基于多尺度稀疏字典的SAR图像目标识别方法

针对合成孔径雷达目标识别问题,提出一种基于多尺度稀疏字典的SAR图像目标识别方法。稀疏字典选择是稀疏表示中的关键问题之一,该方法利用小波多尺度分析构造过完备稀疏字典,将训练样本图像在小波解析域中进行小波多层分解,充分利用小波多尺度分析突出图像局部特征的特点,并和过完备稀疏表示有效结合组成级联字典。通过求解测试样本相应的稀疏系数矢量并根据系数矢量中对应训练样本类别的重构误差判定目标类型。实验结果表明,该方法在识别前无需对SAR图像进行预处理,具有良好的识别效果。     

雷达辐射源识别中数据库的构建及应用北大核心

为满足雷达辐射源识别技术发展和特征参数挖掘的需要,在分析辐射源基本信息和特征参数以及二者之间关联关系的基础上,通过数据库管理系统SQL Server,以E-R模型、数据类型设计为切入点,分别构建了雷达辐射源信息库和特征库。最后,分别从雷达辐射源数据可视化管理、信号调制类型识别、辐射源匹配识别等方面探究了数据库的应用实例。从应用实例的运行效果来看,验证了所构建数据库的科学性和可行性。     

基于时频分析的飞机目标识别

本文利用小波变换对五种飞机目标的雷达回波进行时频分析,得到了回波信号的时频分布图。全面清楚地描述了目标的散射特性。文中通过提取时频分布图的矩特征作为目标特征量,对五种飞机的目标作了识别实验,取得了良好的识别效果     

弹道目标微动特征提取研究

微动特征是弹道目标识别的关键特征之一.针对这一特征,对弹道目标微动特征提取技术进行了分析,主要包括微动信号补偿与分离、微动目标识别以及组网雷达中弹道目标微动特征提取3个部分.同时结合国内外的研究现状,总结了现有的技术手段,并对相关技术的优缺点进行了分析.在此基础上,探讨了弹道目标微动特征提取的需要解决的问题以及未来的发...     

意图驱动的防空武器-目标动态分配方法

武器-目标分配是防空作战指挥决策的重要内容之一,针对此问题大多数的研究都过多考虑己方的态势和有限的目标信息,对敌方目标意图的认知鲜有涉及,结合空中目标作战意图,提出一种意图驱动的防空动态武器-目标分配方法。考虑到敌机的行为对我方决策产生的影响,对采集到的敌机群数据,将专家经验封装为标签,训练融合注意力机制的双向长短期记忆网络（BiLSTM-attention）进行意图识别,根据敌方不同作战飞机的意图,以及敌机的被动属性、我方武器属性、战场环境信息和实时动态信息,提出了意图驱动的武器-目标分配模型（intent-WTA）,使用费用流算法在较短的时间内准确获得最优的武器-目标分配策略,实验仿真结果表明,所提方法可以准确、高效地根据战场局势的动态变化进行武器-目标分配,满足防空作战的实战要求。     

战场“千里眼”家族谱

雷达是利用电磁波发现目标并测定其位置、速度和其他特性的军用电子装备,具有发现目标距离远,测定目标坐标速度快,能全天候使用等特点,在警戒、引导、武器控制、侦察、航行保障、气象观测、敌我识别等方面获得广泛应用,并形成了未来真技术战场的“千里眼”家族。     

神经网络在目标属性识别中的应用研究

首先介绍了目标属性识别的方法,并对多属性决策模型(MultipleAttributeDecisionModel,MADM)目标属性识别模型进行了分析,在此基础上提出了基于神经网络的目标属性识别模型,其能有效地解决目标属性识别问题。     

数据融合与雷达目标识别综述

数据融合技术是70年代兴起的一门新学科。现代战争中,随着雷达、红外、激光及光电等传感器的数量日趋增多,数据融合技术正日益得到广泛应用。介绍数据融合在雷达目标识别中的应用,并揭示出数据融合是解决雷达目标识别之捷径。     

机械振动谱图分析诊断

所有运行的机器都在振动,振动是机器的脉搏,是机器状况的表征。振动谱图则是振动的体现形式之一,是机械运行状态的变化在振动信息中的反映。文中简述振动测量的基本原理,归纳了识别振动谱图要经过频率计算、读谱等步骤,重点对倒频谱分析、功率谱分析法、复包络谱分析、时序模型参数分析法、最大熵谱分析法、自适应消噪法等现有的机械振动谱图诊断技术进行了分析比较,并对其应用前景给予预测和展望,得出各种诊断技术适用对象及其精度。这些结论对机械振动谱图的识别、分析、诊断提供了一定价值的依据。     

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。