基于深度迁移学习的低分辨雷达目标识别方法

针对低分辨雷达人工目标识别效率较低的问题,提出了基于深度迁移学习的雷达自动目标识别方法。该方法利用雷达回波序列轮廓像构建空中目标数据集,使用深度卷积神经网络自动提取回波数据中的深层特征,并对雷达目标进行分类识别。为了解决深度学习对样本量的巨大需求,在分类模型训练时,引入迁移学习思想,将经ImageNet数据集预训练过的初始网络模型迁移到雷达目标识别任务中,再通过空中目标数据集对模型参数进行微调,实现小样本条件下对空中目标的粗分类。实测数据的结果表明：所提方法能够在小样本条件下较为准确地对空中目标的大小和架次进行分类识别,具有良好的识别性能。     

基于代价敏感多类别三支决策的目标意图识别方法

针对传统意图识别算法在现代化空中对抗中识别飞机行动意图结果存在冲突,甚至无法识别目标意图的问题,提出了一种基于代价敏感多类别三支决策的目标意图识别方法;建立意图识别与代价敏感多类别三支决策相结合的数学模型,在每一个识别阶段计算出误分类代价损失值最小的那一种意图分类,得到唯一的识别结果,避免冲突结果的产生,同时,引入误分类代价第二最小损失的分类结果作为延迟域的备选选项,弥补多类别三支决策延迟域缺失的这一状况。最后通过仿真实验,验证了设计算法的有效性。     

基于双层随机森林的空袭目标识别

空袭目标识别是防空作战指挥决策的关键环节,针对空袭目标特征繁杂容易造成模型拟合和识别精度不高这一问题,为提高空袭目标的识别能力,提出了一种基于双层随机森林的空袭目标识别算法。该算法在第一层随机森林通过计算基尼指数变化量对特征进行重要性评估和优选,然后在第二层随机森林进行数据降维和目标识别,相较传统随机森林能够提高目标识别的准确率和稳定性。将该算法与传统随机森林、支持向量机和PNN神经网络进行对比分析,仿真结果表明该算法能够在保证识别准确率的基础上同时具有较高的识别速度和识别稳定性。     

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。     

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。