基于卷积神经网络的交通标志识别方法

针对卷积神经网络(CNN)在交通标志识别过程中出现的梯度弥散而引起的识别率低的问题,给出了基于改进CNN结构的交通标志识别方法.实验结果表明:该方法能够有效提高识别精度,防止梯度弥散.     

一种基于深度学习的辐射源信号调制识别新算法

针对传统的辐射源信号调制识别方法需要大量特征提取的问题,提出一种基于深度学习的辐射源信号自动调制识别算法,该算法通过对辐射源信号进行幅-相域二维图像表征,基于卷积神经网络实现层次化地理解和识别电磁信号。仿真结果表明:相比基于时域的传统信号调制识别算法,所提算法在中、高信噪下识别率分别提升了2.5%和2.3%,单信号的识别时间不大于0.1 ms。     

基于卷积神经网络的高分辨率雷达目标识别

提出一种基于卷积神经网络(Convolution Neural Network,CNN)的高分辨率雷达目标识别方法.首先针对小样本应用于深度CNN时训练过程中损失函数值收敛速度慢的问题,利用结合批归一化算法的改进CNN网络对高分辨距离像(High Resolution Range Profile,HRRP)进行自动特征提取;再利用支持向量机(Support Vector Machine,SVM)对距离像特征进行分类.使用军事车辆高保真电磁仿真数据对提出的方法进行验证,识别结果证明了该方法的有效性.     

基于CNN与MFCC的城市场景声音识别

城市环境中包含着各种各样的杂音,针对这种复杂的声音识别环境,该文提出一种基于MFCC与CNN的声音识别方法.首先对城市环境声音样本进行梅尔特征提取,取得特征图之后由卷积神经网络进行训练、测试获得CNN特征,最后由SVM分类器识别分类,并将其与常见的音频识别方法对比分析,在识别速度和识别率上均有所优化,实验表明,此方法在复杂环境下能够得到较好的声音识别效果.     

基于时序卷积网络的信道编码闭集识别

针对传统识别算法对信号的先验知识要求较高、人工特征提取复杂、低信噪比环境下识别率较低等问题,提出了一种基于时序卷积网络(TCN)的卷积码参数识别方法．引入了深度学习算法处理盲识别问题,依据卷积码的马尔可夫性,将码字作为时间序列处理,把已知类型的编码序列作为时序卷积网络模型的输入进行监督学习,根据训练好的模型对接收端接收到的未知编码信号进行闭集识别分类．实验结果表明：当信噪比大于5 dB时,单一参数类型与混合参数类型平均识别准确率分别大于99.60%和99.50%,且在相关算法对比中有较好的识别表现．     

基于贝叶斯网络和卷积神经网络的手绘草图识别方法

为实现笔画的分组和识别,现有的草图识别算法通常会采用限制用户的绘图习惯来达到目的.该文提出了利用贝叶斯网络和卷积神经网络(CNN)的草图识别方法解决此问题.首先,使用高斯低通滤波器处理输入草图,得到更平滑的图像.然后将连续输入的笔划分为两部分,分别使用贝叶斯网络和卷积神经网络对分割后的笔画进行识别,当笔画的可靠性大于阈值时,以贝叶斯网络的识别结果为准,反之采用CNN的识别结果.实验结果表明,该文算法在电路符号绘制过程中的识别率和绘制完成后的识别率均取得了较好的结果.该文算法具有良好的应用前景.     

属性测度及其在目标识别中的应用

为了获得一种训练快、精度高、计算量少的雷达目标识别方法 ,研究了属性测度和属性模式识别 ,及属性模式识别在目标识别中的应用 ,并将模糊聚类分析用于属性测度。经过研究发现 ,在不用指标的峰度时 ,可以达到很高的识别效果。与传统的神经网络法相比 ,属性模式识别法在训练速度上得到了大大的提高 ,并在识别效果上优于径向基神经网络法。以雷达目标识别为例证明了该算法的有效性。这为我们研究低分辨雷达提供了一种全新的方法。     

基于卷积神经网络的合成孔径雷达图像目标识别

为了解决现有合成孔径雷达(SAR)图像目标识别算法识别率不高、泛化能力不足的问题,提出一种基于卷积神经网络的SAR图像目标识别模型CMNet网络。通过设计针对SAR图像特点的特征提取网络,在损失函数中引入中心损失与Softmax损失联合监督训练过程,兼顾类内聚合和类间分离,提高算法精度和泛化能力。网络模型中所有卷积层后引入批量归一化层加快模型收敛速度、防止过拟合。实验使用美国运动和静止目标获取与识别数据库进行测试,10类目标平均识别率达到99. 30%。结果表明,提出的CMNet网络模型具有较高的识别率和泛化能力,在公开数据集上取得较好结果。     

基于轻量3D CNNs和Transformer的手语识别

针对传统基于3D CNNs(三维卷积神经网络)的手语识别方法模型计算复杂度和内存占用较高,及基于RNNs(循环神经网络)的连续手语识别方法的长距离建模能力不足的问题,提出一种基于轻量3DCNNs和Transformer的手语识别方法．首先使用轻量3D CNNs进行孤立词手语识别的时空建模,然后提出RKD(随机知识蒸馏),从多个教师模型中提取知识以提高轻量三维卷积的特征提取能力;针对连续手语,在特征提取后使用完全基于自注意力的Transformer进行全局建模．实验结果表明：所提方法在CSL-500和CSL-continuous数据集上可以获得95.10%的识别率和1.9的WER(词错误率),证明了所提方法的有效性．     

基于CNN和Bagging集成的交通标志识别

针对直接集成简单分类器对交通标志数据库进行识别出现的类别预测效果较差的问题,提出一种基于卷积神经网络(CNN)和Bagging集成学习的交通标志识别算法,采用爬虫和图像增强技术实现交通标志数据集的扩充,以CNN网络提取交通标志图像的特征,通过采用最大池化层实现图像数据下采样,采用较浅的网络深度以简化整体网络结构。在CNN网络特征提取的基础上,利用软投票机制对多项Logistic、K近邻、SVM个体学习器进行集成,实现较准确的交通标志识别。实验结果表明,该算法在TSRD交通标志识别数据库测试集上的识别准确率达到了93.00%,相对于未改进的卷积神经网络模型识别准确率提高了11.99个百分点,并较高于通过VGG16和ResNet50迁移学习实现的识别准确率,具有较快的收敛速度。     

雷达海面目标识别技术研究进展

 针对雷达海面目标识别特征数据缺乏和识别算法推广能力差等问题,从雷达目标电磁散射特性和目标分类识别两方面总结了雷达海面目标识别技术的研究热点和发展趋势。围绕海面目标雷达特性,从电磁散射测量和建模两个方面综述了国内外研究现状;从低分辨雷达回波、高分辨距离像、高分辨雷达图像3方面综述了海面目标识别技术发展现状;介绍了雷达海面目标识别工程应用情况;最后展望了海面目标识别技术的发展趋势。     

Gabor原子网络法在雷达目标高分辨距离像识别中的应用

针对飞机目标的分类问题 ,介绍了一种称为 Gabor原子网络的高分辨雷达目标距离像识别算法。 Gabor原子网络的输入层采用 Gabor原子变换作为预处理单元 ,完成对特征的提取。Gabor原子网络的隐层和输出层组成一个多层前馈网络 ,采用改进的反向传播算法对权值进行调整。文中同时给出了网络在训练过程中自动调整 Gabor原子节点的特征参数的算法。对 3种缩比模型飞机的微波暗室转台数据进行了分类 ,结果表明三维空间内的 Gabor原子网络方法比一维空间内的原始距离像或 Fourier幅度方法和二维空间内的 Gabor变换或小波变换方法更适合高分辨雷达目标距离像的识别     

基于局部双谱的高分辨距离像雷达目标识别

针对飞机目标的分类问题 ,介绍了一种基于局部双谱的高分辨雷达目标距离像识别方法 ,利用 Fisher类别可分性鉴别测度在距离像的双谱平面选择用于分类的局部双谱。将局部双谱方法与现有的几种基于双谱的方法进行比较 ,分析出局部双谱既利用了双谱的平移不变性 ,实现了一维匹配 ,又避免了在识别过程中计算整个双谱 ,减少了计算量 ,而且不需考虑极坐标双谱的插值与积分步长问题。利用三种缩比模型飞机的微波暗室转台数据对局部双谱的分类性能进行了测试 ,结果表明局部双谱是一种很有价值的平移不变特征 ,对于高分辨雷达目标距离像具有较高的识别率     

基于字典学习的77GHz雷达人体动作识别

基于视觉的人体动作识别方法对光线和视距环境较高,并且存在侵犯隐私的问题,在应用中有局限性。为了解决这个问题,提出一种基于毫米波雷达和字典学习的人体动作识别方法。首先对人体动作的雷达回波信号进行时频分析得到时频图,再使用两种特征提取方法对时频图进行降维描述,将两种降维后的数据融合,通过LC-KSVD字典学习算法同时学习多特征字典和一个线性分类器,最后根据稀疏系数和线性分类器来识别动作。在此基础上,设计77 GHz毫米波雷达动作识别实验系统,结果表明:算法在10种人体动作数据集上达到了97.7%的识别准确率,可见所提方法实现了对人体动作的准确识别。     

弹道目标雷达微动特征提取与识别研究综述

弹道目标雷达微动特征提取与识别是雷达目标识别领域的重要研究方向之一。在简要阐述弹道目标识别重要研究价值的基础上，结合国内外研究现状，从点散射模型、滑动散射模型、属性散射中心模型等出发，总结了现有的弹道目标微动回波建模方法，进一步分别从单基、双基、多基等不同雷达观测视角出发，梳理了弹道目标微动特征提取与成像方法，对基于人工特征和传统分类器、及基于深度学习的弹道目标分类识别方法进行了总结，最后对弹道目标雷达微动特征提取与识别方向的技术难点和未来发展趋势进行了分析与展望。     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.     

基于波形匹配的超宽带雷达目标识别

在理论上对波形匹配算法进行了详细地推导,对超宽带雷达目标回波进行了特征提取和分类判决,并在计算机上完成了数值仿真。从仿真结果来看,此识别方法效果良好,易于实现。     

基于距离分类准则的雷达目标识别方法

雷达目标信号是非平稳信号，对于这样的非平稳信号，用于分类的特征往往包含在局部的时一频信息中，用一般的变换提取有效的特征比较困难。利用小波包基的性质，提出了一种雷达目标识别方法。首先，对雷达回波信号进行小波分解，利用距离准则，选择最优小波包基，从被识别的信号中提取具有最大可分性的特征，得到目标识别的特征向量，由此进行目标识别。仿真实验结果表明，该方法具有高的识别率。     

基于PCA与ICA的人脸识别算法研究

ICA是一种基于数据高阶统计信息的有效的数据独立特征提取技术,它能够更好地表示人脸的局部特征,ICA是PCA从二阶统计分析向高阶统计分析的拓展.本文提出了一种加权融合这两种技术的人脸特征提取算法,并结合不同的相似性度量进行了人脸识别实验.结果表明,该方法比用一种单独的特征提取方式识别率要高.