一种基于知识的港口识别与理解方法

港口识别技术在军事上有着重要的应用前景。采用由上而下的知识驱动策略,充分利用了港口的图像特征,在低层处理中采用自适应平滑技术(Saint-Marc)进行预处理;中层处理提取港口重要对象目标(包括水域、防波堤和港口轮廓),用阈值分割和区域增长相结合的算法提取水域,用结构特征识别防波堤和港口轮廓;最后在高层处理中借用语义树的概念分析港口重要对象间的关系,采用概率松弛法进行港口的目标检测与识别。     

基于混合贝叶斯网络的非协作式敌我识别系统

混合贝叶斯网络就是允许连续节点和离散节点同时存在的贝叶斯网络。将混合贝叶斯网络应用到非协作式敌我识别系统中,建立了敌我识别的混合贝叶斯网络模型,通过混合贝叶斯网络实现多传感器敌我融合识别及识别可信度分析。仿真结果证明了混合贝叶斯网络可以很好地实现非协作式敌我识别系统的功能,并且该方法直观、准确度高,提高了敌我识别的可靠性。     

基于D-S证据理论的多特征数据融合算法

Dempster-Shafer证据理论是不确定推理的一种重要方法,提供了一定程度的不确定性,可以指定给相互重叠或互不相容的命题,然后通过Dempster组合规则将不确定性信息在新证据中进行重新分布,该理论在许多方面都得到了广泛的应用.将来自图像传感器的多种图像特征,通过D-S证据理论将这些特征信息进行融合,并应用于目标的识别.实验结果表明D-S证据理论用于多特征数据融合的目标识别算法是有效的,基于该理论的多特征数据融合具有广阔的应用前景.     

基于概率神经网络的空袭目标识别

针对BP网络的不足,提出基于概率神经网络(PNN)进行空袭目标识别的方法。首先提取空袭目标的速度、高度、机动加速度和雷达反射面积等特征并进行归一化处理,作为输入层数据,然后建立了概率神经网络目标识别模型。M atlab仿真实验表明,该方法识别空袭目标简单快速且准确率高,具有良好应用前景。     

基于空间方向相似性的编队队形识别算法

编队队形识别是反舰导弹智能末制导技术的一个发展方向,是将导弹实际探测到的敌方编队样式与事先存储在导弹上的编队样式进行对比,通过一种匹配算法对其进行一对一的匹配,进而分析编队的性质,进行火力分配决策,达到选择预定目标的目的。由于队形中各舰位置主要用方位来表述,所以可将编队队形看作二维空间中的一个场景,把已知队形作为模板,通过计算与模板的场景相似性实现对队形的识别,为反舰导弹目标识别与火力分配提供决策支持。     

坦克炮控系统三维实体建模

针对坦克炮控系统摩擦力矩的非线性问题,以某型坦克炮控系统水平向分系统为例,建立了基于RecurDyn的炮塔转动惯量和摩擦力矩的三维实体模型,并与MATLAB/Simulink协同仿真,实现了三维实体模型的驱动,反映了炮塔转动惯量和摩擦力矩。仿真结果验证了摩擦力矩的非线性,从而为炮控系统炮塔摩擦力矩模型研究和摩擦力矩非线性补偿问题研究提供了依据。     

自组织特征映射网络在目标分类识别中的应用

为了在日趋复杂的空战环境中准确分析出目标的类型,以达到辅助决策之目的,采用自组织特征映射网络来对目标进行分类识别.首先提取影响目标识别的类特征,然后对其预处理.在此基础上建立SOM网络目标识别模型,并利用SOM网络算法实施无监督的自组织学习.在学习的过程中,通过不断调节网络节点间的权向量,来实现目标聚类.最后,通过仿真验证了该方法在目标分类识别中的可行性和实用性.     

“动中通”系统中的跟踪识别技术

天线跟踪与卫星识别是"动中通"系统中的关键技术.首先在对各种跟踪方式比较分析的基础上,提出了一种基于惯性制导、程序跟踪和圆锥扫描跟踪的组合天线跟踪方案,缩短了系统搜索卫星的时间,提高了天线跟踪卫星的精度;而后通过分析卫星可供识别的特征,提出了应用解码后的数据流特征进行识别卫星的方案,降低了系统对传感器部件的精度要求,降低了系统成本.     

基于不变矩和神经网络的目标识别方法

针对寻的导引头成像制导中实时采集图像由于存在几何失真及像质模糊而导致目标识别精度差的问题,提出了一种基于不变矩和神经网络的目标识别方法.该方法采用一种改进的不变矩算法提取目标图像的不变矩特征量来训练BP神经网络,实现目标图像的识别和分类.仿真结果表明该不变矩特征库训练的神经网络分类器具有较高的识别精度,是一种比较实用的目标识别方法.     

如何识别真假调味料

调味料在每个家庭的生活中都是必不可少的,可是,人们从市场上买回了调味品,却发现是假的,让人很是恼火。为了您和家人的健康,怎样识别呢?八角茴香正品:果实多由8个骨朵果组成,放射性排列于中轴上。骨朵果长1～2厘米、宽0.3～0.5厘米、高0.6～1厘米。外表红棕色有不规则皱纹,顶端呈鸟啄状,上侧