基于时域模糊决策融合的雷达工作模式识别方法

在雷达工作模式识别中,侦察设备对雷达信号参数的测量误差严重影响了识别效果,针对这一问题文中提出时域模糊决策融合(TFDF)的雷达工作模式识别方法。首先分析了雷达脉冲组特征,在脉冲组层次提取雷达信号的脉冲组描述字(PGDW);然后基于联合隶属度函数改进传统的神经网络硬判决方式,实现雷达信号识别的模糊决策;最后运用DS证据理论将多个时刻的模糊决策融合,从而完成雷达工作模式的最终识别。基于时域模糊决策融合的识别方法可以有效改善参数测量误差对工作模式识别效果的影响。仿真结果以及对比实验表明,文中所提算法具有更好的抗噪性能,在雷达信号的参数测量误差为15%时仍具有90%以上的识别率。     

基于多特征融合的飞机目标识别

为了提高地面背景图像中目标识别的可靠性,提出一种基于多特征融合的飞机目标识别方法.该方法的基本思想是将基于显著性特征提取的目标识别方法与序贯融合方法相结合.首先用最小错误概率准则来描述目标各个特征的显著性,由此得到按显著性从大到小排列的特征序列,再采用序贯的融合方法计算并更新目标的置信度.当置信度大于等于0.9时识别其为真目标.给出了运用此方法识别机场图像中的飞机目标的实例,证明了该方法的有效性.     

复杂背景下序贯显著性特征海面目标检测算法

根据人眼视觉显著性注意机制，提出基于序贯显著性特征的目标识别算法，把复杂背景下的目标识别问题转化为多特征的融合识别，将目标识别过程分成感兴趣区域检测和感兴趣目标检测两个子过程，并建立序贯显著性特征目标识别算法模型，序贯提取复杂图像区域的显著性特征，逐步缩小感兴趣区域范围，然后以基于D-S证据理论的多特征数据融合方法，通过多特征综合置信度的估计与分析，完成可靠的目标识别．试验研究表明，针对复杂背景下海面舰船目标，在相同的虚警概率下，该算法的检测概率比单一的不变矩算法和基于纹理特征算法平均要高20％．     

一种多尺度目标的序贯识别新方法

提出了一种基于分级特征模型的多尺度目标序贯识别新方法，研究了不变矩特征的尺度变化规律；建立了多尺度目标不变矩的分级特征模型，进而完成多尺度目标的序贯识别，多尺度舰船目标的模拟实验表明，这种基于不变矩分级特征模型的序贯识别算法，能有效地完成多尺度目标的识别，从而证实了分级特征模型符合多尺度目标特征的变化规律，有利于表达多尺度目标的特征，提高目标的检测，识别概率，减少计算复杂性。     

一种多尺度目标的序贯识别新方法

提出了一种基于分级特征模型的多尺度目标序贯识别新方法；研究了不变矩特征的尺度变化规律；建立了多尺度目标不变矩的分级特征模型，进而完成多尺度目标的序贯识别．多尺度舰船目标的模拟实验表明，这种基于不变矩分级特征模型的序贯识别算法，能有效地完成多尺度目标的识别，从而证实了分级特征模型符合多尺度目标特征的变化规律，有利于表达多尺度目标的特征，提高目标的检测、识别概率，减少计算复杂性．     

多卷积神经网络模型融合的皮肤病识别方法

针对皮肤病中基底细胞癌与脂溢性角化病的临床特征非常相似、不易区分的问题,提出了一种面向皮肤病识别的多卷积神经网络(CNN)模型融合方法。使用迁移学习方法训练ResNet、Xception、DensNet共3个CNN模型,获得每个模型的最佳识别结果。在此基础上,利用传统融合方法、投票法和均方误差作为损失函数来融合多模型的识别结果,从而提高皮肤病的识别精度。为了有效克服皮肤病识别中噪声的影响以提高模型的精度和泛化能力,提出将最大相关熵准则(MCC)作为多CNN模型融合的目标函数,并使用梯度上升法学习不同模型对最终结果的贡献权重,从而建立基于MCC的多CNN融合模型。在基底细胞癌和脂溢性角化病数据集上的实验结果表明:相比于多个单模型的预测结果,提出的使用模型融合的方法取得了更高的识别准确率;相比于传统模型融合方法,提出的基于MCC的多CNN融合识别模型可以较好地克服噪声并具有较强的泛化能力,识别准确率达到了97.07%,超过了CNN单模型和传统的多模型融合方法。     

一种抗噪孤立字语音识别模型

论提出一种连续隐Markov模型和BP神经网络相结合的,具有两次辨识过程的抗噪孤立字识别模型,首先以连续隐Markov模型完成语音信号的时序建模并提供一次识别信息,以BP神经网络进行后处理,提取二次识别信息,识别结果由两次识别信息共同决定,实验证明,由于有效地利用了隐Markov模型的强时序信号处理能力和BP神经网络的强模式分类和泛化性能,这种识别模型明显地改善了孤立字识别系统的抗噪性能。     

带相关噪声多传感器系统的事件触发贯序和分布式融合估计

对带相关噪声的多传感器系统,研究了事件触发的贯序和分布式融合估计算法.不同传感器之间的观测噪声同时刻相关,并与过程噪声一步相关.为了节省通信能耗,采用了事件触发传输机制,该机制依赖于每个传感器当前的观测值和上一个触发时刻的观测值.在事件触发条件下,提出了在线性最小方差意义上的最优贯序融合和分布式融合估计算法.所提出的贯序融合算法可以根据传感器观测数据到达滤波器的顺序进行实时处理,具有较小的计算负担.所提出的分布式融合算法可以对传感器观测数据进行并行处理,具有更好的可靠性.两种算法与事件触发集中融合算法具有相同的估计精度.仿真结果验证了算法的有效性.     

二相码旁瓣抑制的神经网络方法比较

研究了BP神经网络、RBF神经网络和模糊神经网络在二相码旁瓣抑制中的应用。仿真结果表明,模糊神经网络具有很好的抗噪性能,BP神经网络具有很好的多普勒容错性和多目标分辨能力,RBF神经网络的性能介于二者之间。     

多特征和神经网络相融合的体育视频识别

为了提高体育视频识别的精度,提出一种多特征和神经网络相融合的体育视频识别模型(MF-RBFNN).分别提取反映体育视频的静态和动态特征,然后采用RBF神经网络对静态和动态特征分别分类,并将初步识别结果构造基本概率指派,运用证据理论对初步结果进行融合,得到体育视频识别结果.结果表明,相对于对比模型,MF-RBFNN提高了体育视频识别精度,是一种有效的体育视频识别方法.     

结合注意力机制与时空特征融合的长时程行为识别方法

为了建立基于视频行为识别的长时程图像序列的时空信息模型,文章提出了一种嵌入注意力的时空特征融合网络(attention-embedded spatial-temporal feature fusion network, ASTFFN)的深度神经网络模型。ASTFFN将一个包含动作的长时程图像序列分割成多个重叠的片段,并使用一个注意力嵌入特征提取网络(attention-embedded feature extraction network, AFEN)从每个片段中的RGB图像或光流图像中提取经过注意力加权的时空特征,进而融合每个片段的时空加权特征,生成行为识别的视频级预测。基于UCF101和HMDB51行为识别数据库进行了大量的实验,验证了方法的有效性。与目前主流的行为识别算法相比,该文方法在识别精度上取得了较好的效果。     

融合二维条件熵和脉冲耦合神经网络的图像分割算法

为了在中强度背景噪声图像分割下提高分割精度和处理速度,提出了一种融合二维条件熵和脉冲耦合神经网络(PCNN)的图像分割算法。该算法在分析PCNN阈值衰减规律的基础上,将原指数形式替换成线性衰减机制,构成线性门限-脉冲耦合神经网络模型,以降低循环迭代的总耗时量。此外,借助能够很好反映图像边缘细节等局部结构信息的灰度-梯度共生矩阵,将抗噪性能强的条件熵扩展为二维测度,进而形成最大二维条件熵客观判决准则以获得PCNN的最佳阈值。实验表明,与基于交叉熵的PCNN算法相比,本文算法拥有更强的抗噪鲁棒性,同时处理效率也得到明显提升。     

基于双边滤波-BM3D算法的GPR图像去噪

为了增强地质雷达(GPR)图像,将双边滤波和三维块匹配算法(BM3D)相融合,提出了一种联合去噪算法.同时,研究了不同方差下的峰值信噪比,并采用最大化真实图像和估计图像之间的结构相似性对去噪后的图像进行了客观评价.实验结果表明,与单一的去噪算法相比,联合去噪算法能够更好地保持地质雷达图像中缺陷目标体边缘的完整性,具有较...     

改进U型卷积网络的细胞核分割方法

针对经典U型卷积网络在细胞核分割过程中对距离相近目标的边界较难区分、对模糊目标产生误识别等问题,提出一种改进的U型卷积网络(DU-Net)模型。为增强目标边界特征,提出一种梯度融合方法,计算样本梯度信息并将梯度图多尺度融合至U-Net编码器。解码器浅层特征通过卷积上采样密集连接至深层特征,增加特征的复用性。针对梯度消失问题,DU-Net模型在每个卷积层后采用批归一化和ReLU激活结构。针对经典U-Net模型对模糊目标的误识别问题,提出一种改进的交叉熵损失函数,该损失函数降低了模糊背景点对模型的干扰,同时提高了模型对小目标的识别能力。在2018年数据科学碗公布的670张图片、约29 500个细胞核的公开数据集上验证了DU-Net模型,结果表明,模型的预测结果与真实标签在Dice系数和Jaccard相似系数两项评价指标上分别达到95.9%和91.0%,性能优于U-Net和SegNet编码器,显著优于经典卷积神经网络模型FCN-8s。     

基于信息融合理论的空间点目标识别实验结果分析

提出一种三级融合的多传感器信息融合空间点目标识别方法,将BP网络和D—S证据推理有效地结合起来.第一级融合采用神经网络进行识别,第二和第三级采用D—S证据理论进行识别.仿真结果证明,本文提出的方法能较好地解决复杂目标和诱饵的识别问题.     

基于神经网络－模糊推理的目标识别融合研究

为提高复杂环境下多传感器的自适应信息融合能力,提出了一种基于神经网络-模糊推理的信息融合模型,利用神经网络和模糊推理分析传感器探测状态的不确定性,并将其应用于红外成像/毫米波复合制导目标识别的信息融合,识别效果比较理想,可信度有了很大提高。     

应用模糊神经网络识别岩性

岩性识别在油气勘探开发中占据重要的位置.经过将高木-关野模糊逻辑系统和神经网络BP算法相互集成,提出了一种新兴的模糊神经网络模型——"加-乘"模糊神经网络模型,并通过实际应用得到了很好的效果.与单纯的神经网络或模糊逻辑系统相比,所提出的模糊神经系统既不是一个"黑盒"模型,又不是"粗糙",它同时具备了神经网络和模糊逻辑的优点,所以具有广泛的应用潜力.     

基于人工神经网络的智能识别数字模型

人工识别阿拉伯数字既耗时又费力,提出了一种利用BP网络与竞争网络相结合的神经网络来识别阿拉伯数字的模型,仿真结果表明,该模型能够对数字进行准确、快速地识别,且抗噪能力较好.可以用于对部队番号、邮政编码、证件等进行识别.     

一种改进的全变分自适应图像去噪模型

目的 比较几种不同的变分图像去噪模型的优缺点,提出一种新的根据局部梯度信息自适应调整光滑性测度的模型.方法 新模型增加了梯度模值与两个门限的比较,小于门限1采用各向同性扩散去噪模型,大于门限2采用TV去噪模型,梯度模值在两个门限之间的采用自适应去噪模型.结果 新模型在强噪声水平下,改善了人眼主观视觉感受,均方误差(MSE)降低了约35,峰值信噪比(PSNR)提高了约2.25dB.结论 新模型改进了原有模型,进一步减少了"阶梯"效应,得到了更好的去噪效果.     

基于CDHMM/SOFMNN噪声背景下的语音识别方法

针对噪声背景下传统语音识别系统识别率较低的问题,提出了一种将自组织特征映射神经网络(SOFMNN)与隐马尔可夫模型(HMM)相结合的方法,训练出适应噪声的混合模型.该模型适合于对噪声背景下的语音进行识别.同传统的CDHMM模型以及直接在语音中加入加性噪声训练出的CDHMM模型相比,该模型具有更好的抗噪鲁棒性,在信噪比较低的情况下(2~12 dB),识别率比传统CDHMM模型有明显提高.