(2D)2NFA增强了提取特征的可鉴别性,能够获得更高的识别率,而且减小了特征维数。     

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。