引入拒识的最小风险弹道目标识别

针对弹道目标识别过程中误分类代价的不对称性,提出了一种引入拒识的最小风险弹道目标识别方法。该方法借助受试者工作特征(ROC)曲线,从概率分布的角度分析了真阳性率、虚警率与决策阈值之间的关系;定义了代价敏感模型及引入拒识代价的模型的代价损失函数,推导了最小化分类代价所需满足的条件,结合ROC曲线的切线斜率,确定了最优拒识阈值,并利用两类目标的高分辨距离像(HRRP)数据验证了方法的有效性。实验结果表明:该方法能够唯一确定使代价最小的拒识阈值,克服了传统方法由于依赖于类先验概率及训练结果而造成的随机性和不确定性的缺点,提高了可靠性和稳定性,具有理论和实际应用价值。     

滑动平均模型的最小二乘辨识方法比较研究

滑动平均模型辩识的困难是信息向量中存在不可测噪声项。借助于递阶辩识的交互估计理论,用估计残差代替信息向量中中不可测噪声项,借助于多新息辨识理论扩展新息长度和充分利用系统观测数据的思想,提出估计滑动平均模型参数的多新息递推最小二乘辨识方法和最小二乘迭代辨识方法。与常规递推增广最小二乘算法相比,提出的方法具有更快的收敛速度,能产生更高精度的参数估计。仿真例子验证了算法的性能。