基于舰船噪声仿真模型的目标识别研究

将国际上迅硅盖展的基于模型的识别技术应用到舰船目标识别中，摄取舰船目标识别信息，在建立舰船辐射噪声仿真模型的基础上，推导了单、双螺旋桨舰船辐射噪声调制谱谐波族幅值特征的数学期望表达式，提出了基于仿真特征的舰船目标识别方法，并对五类舰船目标进行了分类识别实验，取得了较好的识别效果：正确识别率分别为92．6％，87．3％，83．5％，76．9％，78．2％。     

基于多分辨率分析的舰船辐射噪声频域特征提取

为提高舰船目标识别率，采用小波多分辨率分析法对舰船辐射噪声进行多尺度调制谱和噪声谱特征提取及融合研究。并用提取的特征对三类舰船目标辐射噪声进行了分类识别实验，结果表明所提特征具有很好的分类识别效果。     

舰船目标噪声调制包络谱融合算法研究

舰船噪声调制包络谱是水下目标识别的重要特征.分析了调制包络谱的一般模型,把"最优"调制包络看作一种随机过程,将舰船噪声的多子带检波信号看作是对"最优"调制包络的一次观测,并将其作循环相关,用有限次观测的集种平均作为"最优"包络的估计,从而得到多子带融合包络谱,舰船噪声实测数据验证了该方法的有效性.     

基于子类划分的SVM及水声目标识别应用

针对目标类空间的可分离性特点,研究了动态聚类与支持向量机相结合的基于子类划分的支持向量机.提出了以子类中心为基点度量训练样本惩罚度的方法.在采用动态聚类将目标类划分为子类的基础上,综合考虑训练样本与所属子类的距离、子类对所属目标类的隶属度及目标类间的关系,以度量不同训练样本的惩罚度.并应用于水声目标识别中,对两类舰船目标的识别情况进行了比较,实验表明效果好于经典支持向量机.     

基于目标特征的动态支持向量机研究

研究了将待识别目标特征与SVM相结合的动态SVM。提出一种以目标特征与每个训练样本间的距离度量SVM软间隔优化问题中惩罚参数C的方法,可根据两者间距离大小赋予每个训练样本一个惩罚参数,从而更好地体现了不同训练样本对于待识别目标特征的价值。然后,根据各样本惩罚参数的大小重构动态训练样本集,训练以待识别目标特征的分类为核心任务的动态SVM,寻求以目标特征为中心的局部空间的最优分类面。并对两类水声目标的识别情况进行了比较,实验表明效果好于SVM和k-近邻分类器。