基于模糊机会约束SVDD的故障诊断方法

针对使用不确定性数据进行多故障模式诊断问题,以模糊事件的可能性测度为基础,提出一种基于模糊机会约束支持向量数据描述的诊断方法。为有效地求解故障分类模型,提出模糊机会约束规划的对偶规划,根据贯序最小算法 (sequential minimal optimization,SMO)思想提出快速训练算法,利用支持向量数据描述使用一类数据求解分类面的优势,构建多类分类器。数值试验表明,本方法可以有效处理基于不确定数据的故障诊断问题,在故障类别较多的情况,速度有较大提高,具有一定实践意义。     

基于倒谱分析的被动水声目标分类

被动声纳捕捉的目标一般是船舶或鱼雷的辐射噪声。该辐射噪声可视为周期性激励与信道传递函数的卷积构成。利用同态分析进行目标分类,即通过倒谱分析将各噪声分量变为线性相加关系,实现各信号分量以及信道的分离,以便提取信号特征进行分类。通过对实际信号的分析,证明水声信号的倒谱特征在概率意义上含有比较稳定的类别信息,基于支持向量机的分类实验结果,说明了根据倒谱特征识别被动水声目标的可行性。     

基于支持向量机的空中目标大类别分类

针对已有空中目标识别方法存在的经验风险大、识别率低等不足,依据空中目标的分类原则和纠错码设计原则,设计了针对该问题的纠错码,并训练了码位分类器,最后给出了基于支持向量机的空中目标大类别分类算法。该方法采用纠错编码支持向量机的多类分类技术,降低了经验风险,能对误差进行自动修正,有效地提高了识别率和识别速度。最后给出了一个算例,结果证实了该算法的有效性,并给出了与同类算法的比较结果。     

基于决策树的快速SVM分类方法

为提高支持向量机（support vector machine, SVM)算法对大规模数据的适应能力,加快SVM算法的分类速度,提出一种基于决策树的快速SVM分类方法。该方法的重点在于构建一棵决策树,将大规模问题分解为相对简单的子问题,树中节点由线性支持向量机组成,每个节点包含一个决策超平面,分类过程取决于节点的数量。此方法在分类复杂样本时避免了使用非线性核函数。并且由于使用线性核函数,则不用进行模型选择,进一步加快了样本的分类速度。实验表明,针对大规模多特征数据的非线性分类问题,该方法比传统方法具有更高的速度。     

基于超曲面的多类分类方法

使用支持向量机对非线性可分数据进行分类的基本思想是将样本集映射到一个高维线性空间使其线性可分 .基于 Jordan曲线定理 ,提出了一种通用的基于分类超曲面的分类法 ,它是通过直接构造分类超曲面 ,根据样本点关于分类曲面的围绕数的奇偶性进行分类的一种全新分类判断算法 ,不需作升维变换 ,不需要考虑使用何种核函数 ,而直接地解决非线性分类问题 .对数据分类应用的结果说明 ,基于分类超曲面的多类分类法可以有效地解决非线性数据的分类问题 ,并能够提高分类效率和准确度 .     

基于时频分布的空间锥体目标微动形式分类

空间锥体目标的微动形式分类对空间目标识别、参数估计等有着重要意义。针对这一问题,提出了一种从雷达回波时频分布中提取特征对微动形式进行分类的方法。首先分析了空间锥体目标的散射特性,在此基础上建立了等效散射点模型,并与传统的一般散射点模型比较,电磁计算结果进一步证明了提出模型的正确性;在特征提取阶段,基于能量强弱提取了回波时频分布中包含微动信息的区域,并针对自旋、进动、章动3种微动形式下瞬时频率变化的差别提取了4种特征;最后基于等效散射点模型仿真产生训练数据集、电磁计算产生测试数据集的模式,使用支持矢量机（support vector machine, SVM）分类器的分类实验结果表明新方法在一定信噪比条件下可有效实现对微动形式的分类。     

基于多传感器数据融合的机动目标跟踪自适应学习方法

考虑到传感器对目标的观测都存在有偏差，同时针对雷达系统检测中存在漏检的现象，提出了一种适用于处理传感器漏检现象的多传感器融合方法。并以雷达／红外成像复合的双模制导体系下红外和雷达两种传感器对目标状态的检测和跟踪为例，给出一个完整的多传感器数据融合和目标跟踪自适应方法。该方法简单易行，鲁棒性强，通过对红外成像和雷达系统的数据融合和目标跟踪的数字仿真，表明该方法有效。另外，该方法同样适用于多于两个多传感器系统。     

模式分类方法研究

分析了模糊K-近邻方法FKNN,研究了模糊最小最大神经网络FMMNN分类方法,然后深入分析了支持向量机SVM原理,并在此基础上给出了一种改进的径向基核函数。基于IRIS数据,进行了计算机仿真实验,结果表明,改进的SVM方法分类性能比模糊最小最大神经网络与模糊K-近邻算法的分类性能更好,且运算时间更短,更易于实时实现。     

基于Adaboost的作战目标属性判定方法

传统作战目标属性判定主要采用指挥员现场判断的定性方法, 具有一定的主观性, 并且由于缺乏较为成熟固定的算法而难以纳入指挥平台中。针对此问题, 结合作战目标属性判定关键影响因素分析, 提出一种基于自适应提升(adaptive boosting, Adaboost)的作战目标属性判定方法。首先, 针对目标有效面积、目标配置区域面积等关键因素, 采用单层决策树算法构建弱分类器。然后, 利用Adaboost对弱分类器进行加权组合, 形成作战目标属性判定的强分类模型。最后, 进行了示例分析, 并与决策树、支持向量机和人工神经网络3种属性判定方法进行对比仿真实验, 证明了所提方法的正确性和优越性。     

一种新的支持矢量数据描述模糊识别方法

支持矢量机(SVM)是一种两类分类器,而支持矢量数据描述(SVDD)是一种单类数据分类方法,通过在特征空间寻找包含某类样本的最小超球体来对样本分类,该方法只需已知某类数据即可构造分类器.但是在SVDD方法中,直接根据超球体构造的分类器对样本数据正确识别能力不高.针对这个问题,根据样本在特征空间中到各个超球体球心的距离构造了样本属于各-个类别的模糊隶属度函数,提出了FSVDD多目标识别方法.在FSVDD的训练过程中采用了乘性迭代规则的快速优化算法,该快速算法降低了优化的复杂度和缩短了优化时间.在针对不同类型数据集的识别实验中,证明了提出的FSVDD多目标识别算法具有训练速度快、识别率高的优点,有很强的实用性.     

基于时间谱信息的低分辨雷达飞机目标分类

雷达目标空间状态随时间的变化特性从侧面揭示了的目标的本质,这种目标空间状态随时间呈现的分布特性称之为目标的时间谱,而利用目标的时谱信息(目标的航迹、速度、机动性、空间坐标信息)可以简化(或缩小)待识别目标的范围。用低分辨雷达测量得到的时间谱信息作为特征,采用模糊逻辑规则对五类飞机目标进行分类判决。结果表明:基于时间谱信息的飞机目标分类为低分辨雷达飞机目标识别提供了一个有效的辅助手段。     

一种基于支持向量数据描述的损伤诊断方法

为了解决结构损伤诊断中缺乏损伤样本的问题,提出了一种基于支持向量数据描述(SVDD)的结构损伤诊断新方法.该方法只需正常状态的数据样本,而不需要任何损伤数据.首先采用小波包分解对数据预处理,以频带能量序列为特征,然后把多测量点的能量序列融合后作为特征向量,输入到SVDD分类器进行训练,实现损伤的诊断.实验表明,采用频带能量降低了数据维数,有效地浓缩了损伤信息;多测量点数据融合不仅能够使不同传感器的信息相互补充,而且减小了检测信息的不确定性;SVDD分类器较好地区分了结构正常与非正常状态,达到损伤自动诊断的目的.     

Data association based on target signal classification information

In most of the passive tracking systems, only the target kinematical information is used in the measurement-to-track association, which results in error tracking in a multitarget environment, where the targets are too close to each other. To enhance the tracking accuracy, the target signal classification information （TSCI） should be used to improve the data association. The TSCI is integrated in the data association process using the JPDA （joint probabilistic data association）. The use of the TSCI in the data association can improve discrimination by yielding a purer track and preserving continuity. To verify the validity of the application of TSCI, two simulation experiments are done on an air target-tracing problem, that is, one using the TSCI and the other not using the TSCI. The final comparison shows that the use of the TSCI can effectively improve tracking accuracy.     

基于模型转换频率估计的低空目标分类

为解决传统机械扫描预警雷达的低空目标分类问题, 提出一种利用模型转换频率估计的飞鸟与无人机目标分类方法。首先, 建立可能的无人机和飞鸟目标运动模型, 进而对目标轨迹进行多模型滤波和平滑处理。然后, 通过估计目标的模型转换频率实现目标分类。仿真结果验证了所提方法的鲁棒性和有效性, 证明经过平滑处理的目标分类结果优于仅经过滤波处理。针对低空预警雷达在机场和海岸环境中采集的真实数据, 在无人机频繁改变飞行方向模拟飞鸟机动性特征的情况下, 所提方法仍然可以较好地跟踪和区分无人机与飞鸟目标, 大幅降低了雷达系统的虚警率。