海面小目标检测的AR双极点分析

针对舰载(或岸基)雷达对海面小目标检测问题,尤其对较短时间内完成检测的应用场合,基于自回归(AR)模型的解决方案,对其中具有代表性的算法———最大幅度极点法(ARLPM)的不足进行了详细分析,提出同时利用次大幅度极点信息的AR双极点分析法。给出了应用该方法的具体步骤,雷达数据检测结果证明该方法优于ARLPM法。     

基于时频图自主学习的海面小目标检测

多维特征检测方法已成功运用于海面小目标探测中.针对人工特征提取的局限性,将检测问题转变为两分类问题,提出了一种基于时频图深度学习的目标检测方法.首先,将一维观测回波变换到二维时频域,并通过归一化时频图进行白化预处理.其次,建立半仿真含目标回波数据库,解决两类训练样本非均衡问题.然后,搭建迁移学习模型自主学习时频图特性,...     

基于多特征信息融合的海面微弱目标检测

为改善海杂波背景下雷达检测微弱目标的性能,提出一种基于多特征信息融合的目标检测方法。首先,在分析时域回波信号的基础上,给出脉冲幅值离差比的概念,并用其表征离散回波信号的尖锐度。其次,结合回波信号的频率峰均比和局部分形度两种特征量,构建多特征信息融合张量。然后,采用交叉验证法训练支持向量机(support vectors machine, SVM)分类器,并依据分类器进行目标检测。最后,通过对实测海杂波数据的一系列实验分析,优选了所提方案的参数。进一步与已有传统方法对比,结果显示所提方法具有更好的鲁棒性。     

基于相位变换的红外小目标相关检测方法

相关检测法是各种红外系统中广泛采用的目标检测方法 ,然而相关检测算法易受到背景和噪声的影响 ,导致匹配虚警较大、定位精度较差等问题。采用光学信息处理中的相位变换方法 ,将红外目标的能量转换成相位形式 ,然后与匹配相关结合来检测目标 ,不仅定位准确 ,而且性能稳健 ,在目标信号很微弱的情况下也能够取得良好的检测效果 ,是一种十分有效的红外目标检测方法。     

基于BP神经网络的红外小目标检测

针对红外小目标检测问题,提出一种基于BP(back propagation)神经网络的小目标检测算法。该算法利用BP神经网络的函数逼近特性对红外图像进行背景估计,然后根据背景对消原理消去背景噪声,从而检测到潜在的红外小目标。通过仿真实验证明该算法的有效性。     

基于人眼视点图的特征融合小目标检测算法

针对目前深度学习小目标检测算法在实际应用中存在的漏检率高、精度低等问题,提出了一种基于人眼视点图的特征融合小目标检测算法。基于多类别单阶检测器(single shot multibox detection, SSD)算法通过不同扩张率的空洞卷积融合,在基础网络上获得具有类似人眼感受野的浅层特征层;对附加网络中的特征层进行信息融合,合并上下文信息,增加位置信息和全局语义信息,从而提升小目标检测精度。通过PASCAL VOC 2007数据集验证,结果表明,该算法较传统SSD算法检测精度提升了3.7%,较改进的小目标检测算法Bi-SSD精度提升了0.8%,验证了选择更有表征能力的特征层是有效提升小目标检测精度的方法。     

基于动态规划和置信度检验的小目标检测

在目标检测、识别与跟踪系统中,弱小目标的检测是需要解决的关键技术之一。提出了一种基于动态规划与轨迹置信度检验的弱小目标检测方法。该方法利用动态规划方法积累目标能量,然后进行门限判决和对候选目标轨迹进行置信度检验,从而剔除假目标,给出目标信息。该算法针对白噪声背景条件下的图像目标检测,解决了低信噪比条件下运动点目标的检测问题,算法结构简洁,易于进行软硬件分割。最后给出其实验结果。     

基于EMD与神经网络的中国股票市场预测

应用EMD分解算法、混沌分析和神经网络理论提出了一种中国股票市场建模及预测的EMD神经网络模型.首先应用EMD分解算法把原始股市时间序列分解成不同尺度的基本模态分量,并在此基础上进一步分析, 表明中国股市存在混沌特性;再经混沌分析和神经网络进行组合预测,提高了模型对多种目标函数的学习能力, 有效提高了预测精度. 实验表明:与现有方法相比, 该方法具有较高的精度.     

基于SVM和EMD 包络谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷以及现实中难以获得大量典型故障样本的实际情况,提出了一种基于支持向量机(Support Vector Machine,简称SVM)和经验模态分解(Empirical Mode Decomposition,简称EMD)包络谱的滚动轴承故障诊断方法.该方法首先对原始信号进行经验模态分解,将其分解为多个固有模态函数(Intrinsic Mode Function,简称IMF)之和,然后求出包含主要故障信息的若干个IMF分量的包络谱,最后定义包络谱中各种故障特征频率处的幅值比为特征幅值比,将其作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型.实验分析结果表明了该方法的有效性.     

基于Hough变换的低可观测海面运动目标检测

针对一般信号检测方法无法检测低可观海面运动目标的问题,提出了运用Hough变换方法对海杂波背景下运动目标进行检测的方法。首先,用无记忆非线性变换法模拟海杂波,在此基础上模拟海面微弱运动目标的雷达回波;然后通过Hough变换对模拟所得的雷达回波数据进行处理;并根据处理结果进行了检测目标。另外用蒙特卡罗方法对Hough变换目标检测进行仿真,讨论了检测概率与雷达回波信噪比(SNR)及其它一些参量的关系。仿真结果证明了用Hough变换方法进行目标检测的可行性。     

消除EMD端点效应的PSO-SVM方法研究

经验模态分解(empirical mode decomposition, 简称EMD)的端点效应使得EMD分解结果产生严重失真, 为了减小分解过程中产生的端点效应, 将支持向量机(SVM)这一智能算法引入EMD, 提出采用SVM模型解决分解中产生的端点效应问题. 通过支持向量机对其原始数据两端进行延拓, 以获得一个或者多个极大值和极小值. 为了使端点处的延拓变得更加合理, 引入粒子群(PSO)智能算法对支持向量机算法参数进行优化, 使其两个端点处的数据延拓得更加准确, 从而使得三次样条曲线在端点处不会发生大的摆动, 实现EMD分解的固有模态函数(IMF)更加准确可靠. 通过对仿真信号的研究表明, 基于PSO-SVM 方法的延拓方法能够很好地抑制了分解的端点效应.     

基于平均包络线匹配算法的EMD端点效应分析及在股价趋势分解中的应用

经验模式分解(EMD)能够有效获得非平稳非线性信号的时频特征,但传统的EMD分解算法存在严重的端点效应. 在深入研究和分析EMD算法的基础上,提出了一种基于波形匹配的端点效应处理方案,通过计算波形匹配度, 在平均包络线内部寻找与其端部变化趋势最为接近的子波,并用这段子波代替平均包络线的边缘部分, 使处理后的平均包络线极大地接近真实包络线,并把这种端点效应处理方案的EMD分解算法应用到实际的股票市场价格趋势分解中.实验结果表明,与经典的EMD边界延拓算法相比,本文提出的算法能更有效地抑制EMD分解时的边界效应, 分解得到的固有模式函数更能体现模拟信号真实的频率、幅值信息.应用实验表明:与现有方法相比,该方法更能提高预测精度.     

基于极值域均值模式分解的语音增强方法

增强低信噪比(signal to noise ratio, SNR)下的语音质量是语音识别需要解决的问题。在众多增强方法中,经验模态分解(empirical mode decomposition, EMD)是目前应用最为广泛的一种方法。针对EMD在对语音进行增强时存在端点效应的问题,研究了极值域均值模式分解(extremum field mean mode decomposition, EMMD)方法。该方法改变了EMD只利用信号的极值点信息的单一做法,充分考虑输入信号所有信息,计算信号极值点间所有数据的均值,可以有效解决EMD中的端点效应问题。因此,提出了基于EMMD的语音增强方法,实验结果表明EMMD方法的引入,消除局部数据中隐含的支流分量,避免了EMD方法的端点效应问题,明显提高了带噪语音的SNR,改善了语音的质量。     

基于鲁棒估计的微弱目标检测噪声抑制技术

抑制目标图像中的噪声,缩短目标的首次捕获时间(FirstCaptureTime,FCT),对于微弱目标检测和跟踪具有重要的意义。基于以下判断:a.任何检测系统总是工作在一定的信噪比(SNR)水平下;b.运动目标成像面积总是大于一个像素,分别设计了两个噪声抑制算子Sa(.)及Sb(.)。在噪声抑制过程中,首先使用鲁棒回归估计方法,估计出噪声模型参数,然后分别应用噪声抑制算子Sa(.)及Sb(.)对图像噪声进行抑制。试验结果表明,该方法可以有效抑制目标图像中的噪声,缩短目标的首次捕获时间,为下一步目标的检测和跟踪提供了有利条件。     

基于趋势估计的微多普勒分离与特征提取算法

微动目标特征提取与辨识一直是弹道目标识别的研究热点与难点。针对复杂运动目标微多普勒(micro-Doppler, m-D)曲线交叠耦合导致的微动辨识难点, 提出一种基于曲线趋势估计的分离算法。该算法首先通过骨架提取获得稳定精细的二值化曲线数据, 再基于曲线光滑性和插值法对曲线趋势进行精确估计并分离, 最后利用变分模态分解(variational mode decomposition, VMD)及经验模态分解(empirical mode decomposition, EMD)算法分解每条m-D曲线并计算相应的微动特性。仿真实验表明, 所提算法能够在信噪比大于-15 dB条件下稳定分离m-D曲线, 进而提取目标的微动特性。     

基于Hilbert-Huang变换理论的非线性系统分析

介绍了Hilbert-Huang变换(HHT)这一全新的处理非线性、非平稳信号数据的方法,将其用于分析典型的非线性系统-Duffing方程,通过对使用三阶Runge-Kutta法求解而得到的Duffing方程数值解分解后,得到了4个固有模态函数分量和1个残余量,给出了相应的能量-频率-时间分布图-Hilbert谱,并将其边际谱与Fourier谱作了比较。结果表明,此方法具有更好的局部特性分辨以及瞬时频率分解效果,经HHT变换得到的主要固有模态函数分量具有明确的物理意义,体现在Hilbert谱上的系统固有频率存在明显的波内调制机制,分析结果充分保留了系统的非线性特征。     

基于高通滤波和顺序滤波的小目标检测

针对红外图像中弱小目标的检测问题,比较了几种高通模板的效果与性能,提出了一种基于高通和顺序滤波相结合的小目标检测方法。该方法是在采用高通滤波来抑制背景的基础上,利用噪声图像直方图呈高斯分布的特性,用门限判决对图像进行预检测。然后用顺序滤波去虚警点从而得到目标点。实验结果表明,在信噪比SNR>2时该方法能有效地检测出图像中的小目标。     

基于多尺度特征融合的红外图像小目标检测

针对复杂背景红外图像弱目标检测问题,提出了一种基于多尺度特征融合的红外小目标检测方法。该方法在对红外图像进行离散小波框架变换的基础上,提取目标在各子带图像上的多个特征;然后对各子带图像上的多个特征分别进行融合,获得相应的目标检测判决置信度图;接着采用自适应加权方法对各个目标检测判决置信度图进行融合,得到目标检测判决总置信度图,并对其进行目标区域分割,获得最终的目标检测结果。实验结果显示,该方法对高杂波条件下红外弱目标检测具有良好效果。