改进的支持向量机低分辨雷达目标分类算法

针对雷达目标识别系统中存在库外目标、各特征属性分类性能不一致,低分辨雷达不同类别目标特征值分布区间混叠的问题。文中基于支持向量机分类算法,对目标样本特征值进行置信度分析,获得置信区间,利用代价函数确定拒识门限,对库外目标以及混叠区域目标进行拒识分析;并根据训练样本先验识别率使用注水原理分配特征属性权重;在此基础上利用支持向量机进行目标识别。雷达实测数据实验结果表明,引入置信拒识分析与注水分配加权后,分类器性能得到了有效改善。     

自适应相关匹配法在雷达目标距离剖面像识别中的应用

本文针对高距离分辨雷达体制与地面坦克目标识别应用背景,提出了一种基于自适应相关匹配的雷达目标距离剖面像识别的新方法.这种方法根据给定的误判概率与拒判概率的要求,设计和得到目标姿态角的一种区域划分,确定相关匹配分类器的数目,并按最优化准则构造匹配分类器;根据实测距离剖面像的长度来选择相应的分类器进行匹配识别,以适应目标不同的姿态角;具有匹配运算量少,所需匹配滤波器数目少等优点,为解决地面背景中坦克目标的识别提供了一条有效途径.     

加权KNN分类器在HRRP库外目标拒判中的应用

针对雷达自动目标识别中的库外目标拒判问题,提出了一种人工生成库外样本的方法和一种加权k最邻近(k nearest neighbors, KNN)分类器。通过人工生成库外高分辨距离像样本,解决了在训练阶段无法获取库外样本的难题。加权KNN分类器同时满足了基于问题和基于数据两大设计要求,能够很好地处理拒判问题。通过基于接收机工作特性(receiver operating characteristic,ROC)准则和基于损失函数准则的仿真实验,证明了加权KNN分类器具备优良的拒判性能。     

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.     

用多层前向网络设计雷达目标分类器

概略地讨论了基于高分辨力技术的雷达目标识别问题。针对雷达目标分类器的技术需要，着重研究了多层前向网络的分类性能，提出一种网络结构自适应策略。并用其设计了分类器，在转台成像的基础上，对飞机目标的类型识别问题进行了仿真研究。研究结果表明，小规模多层前向网络对基于距离像的雷达数据样本具有较好的推广识别能力，识别率在９０％上下。     

类相关时频分布在雷达目标识别中的应用

针对雷达一维距离像的非平稳特性,提出一种利用类相关时频分布的高分辨雷达目标识别方法.该方法通过优化时频分布中的核函数来实现在模糊时频平面的特征抽取和特征压缩.在此基础上,提出并实现了利用模拟退火算法同时优化时频特征和识别性能的目标识别方案.仿真实验结果表明,基于类相关时频分布的雷达目标识别方法合理可行,提出的模拟退火核函数优化算法在识别性能上优于已有的Fisher鉴别比优化算法.     

基于direct LDA的幅度谱子空间雷达目标识别

针对高分辨距离像(HRRP)可分性低和维数高的问题,提出一种新的雷达自动目标识别(RATR)方法:dLDA& SVM.先采用直接线性判别分析在HRRP的幅度谱空间进行特征提取,然后在子空间中采用角域均值模板库训练one-against-a11支撑向量机(SVM)多类分类器进行目标识别.并设计了最短距离分类器与SVM分类器比较.基于外场实测数据的实验结果表明,与LDA幅度谱子空间法,幅度谱原空间法相比,dLDA & SVM可显著降低数据维数并提高识别性能.     

基于AEPSO-SVM算法的雷达HRRP目标识别

针对雷达自动目标识别中的高分辨距离像(high resolution range profile,HRRP)识别问题,提出自适应进化粒子群(adaptive evolution particle swarm optimization, AEPSO)算法优化支持向量机(support vector machine,SVM)的目标分类识别方法。该算法利用非线性自适应惯性权重的调整以适应粒子寻优的非线性变化过程,采用分阶段调节加速因子增强粒子在进化过程中的学习能力,通过引入局部搜索算子在增加粒子多样性的同时有效避免了粒子陷入局部最优陷阱。通过改进的PSO算法优化SVM参数,建立分类识别器模型。将该AEPSO-SVM模型应用到雷达HRRP目标识别中,实验结果表明,该算法对于高分辨雷达目标识别精度高、鲁棒性强。     

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。     

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。     

基于纳什均衡改进PWF的舰船检测方法

提出了一种利用极化白化滤波器（polarimetric whitening filter, PWF）作为舰船检测器的新方法。首先,介绍了基于Wishart分布的马尔可夫随机场（Markov random field, MRF）分类问题,利用相似性参数和距离函数构造平滑项,有效地利用极化信息。在利用纳什均衡对分类进行优化时,对参数的选取使用了Fisher准则,优化分类结果。对于最终的检测器,利用PWF构造表征差异的核函数,求解一个优化问题,得到了对应能量函〖JP+3〗数数据项检测函数,同时利用分类结果,使用模糊集构造平滑项检测函数,从而得到改进的极化检测器。最后,使用实际的极化合成孔径雷达（polarimetric synthetic aperture radar, PolSAR）数据对提出的方法有效性做验证并和已有方法进行比较,实验结果表明本方法检测率高,检测目标连续性好。     

基于SVM与Mean-Shift的非刚性目标跟踪框架

针对动态背景下,序列图像中的非刚性目标跟踪问题,提出了一种基于支持向量机(support vector machine,SVM)和均值移动(Mean-Shift)的序列图像目标跟踪框架。在初始图像中选择跟踪目标所处的矩形框,将目标框周围一定范围的像素作为背景。以目标和背景数据训练SVM二值分类器。运用得到的分类器对下一帧图像相同区域内的像素分类,得到二值的置信图(confidence map),在置信图范围内运用Mean-Shift算法求得当前目标位置,移动目标框和背景框的中心到目标位置,以10%的比例缩放目标框并选择最优者以适应目标尺度变化。以此时的目标像素和背景像素训练新的SVM分类器,进行下一幅图像的跟踪,直至完成整个序列图像跟踪任务。实验证明,该方法适用于动态背景及非刚性目标的跟踪,且实时性较好。     

Lattice structure adaptive IIR notch filter based on least square kurtosis

A new variable step-size algorithm for a second-order lattice form structure adaptive infinite impulse response (IIR) notch filter to detection and estimation frequency of sinusoids in Gaussian noises is proposed. Utilizing least square kurtosis of output signals as a cost function, the new gradient-based algorithm to update frequency of the adaptive IIR notch filter and the new variable step-size algorithm are given. The computer simulation results show that the proposed algorithm has better ability in suppressing colored Gaussian noises and better accuracy in estimating parameters at low SNR than previous algorithms.     

基于四阶累积量与核Fisher判别分析的MPSK信号分类方法

提出了一种基于高阶累积量和核Fisher判别分析的MPSK信号自动调制识别方法。该算法选取信号的四阶累积量作为分类特征,利用核函数的思想把特征向量映射到一个高维空间,并在高维空间中采用线性Fisher判别分析实现了数字信号的分类。选用了径向基核函数,使用一对一或一对余多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳健的多类核Fisher判别分析分类器。计算仿真结果表明,基于核Fisher判别分析的分类器具有良好的性能,它与支持向量机的分类精度相当,且训练时间较短。     

基于GABC算法的作战体系智能优化方法研究

为解决探索性仿真无法快速地遍历解空间,实时提供辅助决策方案的问题,提出了基于分类器的遗传算法,建立了基于该算法的作战体系仿真优化方法框架,能够根据体系关键因素和决策目标的动态变化寻找最优解,适用于诸如寻求最佳效费比方案、最优力量部署等多种体系优化问题。基于国防大学的仿真试验床系统进行了某海域火力拦阻作战的实验,通过GABC(genetic algorithm based on classifier)算法优化了力量配置问题。实验表明,该方法可以准确、快速地从复杂的体系限制条件中寻找效费比最高的方案,可以大量减少仿真实验的次数,满足快速辅助指挥员决策的需求。     

变遗忘因子相关函数自适应滤波算法

相关函数递推最小二乘(CRLS)算法在回波消除中双方对讲情况下是有效的,但其计算复杂度较高。把相关函数最小二乘准则中的遗忘因子视为时变的遗忘因子,应用最速下降法使当前时刻的方向矢量正交于前一时刻的方向矢量,从而获得时变的遗忘因子的表达式,得到一种新的相关函数自适应滤波算法。该算法的计算复杂度比相关函数递推最小二乘算法的要低。计算机数值仿真结果表明,新算法的收敛性能和相关函数递推最小二乘算法的收敛性能相当。     

空时矩阵组三迭代DOA估计新方法

利用平移不变结构阵列信号子空间的旋转不变性,构造一组具有对角结构的空时相关矩阵组。给出一种高精度的信号子空间估计方法,利用估计的信号子空间做降维矩阵处理空时相关矩阵组,从而减少计算量并加快收敛速度。基于非线性最小二乘建立代价函数,提出一种三迭代算法求解代价函数进而估计波达方向DOA。仿真结果证实该算法收敛速度较快,估计精度显著高于TLS-ESPRIT算法,尤其在低信噪比和小快拍数据下估计精度显著增强。     

PCMA系统中干扰信号时延估计新算法

对PCMA系统中干扰信号的时延估计问题进行了研究,提出一种基于粒子滤波的干扰信号时延估计新算法.算法首先通过对接收PCMA信号进行动态状态空间建模,然后在贝叶斯估计框架下,利用粒子滤波方法估计干扰信号时延.另外,为说明该算法的有效性,利用Fisher信息阵推导了干扰信号时延估计的克拉美罗限.仿真结果表明该算法能够有效进行的时延估计.     

基于模糊积分的图像分割算法融合

提出了一种基于多分类器融合的阈值分割方法,采用模糊积分将多种阈值分割算法的结果进行融合,其区别于现有分类器融合算法之处在于,融合过程不仅取决于各个分类器(分割算法)的判决输出,而且与各个分类器的判决能力有关。各个分类器的判决能力用模糊测度表示,它可以解释为单个分类器判决对最终融合判决的重要程度。通过使用一组手工分割的测试图像进行算法评估,结果表明,所提出的融合算法性能不仅优于单个阈值分割算法,而且优于基于多数表决和算术平均的分类器融合算法。     

基于DE-DMPC的UAV编队重构防碰撞控制

当战场环境发生变化时,无人驾驶飞机(unmanned aerial vehicle, UAV)编队只有进行编队重构,才能保证编队的生存能力。在重构过程中碰撞问题严重威胁UAV安全应着重考虑。通过对UAV编队重构防碰撞问题进行分析,提出采用分布式模型预测控制(distributed model predictive control, DMPC)的方法,将编队重构问题转化为滚动在线优化问题。结合碰撞约束建立重构代价函数,针对代价函数求解复杂的问题,提出采用改进微分进化(differential evolution, DE)算法求解代价函数,并对算法的收敛性进行了分析。仿真实验表明,所提出的算法能够有效实现编队重构防碰撞控制,同时其代价更小、寻优能力更强。