基于小波变换和神经网络的舰船目标识别和分类

根据舰船轴频电场信号的特点,提出了基于小波变换和神经网络的目标识别和分类方法.利用小波变换计算轴频电场信号的功率谱,提取特征量,根据轴频电场平均累积功率谱对舰船目标和海洋环境进行识别.根据轴频电场信号的功率谱分析,对不同类型舰船目标进行识别.运用BP神经网络,对不同类型舰船目标和海洋环境进行分类.通过对海上试验采集轴频电场数据的仿真计算,证实了该识别和分类方法的有效性.     

一种基于紧支子波的雷达船目标特征抽取方法

本文着重研究正交离散子波变换在非相干雷达船目标特征抽取中的应用。采用现场实录的四类船目标雷达视频回波数据进行实验，结果表明本文提出的方法运算简便，所抽取的特征具有典型性，数据压缩能力强。基于子波域特征提出了一种新的显著态回波的检测方法。     

子波神经网络及其在自动目标识别中的应用

本文分析了于波神经网络（ＷＮＮ）的生理依据，构造了便于启发式特征抽取的子波。研究了该子波及其相应的ＷＮＮ在非相干雷达船目标特征抽取中的应用。对现场实录的四类船目标回波数据进行实验，结果表明新构造的低维特征具有较高的目标分类应用价值，抗噪性能良好．     

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。     

基于属性约简-聚类分析的集成神经网络

如何构造具有较大差异性的单神经网络是提高集成神经网络分类性能的一个重要问题.这里通过研究在特征空间和样本空间上均有差异的基础上提取训练样本的方法,提出了-种新的基于粗糙集的属性约简和聚类分析的集成神经网络的序列目标分类算法,由于训练单分类器时样本的差异性较大,所以能够有效的保证集成分类器的分类性能.该方法首先在训练视频中连续提取单帧图像中的目标一人,人群,汽车,提取轮廓特征,几何特征作为目标的描述属性;其次对所提取的三类目标样本数据进行属性约简,得到三类样本的特征分布子空间;再次采用基于时手惩罚策略的竞争学习算法(RPCL)进行聚类分析,得到在相应样本空间中的样本分布;最后采用提出的单个神经网络生成算法得到单个神经网络并采用相对多数方法对神经网络进行集成.这里采用基于boosting、Bagging方法的集成神经网络和算法进行比较,结果表明本方法的分类精度要高于传统方法,是一种有效的目标分类算法.     

遗传算法在飞机目标识别中的应用

针对雷达目标识别中特征维数压缩和神经网络的隐含层结点数的确定等关键问题 ,提出了一种基于遗传算法的目标识别方法 ,该方法首先构造了一个符合目标识别这一特定问题的初始种群 ,然后利用遗传算法模拟生物遗传迭代和自然选择的遗传机理 ,通过多次遗传迭代最终收敛于问题的一个满意解。最后将该方法用于对三类飞机目标的分类和识别 ,验证了该方法用于目标分类和识别的可行性和有效性。     

时变海面舰船目标动态雷达特征信号模型

提出了一种时变海面舰船目标动态雷达特征信号的仿真方法。建立了海面舰船目标雷达回波多径效应模型、二维动态粗糙海面的时变复反射系数模型和动态海面舰船运动的水动力模型,并同目标电磁散射计算的高频方法相结合,形成了时变海面舰船目标动态雷达特征信号仿真模型。利用海面浮球的测量数据对模型进行了验证,并对典型舰船目标的动态雷达特征信号进行了仿真和分析。     

基于RCS特征的谐振区舰船目标识别

利用谐振区RCS特征对舰船目标进行识别.深入研究了频率预先优化选择问题,提出了一种新的基于最小分类错误准则的频率选择方法,用以改善目标识别性能.给出了一种基于多类目标假设检验理论的带有拒绝判定目标出现门限的近邻分类器.对五类舰船目标识别的仿真结果表明,新的选频方法显著提高了识别性能;扩展的近邻分类器表现出较为理想的拒判能力.     

基于正则变换的雷达目标成像识别

本文提出一种基于正则变换的雷达目标成像识别方法。该方法首先将各个训练目标在不同方位角时的距离剖面像构成综合矩阵,并对之作正则变换建立正则子空间;然后将每类目标各方位的像向该子空间投影形成子像,并以其平均结果作为库目标的特征矢量。对未知目标,以其子像对库目标特征矢量的欧氏距离最小为分类准则,进行了识别模拟实验。     

利用RCS幅度信息进行雷达目标识别

本文根据模糊分类的技术,提出了一种利用目标雷达散射截面(RCS)幅度时间序列来提取目标特征量、应用模糊数学原理进行综合判决的目标识别方法,给出了利用该方法和外场全尺寸目标静态RCS测量数据,对五种飞机和导弹目标进行特征提取和模糊识别的结果。     

用于船舶噪声分类的局域自适应子波神经网络分类器

提出了一种用于船舶噪声分类的局域自适应子波神经网络分类方法。首先利用傅里叶变换对三类船舶噪声进行预处理,然后利用网络局域化构造局域自适应子波神经网络分类器。通过对实际的三类处理后的船舶噪声谱进行自动特征提取并分类,分类结果令人满意,证明了该方法的优越性和工程应用前景。     

复杂背景下SAR图像近岸舰船目标检测

针对合成孔径雷达(synthetic aperture radar, SAR)图像近岸舰船目标易受背景杂波的影响, 造成SAR图像近岸舰船目标检测检测率低、虚警率和漏检率高的问题，提出一种适用于复杂背景下SAR图像近岸舰船目标检测的DFF-Yolov5(deformable feature fusion you only look once 5)算法。构建了一个专门用于SAR图像复杂背景近岸舰船目标检测的数据集, 基于Yolov5目标检测算法, 在特征提取网络中进行特征细化和多特征融合两个方面的改进。在特征提取网络中利用可变形卷积神经网络改变卷积对目标采样点的位置, 增强目标的特征提取能力, 提高复杂背景下SAR图像舰船目标的检测率。在多特征融合网络结构中采用级联和并列金字塔, 进行不同层级的特征融合。同时，使用空洞卷积扩大特征提取的视觉感受野, 增强网络对复杂背景近岸多尺度舰船目标的适应性, 降低复杂背景下SAR图像舰船目标检测的虚警率。通过在构建的复杂背景近岸舰船检测数据集上的测试实验, 结果表明: DFF-Yolov5的平均准确率为85.99%, 相比于原始的Yolov5, 所提方法平均准确率提高了5.09%, 精度提高了1.4%。     

高分辨率雷达距离像用于目标识别的研究

针对飞机目标的分类问题,研究将雷达目标的高距离分辨率(high range resolution,HRR)像用于识别的方法。介绍两类基于目标HRR像的特征:差分功率谱和微分倒谱,并选择基于SARPROP(simulated anneal-ing resilient propagation)算法的多层前馈神经网络作为分类器。利用4种飞机缩比模型的重点散射源二维分布测试数据和频率步进法,得到目标的一维距离像。对上述两类距离像特征进行了分类,结果表明,差分功率谱特征对于一维距离像具有较高的识别率,并具有较好的抗噪性能。     

基于卷积神经网络的水下目标特征提取方法

针对水下目标特征提取问题,在卷积神经网的基础上,提出了一种新的网络结构。该框架通过引入特征图多维加权层,强化了特征图的空间信息,弥补了进入全连接层时空间特征的丢失。以层次结构构造一个集特征提取和分类器训练于一体的端到端网络,同时利用深度网络的反向传播完成分类器对特征提取的反馈以改进特征的效果。在仿真模拟实验上,该网络框架分类目标达到了78.61%的精度,与其他方法相比,有效提高了目标的识别精度。所提框架能有效分类识别水下目标,具有良好的识别精度,且具备模块化结构,无需复杂预处理,实现简单。     

基于时频特征提取和残差神经网络的雷达信号识别

针对低信噪比(signal to noise ratio,SNR)下雷达信号脉内调制类型识别率较低的问题,提出了基于时频特征提取和残差神经网络的雷达信号识别算法.时频特征提取首先通过分数阶傅里叶变换对信号进行Chirp基分解,按照Chirp基载频与调频率的不同组合对信号划分类别,并设置对应的分类特征参数.然后,计算信号...     

一种有效的舰船目标识别新方法

本文讨论了基于非相参雷达回波的目标自动识别问题,提出了一种船目标识别的新方法。基于本方法,一种实验性的船目标识别系统已经构成并运行。理论分析和实验研究所得结果表明,利用所设计的识别系统可以获得目标识别的高可靠性。八类船目标总的识别成功率超过90％。     

用于SAR图像小目标舰船检测的改进SSD算法

针对合成孔径雷达(synthetic aperture radar, SAR)图像小目标舰船检测中存在的检测率较低、虚警较高等缺点,提出了用于SAR图像小目标舰船检测的改进单步多框检测(single shot multibox detector,SSD)算法。首先,制作了一个专门用于SAR图像小目标舰船检测的数据集,在SSD目标检测算法的基础上,提出了迁移学习、浅层特征增强和数据增广3个方面的改进;利用性能更好的ResNet50作为特征提取结构,在浅层特征增强网络结构中采用了inception模块的分支结构,同时使用了空洞卷积扩大特征图的视觉感受野,增强了网络对小尺寸舰船目标的适应性;最后在数据集上进行了多组对比分析实验,实验结果表明所提方法相比于原始的SSD,平均准确率提高了5.4%,并且对SAR小目标舰船的漏检和误报明显减少。     

小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法

现有低分辨雷达目标识别方法,通常采用先特征提取、再进行目标分类的两步识别算法,这种算法存在识别率难以提高和方法泛化性不足的问题,对此,提出一种增强条件生成对抗网络（strengthening condition generative adversarial network,SCGAN）+卷积神经网络（convolutional neural network,CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征,无需特征提取,实现对目标的一步识别。为进一步提高小样本条件下的识别效果,基于CGAN理论来提高样本在特征空间的覆盖程度,并对CGAN的判别器进行改进,在损失函数中增加混叠惩戒项,通过SCGAN生成不混叠的生成样本来更好地训练CNN,提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性,以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。     

基于超密集特征金字塔网络的SAR图像舰船检测

针对星载合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标检测困难的问题,提出了一种基于超密集特征金字塔网络的检测算法。首先,利用残差神经网络提取原始图像特征,构建特征图。其次,跨尺度连接多个特征层获取超密集特征金字塔,建立多尺度的高层语义特征映射,增强特征传播和重用。然后，再利用区域建议网络提取每层金字塔的候选区域输入检测网络。最后,通过融合候选区域及其周边上下文信息,将检测网络注意力集中至海域以抑制虚警,并为分类器计算置信度和边框回归提供补充信息。多组仿真实验证明,所提网络框架设定合理且检测性能优越。