基于双谱切片小波包的雷达体制识别技术

根据机械扫描雷达、一维相控阵雷达和二维相控阵雷达扫描方式的差异,通过对3种体制雷达进行双谱分析、切片化处理以及小波包分解,提出了双谱切片小波包的概念,并根据此特征用支持向量机对不同体制的雷达进行识别.仿真结果表明:该方法在噪声占比为0～20％时,可分性好,并且在噪声占比增大时,通过该特征仍能对不同体制的雷达进行有效识别.     

基于Matlab神经网络的水下目标识别

为了实现对水下目标的识别,在现有特征提取方法的基础上,提出了目标像素灰度分布特征提取方法,并针对水下光信号衰减的情况,采用了色彩"补偿"的解决方案.对图像矩阵通过奇异值分解得到了目标有效维特征向量,分类器设计采用了Matlab环境下的BP神经网络,识别结果是令人满意的.这对猎雷具装备的发展具有一定的参考价值.     

径向特征下的改进三角形星图识别算法

三角形星图识别可靠性与可操作性较强,目前仍在广泛使用,但是三角形星图识别算法存在冗余匹配和误识别。通过星点的几何分布构建星点的径向特征量,依据径向特征量对星图进行初始识别,将拍摄星点的识别结果限定在数颗导航星上。在初始识别的基础上,运用三角形星图识别算法再次进行识别,使三角形星图识别更具针对性,同时提高识别的正确性。实验结果表明,采用基于径向特征的改进三角形识别算法,星图识别的准确性和针对性都得到了提高。     

一种基于组合特征的大肠杆菌σ70启动子识别算法

启动子识别是研究基因转录调控的重要环节,但目前算法的识别正确率偏低.在深入分析启动子生物特征的基础上,提出了一种基于多种特征组合的大肠杆菌σ70启动子识别算法,在启动子序列的组成特征、信号特征和结构特征中选取10种典型特征,以此为依据,对位于非编码区和编码区内部的启动子分别加以识别.首先通过特征描述模型分别计算各种特征在启动子序列和非启动子序列中的得分,将特征得分组合成10维特征向量,再利用二次判别分析法在特征向量集上进行训练和识别.在实际数据集中进行的刀切法测试验证了算法的有效性.对位于非编码区的启动子,平均正确率达到了86.7%,明显优于其它算法;对位于编码区内部的启动子,平均正确率也达到了82.4%.算法还具有良好的可扩展性,能够方便地容纳新特征,使识别性能不断提高.     

联合多层次深度特征的SAR图像目标识别方法

提出了联合多层次深度特征的合成孔径雷达(SAR)目标识别方法。采用卷积神经网络(CNN)学习SAR图像的多层次深度特征。多层次的深度特征从不同方面描述原始SAR图像中的目标特性,从而为目标识别提供更充分的决策依据。为了充分发掘不同层次深度特征的独立特性以及它们之间的内在关联,采用联合稀疏表示对多层次的深度特征进行联合分类。根据各层次特征的整体重构误差判定目标类别。采用MSTAR (Moving and Stationary Target Acquisition and Recognition)公共数据集对提出方法进行了性能测试。实验结果表明,该方法的识别性能显著优于现有的SAR目标识别方法。     

基于PSO-NARX网络的涡轴发动机稳态模型辨识

提出一种基于粒子群优化算法-外部输入非线性自回归网络(PSO-NARX)的涡轴发动机稳态模型数据驱动辨识方法.构建涡轴发动机稳态模型,然后结合三点自适应判断法从直升机飞参数据提取发动机稳态时的数据,采用PSO-NARX方法对涡轴发动机稳态模型进行回归辨识.结果表明,辨识所得模型输出参数燃气发生器转速ng、发动机排温EG...     

毫米波雷达手势识别综述

围绕雷达手势识别技术中的动态手势信息感知、手势回波信号预处理,手势特征提取及分类算法等关键技术,对国内外公开发表的相关文献进行了归纳总结,对现有方法的性能进行了分析和评价;梳理了该研究近年来基于毫米波雷达技术的手势识别研究发展方向上亟待解决的问题,并对未来的研究方向进行了展望.结果 表明,雷达手势识别技术已经在人机交互...     

桅杆模型中纤绳初张力识别

桅杆有限元模型一般用实测平衡张力作为纤绳的初张力,研究表明这种做法对桅杆振动特性的影响不可忽略,有必要对有限元模型中纤绳初张力进行识别。针对实测数据可能少于、恰好或多于能确定纤绳初张力所需数目等3种情况,分别给出了纤绳初张力的识别方法,并结合算例对方法进行了验证,结果表明其方法执行效率高,提高了桅杆有限元分析的准确性。     

“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。