视频语义分类特征选择算法

提出一种将连续特征数字量化后进行特征选择的算法(ABFSA)。利用样本集中的先验信息选择出特征值域中最具类间区分意义的区域,将其作为完整量化区间。采用向后式的启发搜索策略,搜索合并后能使贝叶斯分类错误率降低的相邻量化区间。合并搜索得到的两相邻量化区间,量化的级数降低一阶。重复搜索和合并过程,直至贝叶斯分类错误率不再降低为止。所有特征搜索、合并完成后,总的特征量化阶数得到大幅降低。用UCI仿真数据集及真实视频数据进行实验,对比结果表明该算法能有效选取视频语义概念分类的重要特征,其综合性能较优。     

基于方位弯折的高分辨距离像雷达目标识别

针对高分辨雷达距离像的方位敏感性问题,将应用于语音处理的动态时间弯折技术引入高分辨距离像雷达目标识别领域,提出了一种动态方位弯折技术,该技术通过将测试数据与模板特征序列进行非线性伸缩(弯折),获得测试帧与模板之间最小匹配距离对应的最佳匹配路径,实现对测试数据的目标识别。对ISAR实测飞机数据的分类实验及与模板匹配法和RBF识别方法的比较,获得了良好的识别结果,表明了该方法的可行性和有效性。     

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。     

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.     

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。     

基于区间数聚类的目标分群算法

针对态势认知中目标数量多、信息不确定、数据不精确等问题, 提出一种基于区间数聚类的目标分群算法。首先, 考虑到传感器测量数据具有误差且数据不完全等因素, 采用区间数对传感器探测到的目标进行特征描述。然后, 为有效利用区间数信息定义了一种新的距离度量, 并给出了改进的区间数聚类目标分群算法。最后, 构造4类相互独立的区间数据集, 对区间数据进行分类测试, 并通过典型想定场景设定多类目标实体, 基于目标空间位置、运动特征和属性等要素进行空间分群和任务分群。仿真结果验证了算法能够有效对目标进行分群, 具有较强的稳定性。     

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。     

星载合成孔径雷达数据仿真研究

针对星载SAR原始回波数据模拟,建立了卫星姿态扰动模型,提出了一种距离迁移校正方法。同时给出了卫星姿态扰动、量化、噪声对原始回波数据产生的影响的模拟结果,以及距离迁移校正、方位加权对信号处理的模拟结果。这将有助于优化成像处理算法与SAR系统参数等方面的工作。     

高分辨水下目标近场二维散射特性计算及仿真

基于转台成像的原理和卷积反投影(CBP)的成像算法,实现了高分辨率水下复杂形状目标的近场高频二维声散射特性的计算.首先采用理论建模方法数值计算得到潜艇目标的近场高频回波仿真数据,然后采用CBP进行近场转台成像处理,得到潜艇近场距离-方位二维声图像.仿真结果清楚地给出潜艇目标强散射点的二维位置.利用该方法可以有效地预测水下目标的散射特性,为目标特征缩减和目标识别提供重要的依据.     

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。     

Half-global discretization algorithm based on rough set theory

It is being widely studied how to extract knowledge from a decision table based on rough set theory. The novel problem is how to discretize a decision table having continuous attribute. In order to obtain more reasonable discretization results, a discretization algorithm is proposed, which arranges half-global discretization based on the correlational coefficient of each continuous attribute while considering the uniqueness of rough set theory. When choosing heuristic information, stability is combined with rough entropy. In terms of stability, the possibility of classifying objects belonging to certain sub-interval of a given attribute into neighbor sub-intervals is minimized. By doing this, rational discrete intervals can be determined. Rough entropy is employed to decide the optimal cut-points while guaranteeing the consistency of the decision table after discretization. Thought of this algorithm is elaborated through Iris data and then some experiments by comparing outcomes of four discritized datasets are also given, which are calculated by the proposed algorithm and four other typical algorithms for discritization respectively. After that, classification rules are deduced and summarized through rough set based classifiers. Results show that the proposed discretization algorithm is able to generate optimal classification accuracy while minimizing the number of discrete intervals. It displays superiority especially when dealing with a decision table having a large attribute number.     

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。     

Intuitionistic fuzzy hierarchical clustering algorithms

Intuitionistic fuzzy set (IFS) is a set of 2-tuple arguments, each of which is characterized by a mem-bership degree and a nonmembership degree. The generalized form of IFS is interval-valued intuitionistic fuzzy set (IVIFS), whose components are intervals rather than exact numbers. IFSs and IVIFSs have been found to be very useful to describe vagueness and uncertainty. However, it seems that little attention has been focused on the clus-tering analysis of IFSs and IVIFSs. An intuitionistic fuzzy hierarchical algorithm is introduced for clustering IFSs, which is based on the traditional hierarchical clustering procedure, the intuitionistic fuzzy aggregation operator, and the basic distance measures between IFSs: the Hamming distance, normalized Hamming, weighted Hamming, the Euclidean distance, the normalized Euclidean distance, and the weighted Euclidean distance. Subsequently, the algorithm is extended for clustering IVIFSs. Finally the algorithm and its extended form are applied to the classifications of building materials and enterprises respectively.     

基于多级分类的极化SAR图像斑点抑制

针对极化合成孔径雷达（polarimetric synthetic aperture radar, PolSAR）图像相干斑抑制后的目标极化特性和结构特征保持问题,给出了一种多级分类的极化SAR图像斑点抑制方法。首先利用H/α快速分解法并结合极化总功率图像进行初分类,之后采用最小距离准则和聚合的层次聚类方法进行细分类,最后根据图像结构将图像内容分为亮点线目标、暗线目标和其他目标三大类,利用线性最小均方滤波器对暗线目标和非点线目标进行滤波。采用美国AIRSAR机载系统获取的实测数据进行实验,结果表明,与Lee的基于散射模型降斑算法相比,本文算法不仅能够更有效地抑制斑点噪声,而且在保持极化特性、结构和纹理特征方面更为有效。     

基于线谱特征的水下目标识别仿真实验研究

水下目标识别技术是世界各国十分重视的研究课题之一,在国民经济尤其在军事领域中,具有重要的应用价值。船舶辐射噪声中有着很强的线谱成份,这些成份分类或识别往往是非常有价值的。因此,利用线谱特征对舰船目标进行识别是水声领域研究的重要内容。本文在研究舰船辐射噪声线谱提取逄法的基础上,对多种型号和多种工况的大量噪声样本,进行了线谱提取。针对舰船辐射噪声线谱分布的特殊性,提出了筛选法和模糊推理分类法。利用这些     

基于深度学习的弹道目标智能分类

针对弹道目标微动分类前需平动补偿及典型雷达散射截面积(radar cross-section, RCS)序列分类需构造人工特征的问题,提出利用弹道目标微动特性和RCS相结合的弹道目标智能分类算法。首先,建立弹道目标运动模型并分析得到方位角和俯仰角,从而获取RCS序列,在此基础上利用小波变换得到时频图并构建数据集;然后,通过卷积神经网络(convolutional neural network, CNN)提取时频图像特征序列并与RCS序列融合成高维特征;最后,利用具有容错能力的双向长短期记忆网络充分学习序列之间的相关性以实现目标分类。仿真结果表明,该算法比卷积神经网络和支持向量机的分类精度分别提高5%和2%以上,分类速度比卷积神经网络和双向长短期记忆网络分别提高1.5倍和2.5倍,实现了更高精度的快速智能分类。     

基于加权高阶累积量切片的非线性调频信号增强算法

为了综合考虑高阶累积量各种切片抑制高斯噪声的性能,定义了加权高阶累积量切片,并给出了加权高阶累积量切片符号联合迭代公式,得到了基于加权高阶累积量切片的自适应谱线增强新算法。对该算法增强水下目标辐射的非线性调频信号的效果进行了仿真研究。仿真结果表明:该算法能抑制大约18dB～28dB的高斯色噪声;调整高阶累积量切片的加权系数,可获得抑制高斯色噪声的最佳效果。在工程实践中,具有重要的指导意义和实用价值。     

杂波环境下基于距离航速航向信息的多目标跟踪

针对杂波环境下的多目标数据互联问题,提出了基于距离、航速和航向信息的多目标数据互联算法。该算法首先以不同目标状态更新向量中的位置元素为中心,基于距离门限对测量数据进行选择,然后在此基础上利用目标航速和航向信息对选择的测量数据做进一步判断,具体方法是由当前时刻目标测量数据和前一时刻目标的状态来估计相应目标的航速和航向,并通过设定的航速和航向门限对保留的测量数据进行选择,实现复杂环境下的多目标数据的有效关联;然后计算有效回波是正确量测的概率,并以这些概率值作为权值对目标状态进行加权融合,实现杂波环境下多目标的可靠跟踪;最后通过仿真实验对算法的有效性和可行性进行了验证。     

Grover quantum searching algorithm based on weighted targets

The current Grover quantum searching algorithm cannot identify the difference in importance of the search targets when it is applied to an unsorted quantum database, and the probability for each search target is equal. To solve this problem, a Grover searching algorithm based on weighted targets is proposed. First, each target is endowed a weight coefficient according to its importance. Applying these different weight coefficients, the targets are represented as quantum superposition states. Second, the novel Grover searching algorithm based on the quantum superposition of the weighted targets is constructed. Using this algorithm, the probability of getting each target can be approximated to the corresponding weight coefficient, which shows the flexibility of this algorithm. Finally, the validity of the algorithm is proved by a simple searching example.     

针对高速自治水下航行器的UKF主动目标跟踪算法

研究了基于高速自治水下航行器平台下的主动单目标跟踪,基于Unscented Kalman Filter(UKF)建立跟踪滤波器,在强观测噪声、大采样时间间隔情况下完成对目标各运动状态参量的准确估计。将此跟踪滤波器与基于Extended Kalman Filter(EKF)的跟踪滤波器进行了对比。计算机仿真结果表明采用EKF滤波器,目标的速度估计值可以收敛向真值,而距离估计值无法获得收敛;采用UKF滤波器,目标的速度和距离估计值都能获得收敛,且其对目标的速度估计较EKF准确。