基于深度时频特征学习的雷达辐射源识别

针对雷达辐射源识别中拓展能力不足和识别率不高问题进行研究,提出一种基于深度时频特征学习的智能识别方法。基于降采样短时傅里叶变换高效提取具备较高辨识度和稳定性的浅层二维时频特征,利用信号局部频域维稀疏性完成降噪等预处理;设计用于深度特征学习与识别的卷积神经网络,并采用不同尺度卷积核组合扩展网络广度,强化特征表征能力;利用高信噪比条件下8种辐射源信号样本对网络进行训练调优,低信噪比样本测试验证算法和网络的有效性。仿真结果表明,该方式在-8 dB信噪比条件下能达到98.31%的整体平均识别率,具备较强的鲁棒性。     

基于CNN的窄带雷达空中目标识别方法

空中目标识别是雷达的重要用途之一,窄带雷达因体制限制,无法获取目标高分辨识别信息供分类识别。为解决窄带防空预警雷达对空中目标识别判性难的问题,提出了基于卷积神经网络的空中目标识别方法,就空中目标识别判性模型的构建、训练数据集的生成进行了研究,采用模拟数据集及实测数据对模型进行了检验,结果表明该方法具有较好效果。     

多粒度直觉模糊三支决策及在目标识别中应用

针对直觉模糊三支决策模型在反映问题时存在不完全性以及统计特性单一的缺陷,将粒计算中多粒度空间描述问题的思想与直觉模糊三支决策模型的思想相结合,提出了多粒度直觉模糊三支决策模型。因不同粒空间呈现统计特性不同,给出具有一般性的乐观和悲观多粒度直觉模糊三支决策模型的定义。根据正域及负域不变的原则定义了多粒度直觉模糊三支决策模型的属性约简。基于Bayes最小风险理论对多粒度直觉模糊三支决策模型中的参数进行确定。将乐观多粒度直觉模糊三支决策模型应用于弹道导弹目标识别问题中。     

基于半监督谱聚类的通信网台识别方法

针对通信网台识别准确率较低的问题,提出了一种基于半监督谱聚类的通信网台识别方法。通过密度峰值的方法构造决策图,得到通信网的数目;在谱聚类算法的基础上,利用侦察方掌握的先验知识,通过成对约束信息更新谱聚类算法的相似度矩阵,提升聚类算法性能,得到最终的网台识别结果。实验结果表明,该方法可以有效地利用知识库中已有的成对约束信息,较好地完成通信网台识别。     

多目标跨摄像头跟踪技术

多目标跨摄像头跟踪,指的是对于多个被寻目标,在不同场景的摄像头中找到他们出现的时间和空间信息并加以关联。算法综合利用人脸检测、行人检测、目标跟踪、人脸识别和行人再识别等技术,形成一个统一的技术框架。无论是在实现框架上,还是在准确率上都能达到商用水平。在南京市举办的全球人工智能应用大赛中获得了二等奖。     

基于Hu矩的无人直升机着舰标志识别方法

针对无人直升机自主着舰中准确识别着舰标志的需要,提出了一种基于Hu矩的无人直升机着舰标志分块匹配识别方法。分析了无人直升机自主着舰中的着舰标志识别问题,给出了基于分块匹配的着舰标志识别处理流程;在此基础上,实现了对视觉图像在不同场景下的预处理;最后,在不同场景下对所提方法的有效性与可行性进行了实验验证,结果表明,应用该方法能够较好地实现对着舰标志的识别,具有一定的军事应用价值。     

战场数据融合仿真系统设计与实现

介绍了一种战场数据融合仿真系统的设计与实现方法。该系统由场景设定、信号产生、融合跟踪处理、目标识别、态势与威胁估计与数据库支持等功能子系统组成,模拟了数据融合的整个信息处理流程,包括:主动探测雷达、雷达侦察设备、通信侦察设备和敌我识别器获取敌我目标观测信息、利用多传感器跟踪数据对目标进行融合跟踪、提取辐射源电磁信息特征对敌方目标识别,进而形成态势与威胁估计。最终在Visual C#开发平台上利用MapX和ORACLE开发了战场数据融合仿真系统,并成功应用于实际系统中,取得了较好的效果。     

单信道时频重叠MPSK信号的调制识别方法

提出一种基于高阶循环累积量的调制识别算法,用于解决单信道两个时频重叠M PSK信号的调制识别问题。对接收到的重叠信号进行预处理,计算其四阶循环累积量,提取分类特征参数,采用最小误差准则算法实现时频重叠双信号的自动分类。理论分析和仿真试验结果均证明了算法的正确性和有效性。     

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.