基于多神经网络分类器的目标识别仿真实验研究

水下目标识别在国防及国民经济中具有重要的作用，为了提高神经网络分类器分类结果的有效性和可靠性，本文提出了一种利用多神经网络分类器输出向量来实现对各分类器进行加权的算法，舰船目标实测数据分类实验证明：基于该算法的多分类器融合技术能有效地提高目标识别的性能，同时选择适当的表决阈值又可提高分类结果的可靠性。因此，该算法在水下目标识别系统中具有一定的工程应用价值。     

多分类器融合中一种新的加权算法

提出了一种直接采用分类器的输出向量来计算各分类器的加权算法，它能直接利用在分类器的输出端提供的“测量级”信息，通过加权函数将“测量级”信息转化为对分类器的加权，为了提高系统的可靠性，在实验中还分析了表决阈值的选取。     

联合多判据的图像融合算法

常见的基于小波变换的图像融合方法只是从小波系数的某一特性的单一角度来考虑小波系数的选取，因而只适合图像中某一特性的融合。为寻找一种有效的小波系数融合方法，从数据融合的角度出发，提出了一种有效的融合算法。该算法采用投票表决法来联合小波系数选取中的多个判据，并综合考虑小波系数的选取。实验表明，与单一小波变换系数融合方法相比，本方法能有效地提高融合图像的质量。     

一种对信道差错鲁棒的多描述编码算法

结合过完备小波变换和凸集投影集(POCS)算法，提出了一种对信道差错鲁棒的多描述编码算法．该算法在编码器端采用过完备小波变换来引入冗余，并通过量化比例因子来调整编码中的冗余度；在解码器端使用POCS算法来重建图像．实验表明，该算法在删除信道中具有非常优良的性能，它不仅能利用冗余的小波变换系数来提高中心解码器的性能，还能利用冗余小波变换系数来克服信道差错．