基于小波和神经网络的目标识别方法

基于高分辨一维距离像，对雷达信号目标识别的小波分析和神经网络方法进行了理论研究和实验分析。小波变换起到了数据压缩作用，并且用不同的小波得到不同的结果。ISAR获得的三种飞机目标真实回波数据所形成的一维距离像作为实验数据，并且用神经网络对目标分类器进行了设计。     

利用高分辨距离像的雷达目标识别

雷达高分辨距离像和相关滤波器在识别目标中的联合应用中具有研究潜力。其中相关滤波器的作用是使回波相干峰的期望值最大化,本文在实验中利用3种不同地面目标的雷达模拟距离像的相关滤波器数据验证其有效性。结果显示,利用目标的方位信息是可以进行可靠的目标识别的,并且识别是以多个滤波器为基础的。     

基于FLAKNN的雷达一维距离像目标识别

由于传统KNN算法在应用于高分辨一维距离像进行目标识别时,存在全局使用固定k值和未考虑各特征分量对分类的影响等不足,使得目标识别性能较差.提出一种改进的KNN算法:FLAKNN.通过提取目标高分辨率一维距离像的尺寸、熵、中心距、不规则度、去尺度特征、对称度等稳定特征,使用Fisher判别分析将所有特征分量投影至低维空间,使不同类别间具备最大可分性;结合相邻样本局部的分布情况和k取值的调整,最终使用少数服从多数的投票原则决定测试样本的类别.结果表明,相对传统KNN算法,该算法进一步提升了识别性能.      

一种基于HMM的雷达目标识别方法

根据雷达目标散射点的一般模型和特定条件的简化模型；提出用RELAX方法从高分辨雷达回波提取目标散射点分布的位置信息作为目标HRRR的特征向量；利用HRRR对雷达视角敏感这一特点，用隐马尔可夫过程表征多视角雷达回波序列，获得目标距离-方位两维信息，用若干HMM子过程构成的模式链表征一个飞行目标的飞行姿态变化，从而采用基于隐马尔可夫模型的分类器实现目标类属和方位的自动识别和分类，实测数据的计算机仿真结果表明，这一方法的平均识率为99.80%和81.2%。     

小波神经网络的毫米波雷达目标一维距离像识别

将小波变换和反向传播神经网络理论结合，设计一种小波神经网络结构。由于小波变换在时间和频率空间所具有良好的定位特性，使小波神经网络可对输入输出数据进行多分辨的学习训练。介绍神经网络的数学框架和该网络的学习算法。根据毫米法频率步进雷达目标一维距离像所给出的信息，将所提出的小波神经网络用于3种实际雷达目标的识别。实验结果表明，小波神经网络收敛速度快、识别率高。     

基于小波变换的多普勒雷达目标识别

提出应用小波变换技术,以辨识不同目标回波之间的细微差异,并对连续波多普勒体制雷达的回波信号进行分析的方法。采用本方法在雷达的一个距离波门内得到了地面目标的数量信息。     

基于小波变换的多普勒雷达目标识别

提出应用小波变换技术 ,以辨识不同目标回波之间的细微差异 ,并对连续波多普勒体制雷达的回波信号进行分析的方法 .采用本方法在雷达的一个距离波门内得到了地面目标的数量信息     

基于最小矩阵距离准则的一种群体决策方法

在分析了基于层次分析法的群体决策方法的类型、评价准则后,提出了一种基于最小矩阵距离准则的群体决策方法。该方法应用一个矩阵空间上的距离公式,将求群体判断矩阵的问题看成为求与各个体判断矩阵的距离之和为最小的矩阵的问题,然后又进一步等价为目标规划问题。该方法比较直观可信,因而容易说服各评判者接受由该方法得到的群体判断矩阵。     

基于贝叶斯网络的一种常规雷达目标识别方法

现役的常规雷达一般不具备径向上和横向上的高分辨率,雷达所揭示的目标信息非常有限。贝叶斯网络基本原理基于概率论的统计知识,作为一种分类器,它使错误的分类概率最小。文中将它引入雷达目标识别,将这些有限的信息利用起来实现对雷达目标的粗分类,取得了不错的效果。     

雷达多目标自适应识别方法研究

提出了基于目标回波自相关矩阵本征值分解提取多目标特征的新方法，在小训练样本集下，为能准确建立参考模板，提出了一种基于模糊等价关系（FER）聚类和模糊c均值（FCM）聚类相结合的FER－FCM聚类方法，在识别过程中，利用自适应算法对参考模板逐步修正，使识别系统逐步达到最优的性能，还给出了实验结果。     

基于小波变换的低光照对比度或强噪声背景下图像增强与目标提取方法

提出了一种基于小波变换的低光照对比度或强噪声背景下图像增强与目标提取方法.低光照对比度情况下成像获得的图像进行处理分析、目标定位识别与跟踪都有一定困难,必须对其进行增强处理.根据图像的纹理统计特性,设计了专用于保护纹理特征的巴特沃思滤波器,对低光照对比度图像或强噪声背景下图像进行增强,可有效地克服低光照对比度图像或强噪声背景条件下进行处理分析、目标定位识别与跟踪造成的影响.实验结果表明:应用小波变换的多尺度分析方法和专门设计的巴特沃思滤波器,可较好地消除低光照对比度或强噪声背景下图像的干扰.     

一种基于波系数的雷达目标识别新方法

提出一种基于波系数的目标识别新方法, 此方法把目标响应表达成一系列波模的叠加, 波系数具有目标特异性, 因此可用作目标识别的特征矢量。这些波系数虽然与照射方向有关, 但是选取恰当的频率范围, 则波系数对角度的敏感性会大大降低, 目标模版数据库存储量会大大减少。在识别过程中可以大致预估目标的姿态角, 然后选择部分模版数据库与未知目标系数相比较, 可有效缩短目标识别时间。最后对4个二维目标进行了数值模拟, 取得了理想的识别效果, 证明了此方法的有效性。     

基于改进的Hausdorff距离的字符识别方法

为了提高字符识别的正确率和速度,本文提出了一种改进的Hausdorff距离的字符识别方法.实验结果表明,该方法在印刷体数字识别中达到100%的识别率,在字母识别中,除个别被噪声严重污染和结构特征极其接近的字母外也得到了正确的识别效果,且改进后的运算速度提高了一倍左右.     

基于多特征的洞库类目标识别方法

针对洞库类目标自动识别研究较少、识别率较低、识别方法成本较高等问题,设计了基于多种特征的洞库类目标识别算法.探讨了典型洞库类目标的模型并总结其主要特征;其次利用HOG特征对输入图像进行初步筛选,筛选出包含有洞库类目标的图像;然后基于洞库类目标的灰度特征提出了一种图像局部自适应阈值生成算法Wiblack提取图像中的疑似目标;最后搭建了洞库类目标的数学模型,并提出了基于形状相似度的目标判别算法,采用圆形相似度与椭圆形状相似度二次相似度判别方法,最终得出识别结果并描述目标轮廓,完成目标识别.实验结果表明该方法在洞库类目标的识别应用中有效可行,基于本文实验数据的识别准确度为92.6%.     

一种基于复加权的目标极化识别方法

针对未知和时变的杂波环境,在目标极化状态已知的情况下,探讨了极化域目标识别的问题.在全极化雷达的极化正交的双通道接收系统中,对两路极化正交回波信号进行复加权后与期望信号比较,使其均方误差达到最小,从而抑制了干扰,增强了目标信号.对抑制和增强效果在干扰分别为定极化和变极化的情况进行了仿真,仿真结果表明了该算法的有效性.对此算法中步长因子的取值范围进行了探讨.提取目标极化特征,进行目标识别,并进一步提出识别递推算法.对识别结果进行仿真,仿真结果表明了该方法的有效性.     

基于动态规划的红外小目标检测与识别

研究了天空背景下红外运动小目标的检测与识别．对序列红外图像进行增强处理,通过模板滤波去除弱噪声;运用分割算法和聚类分析把目标和强噪声从背景中分离出来,根据所定义的一种距离,运用动态规划的方法找出目标,并得出目标的运动轨迹;给出整套处理方法的实验结果和分析．     

基于推广卡尔曼滤波的目标高度识别方法

目的 研究现役红外制导反舰导弹对舰船目标高度的识别方法,从而为此类导弹的最佳命中点选择奠定基础。方法 根据实际使用的导引头的技术条件,建立识别目标高度所需的数学模型,然后利用推广卡尔曼滤波理论识别目标高度。结果 根据导引头的技术数据进行了大量的仿真试验,得到了目标高度的识别误差小于０．９ｍ的仿真结果。结论 推广卡尔曼滤波识别目标高度的方法是选择最佳回调规律及确定最佳命中点的一种新方法。     

基于机器视觉的动态多目标识别

提出了一种基于机器视觉的实时动态多目标识别的方法.该方法首先根据前后帧之间像素的变化,分割出运动目标和样本图像,然后使用Gabor滤波器提取图像的特征,得到特征向量.最后使用Fisher判别准则分类识别,将得到的分类识别结果自动标注在输出图像中,并且将其连续输出,便能获得已经识别完成的输出视频.实验结果表明,在多个动态目标的情况下,综合运用Gabor特征与帧间差分法的动态目标识别方法能准确检测到动态目标区域,并能准确分类、识别和标注.     

基于神经网络结构搜索的目标识别方法

针对目标识别需求,对基于神经网络的深度学习方法展开研究。由于深度学习模型中包含了对数据的先验假设,因此人工设计神经网络需要领域内专家丰富的先验知识,且具有劳动密集与时间成本高的缺点。为了获得超越专家个人经验、表现更好的网络,采用一种可微神经结构搜索的高效结构搜索方法,将搜索空间放宽为连续的空间,然后通过梯度下降来优化体系结构的验证集性能,从而找到面向目标识别的最优神经网络结构。仿真实验结果表明,将基于神经网络结构搜索的目标识别方法应用于"低慢小"类目标识别是可行的。     

基于SAR图像的城市目标识别研究

以SAR图像中城市目标为研究对象,从当前实际需要出发,分析了城市目标的特点,归纳了城市目标各组成要素的识别特征,总结了城市目标的判读方法,并对城市目标的综合应用进行了分析。