基于增强CNN模型的手写字体图像识别

为了提高汉字的识别率,提出了一种改进的图像识别算法,根据偏微分方程理论,提出一种增强CNN模型识别汉字,将原有的图像用高阶差分法进行增强处理,然后在原始的LeNet-5网络结构的基础上,将前两层的激活函数改为ReLu函数,并且去掉C5层以及F6层,通过增加输出层的神经元数来增加汉字的识别率。研究结果表明:经过图像增强和增加输出神经元数的改进,对汉字进行识别,识别率达到了98.44%,相比较于其他汉字识别算法提高了3%～9%,从而证明了算法的可行性。     

特征敏感度与模糊度的弹道目标聚类识别评估

针对现有弹道导弹目标聚类识别算法中,很少同时考虑目标特征敏感度与模糊度的问题,提出了一种基于特征敏感度与模糊度的弹道目标聚类识别算法。该算法通过目标特征类内类间距离,定义目标特征聚类识别敏感度,将两类目标形成的类看成两个圆,利用圆之间的位置关系,定义目标特征聚类识别模糊度,将所定义的特征敏感度与特征模糊度合理组合,作为目标特征对聚类识别好坏的评估因子。仿真实验从特征评估分析和特征组合分析两个方面验证了算法的有效性。     

基于PSO-BP神经网络的HRRP目标识别

为提高雷达目标识别准确率,提出了一种基于PSO-BP神经网络的雷达一维距离像识别方法。利用粒子群优化算法良好的全局搜寻能力,对BP神经网络的权值和阈值进行了优化,弥补了BP神经网络收敛速度慢、存在多个局部极值点的缺陷。利用实测数据对PSO优化前后的BP神经网络的识别性能进行了对比测试。实验结果表明,PSO-BP神经网络具有更高的识别准确率及噪声鲁棒性,分类性能优良。     

多DSP并行的神经网络集成目标识别法

针对分布式信息融合结构、异质传感器条件下的目标识别问题,提出了基于多DSP并行结构的神经网络集成目标识别方法.给出了生成神经网络集成的具体方法,并构造了一个实际的空中目标识别硬件系统.结果表明,系统的目标识别性能明显优于单个神经网络的目标识别性能,且识别目标的速度很快.     

一种新的基于DSmT的合成公式

DSmT是一种有用的不确定推理方法,能较好地解决强冲突情况下的信息融合问题.由于其在组合规则方面存在不足,影响了DSmT的应用.提出了一种新的合成方法,即在保留冲突焦元的基础上对支持证据冲突的概率进行重新分配.仿真分析表明,新的合成公式提高了目标识别的准确性,对于高度冲突的证据,也能够取得理想的合成结果.     

激光告警系统的发展现状与问题

从激光技术在激光制导武器上的广泛应用出发,结合日趋严重的激光威胁,对目前世界各国装备和在研制的主要激光告警系统进行了综述.从光谱识别型、相干识别型和散射探测型3种激光告警系统出发,阐述了各类激光告警系统的现状、关键技术、典型应用,结合近年来的实战与各国的研制情况,对新世纪激光告警系统的研究与发展,提出了新的问题和要求.     

靶场试验与鉴定项目风险管理探讨

靶场试验与鉴定中的风险发生可能会对试验与鉴定目标的实现造成较大的负面影响,要求管理者主动采取有效的风险管理方法来减少风险发生的概率或降低风险带来的损失。鉴于靶场试验与鉴定的项目特性,将项目风险管理的方法应用于靶场试验与鉴定风险管理中,分别从风险管理组织构建、风险识别与评估、风险应对处理策略、风险管理总结评价几个方面进行探讨,为靶场试验与鉴定管理提供借鉴。     

小波分析和神经网络结合的变速箱状态识别

针对变速箱故障信号的非平稳和时变特性,提出了小波分析和神经网络结合的变速箱状态识别方法。为了验证该方法的有效性,试验模拟了某型车辆变速箱正常、7216轴承滚动体点蚀及3挡被动齿轮严重磨损3种状态,以箱体振动信号作为分析信号,首先对信号应用小波阈值法降噪减少干扰,接着将小波分解系数单子带重构得到不同频带的信号分量,提取各频带能量作为特征向量输人神经网络进行状态识别,结果表明该方法能有效识别变速箱的3种状态。     

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.