基于频谱形状的低复杂度雷达信号分类

为解决雷达信号调制识别中存在的计算复杂度高、低信噪比环境识别准确率低和仿真数据真实度低等问题,提出了基于频谱形状的低复杂度雷达信号分类算法。对信号频谱进行归一化,按频谱采样的方法提取特征参数,训练机器学习分类模型。雷达信号源生成数据的测试结果表明,本算法对Barker码、Frank码、LFM、BPSK、QPSK调制和常规雷达信号的分类准确率大于90%(SNR≥3 dB),计算复杂度低,能适应信号参数变化,具有很好的泛化性。     

基于LightGBM的气象目标分类技术

为克服传统气象目标分类算法对人为设置经验参数的依赖性,本文提出一种基于轻量级梯度提升机（Light Gradient Boosting Machine,LightGBM）的气象目标分类技术。将KVNX气象雷达获取的4个极化参量（水平反射率因子、差分反射率、相关系数和差分相移率）作为气象目标的特征参数,结合参考分类标签,制作向量数据集,再进行预处理,生成满足模型需求的数据集。以此数据集为驱动,建立一种LightGBM算法的气象目标四分类模型,该模型可有效识别3种气象目标（中小雨、冰雹和湿雪）及杂波（生物杂波与地杂波）。最后,根据气象雷达观测测试数据集进行测试,结果表明该模型在有高效率识别速率条件下,识别准确率可达95%以上。再用KTLX雷达两次实际观测数据来验证模型通用性,结果表明LightGBM分类模型可有效完成4种气象目标识别,具有优越的鲁棒性。     

卷积神经网络联合SVM的降水粒子分类

针对传统模糊逻辑降水粒子识别算法存在过度依赖专家经验来设置参数的缺陷,提出一种基于卷积神经网络（Convolutional Neural Network, CNN）和支持向量机（Support Vector Machine, SVM）联合结构的降水粒子分类方法。本文首先搭建了适用于双偏振雷达数据矩阵传播结构的4种卷积神经网络模型,通过对KOHX雷达各极化参数进行分块和堆叠操作,制作模型所需数据集并训练模型。然后根据各CNN模型对目标块的分类特点,结合SVM分类器,搭建能够识别5类目标粒子的联合结构。最后,对KOHX雷达0.5°仰角扫描数据进行测试,得到该联合结构模型的分类准确率达94.92%。并且对于不同仰角、不同雷达的扫描数据均能进行有效分类,表现出较好的鲁棒性。     

核Fisher判别方法在低分辨雷达目标识别中的应用

将机器学习领域新的研究成果应用到雷达目标识别中，并开发有效、实用的分类器具有重要实际意义。核Fisher判别方法是基于Fisher线性判别方法而提出的一种非线性分类方法，在这种方法中使用了基于核的算法中的“核技巧”。本文研究了核Fisher判别分类方法在低分辨雷达目标识别中的应用，并用从某低分辨雷达录取的实际飞机目标回波数据时该算法进行了测试，实验证明了核Fisher方法在低分辨雷达目标识别中的有效性。     

基于卷积神经网络的双极化气象雷达冰雹检测方法

针对现有冰雹检测算法过分依赖专家经验的问题。本文提出一种基于卷积神经网络的双极化气象雷达冰雹检测方法。首先对单个雷达分辨单元分割并利用相邻分辨单元的极化信息进行填充，将极化信息转化为数据矩阵。接着搭建卷积神经网络模型进行特征提取和分类，然后用样本数据对网络进行训练调整模型参数。最后使用训练好的模型进行冰雹检测。通过仿真数据和实测数据的实验结果表明，该方法能够在提取数据特征和自适应调节网络参数基础上有效进行冰雹检测。     

基于矩阵束算法的多雷达信号融合超分辨成像

利用多雷达回波信号对目标进行融合成像可以有效提高分辨率.本文实现了一种多雷达融合联合超分辨成像算法,该方法基于单雷达观测数据指数和模型,建立了联合的多雷达观测数据模型,并将雷达二维成像的矩阵束算法引入到多雷达观测融合成像中,利用多雷达观测数据估计散射中心的参数,有效提高了分辨率.仿真实验表明,该算法有效提高了雷达成像的分辨性能,有利于后续的目标检测与识别.     

基于RCS信息的雷达目标大小分类方法

由于低分辨率雷达信息量有限,不能对目标的属性特征等做出精确的判断分类,只能做到粗略的分类判断.因此,文中给出了一种雷达散射截面(RCS)统计信息的低分辨率雷达对目标大小的分类方法.讨论了一种利用最大最小距离的聚类模式识别算法.并通过对实测数据的处理对算法进行了验证,证实了利用RCS统计特性结合最大最小距离的聚类模式识别算法对目标进行大小分类的可行性.     

宽带毫米波雷达目标时延神经网络识别新方法

基于一维距离像和神经网络研究宽带毫米波雷达目标识别问题,研究了用于雷达距离像序列识别的时延神经网络模型及其学习算法,并提出了基于距离像序列的宽带雷达目标时延神经网络识别方法.还利用三种飞机缩比模型的暗室测量数据,研究了时延神经网络分类器中时延单元数目对分类精度的影响以及分类器的分类性能.实验结果表明 本方法具有良好的应用前景.     

宽带毫米波雷达目标时延神经网络识别新方法

基于一维距离像和神经网络研究宽带毫米波雷达目标识别问题,研究了用于雷达距离像序列识别的时延神经网络模型及其学习算法,并提出了基于距离像序列的宽带雷达目标时延神经网络识别方法,还利用三种飞机缩比模型的暗室测量数据,研究了时延神经网络分类器中时延单元数目对分类精度的影响以及分类器的分类性能。实验结果表明：本方法具有良好的应用前景。     

大气波导对岸基警戒雷达影响研究

通过分析2009年～2011年的大气波导环境数据,从理论上阐述了岸基雷达产生超视距探测的必要条件,对岸基雷达超视距探测现象进行了分类.首先,比较了两种典型的对流层内雷达波传播衰减计算方法,得出基于分阶傅里叶算法和抛物线方程法的混合模型算法更适合计算大气波导环境中雷达波能量的空间分布;然后,使用该模型计算了两类超视距现象在探测距离、测距精度、测向精度及探测效果方面的差异;最后,提出了利用雷达超视距探测的建议.     

一种采用集成装袋树的雷达多次回波分类方法

传统雷达多次回波分类方法容易受到目标类型和幅度起伏特性等因素的影响,其泛化性和准确性难以满足雷达装备实际需求。针对该问题,提出了一种采用集成装袋树的雷达多次回波分类方法。该方法首先对雷达多脉冲回波数据进行幅度对数变换和相邻脉冲幅度补齐预处理操作,然后利用决策树算法从标注的训练数据中学习雷达多次回波在脉冲维的幅度起伏特征,最后通过多个分类器的集成实现对雷达多次回波的准确分类。实测雷达数据验证结果表明,所提方法分类准确率达到了95.9%,可有效提升雷达多次回波的分类性能,并且不依赖于经验门限的特性,增强了其泛化能力。     

基于低分辨率雷达的海面舰船目标分类识别技术

文中基于雷达窄带信息提出了一种对海面舰船进行大小及吨位进行目标分类识别的算法。算法通过傅里叶-梅林变换及Fisher判别分析提取分类特征,采用支撑矢量机进行分类识别,最后利用实测的机载雷达数据验证了此方法的有效性。该分类识别算法能够在不影响雷达正常警戒工作任务的前提下,对视场内所有探测到的海面目标进行分类辨识,在工程上具备较高的实用意义。     

基于BP网络的雷达目标距离像识别性能仿真

针对反向传播(BP)神经网络用于高分辨率雷达目标距离像分类的问题.讨论了对识别性能产生影响的主要因素:训练算法的选择、输入数据的预处理方法以及神经网络的参数设计。利用4种飞机模型的重点散射源二维分布测试数据和频率步进法得到目标的一维距离像,对于从不同方位角范围内获得的距离像,用BP神经网络对目标识别的性能进行了仿真测试,结果表明选择弹性传播算法或模拟退火弹性传播算法训练网络时具有更好的分类性能,而且对输入样本进行对数变换也有助于提高识别率。     

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核LeNet的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。     

基于支持向量机的穿墙雷达目标形状重构方法

为解决超宽带穿墙雷达中目标成像问题,提出一种后向投影算法和支持向量机(Support Vector Machine,SVM)相结合的方法.该方法通过BP算法得到穿墙成像数据,再利用SVM对数据进行分类,成功地解决了穿墙成像中的目标定位和形状识别问题.利用穿墙模型实验数据的仿真结果验证了该方法的可行性和有效性.测试结果表明:该方法能对墙后未知目标实现形状重构,且具有极高的空间分辨率;此外,当信号被噪声污染时,该方法也能很好对墙后目标形状进行预测,体现了该方法的鲁棒性.最后对不同采样长度和空间采样间隔的分析表明,采样长度和采样间隔对目标形状识别的影响有限,采样位置数的增加、采样间隔的减小更有利于提高目标的分类准确率.     

基于量子优化算法的交通视频结构化分析

结合智慧城市建设过程中交通视频车辆信息快速分析的需求,利用深度学习检测算法对非结构化的车辆交通视频数据进行粗粒度目标检测,提取车辆信息特征,然后利用基于传统算法模型的量子优化算法对交通视频中车辆信息数据进行分类预测分析,测试结果显示,该方法对交通视频结构化分析中车辆品牌信息可实现正确识别,效果良好,初步实现了基于量子优...     

基于支持向量机的未知雷达用途识别技术

雷达用途识别是雷达目标威胁评估的重要方面.在简要阐述支持向量机(SVM)基本原理的基础上,系统地论述了基于优化惩罚因子C参数的支持向量机算法和交叉验证法相结合的未知雷达用途识别方法.在训练集中,该方法能自动优化出(寻找最佳)支持向量机的核函数参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而对未知雷达用途进行识别.识别实例表明,该方法识别结果令人满意,使基于常规分类方法可能存在的无法识别或误识别等现象得到了明显的改善.     

一种SVM集成的图像分类方法研究*

针对单分类器没有充分考虑数据集的特征而不能很好地完成分类识别,提出了一种基于集成学习技术的SVM集成的图像分类方法。该方法是在基于较为流行的词袋(Bag-of-Words,BOW)模型的图像分类方法的基础上,利用训练生成的不同SVM分类器分类测试图像,并将分类结果采用集成学习算法进行集成。分别采用传统的BOW模型的图像分类方法和本文提出的方法进行分类实验,实验结果表明采用SVM集成的图像分类方法明显提高了分类精度,具有一定的稳健性。     

基于视频时空特征提取分类的动作分析评估模型

为拓展机器视觉技术在医工结合场景下的应用,文中基于改进的时空Transformer模型,提出一种动作规范识别模型。该模型由数据嵌入层、时空Transformer层、决策融合层组成。数据嵌入层利用Openpose模型从sRGB图像中提取人体骨骼数据,降低环境部署成本;时空Transformer层使用时空模块和块间模型对图像数据特征进行训练和分类,提升原模型的分类精度;决策融合层实现对应用场景的规范性判别。实验测试结果表明：所提算法的TOP1和TOP5精度指标在所有对比算法中均为最优;在以心肺复苏术为例进行的实际应用测试中,该算法的综合性能较为理想,能够满足工程需要。     

基于改进型深度数据流形的数据分类算法及在人脸中的应用

针对数据分类问题的局限,提出一种基于改进型深度数据流形的数据分类算法并将其应用到人脸识别中。首先,通过采集人脸图像的深度信息,利用稀疏表示对其进行去噪处理;再结合图像的颜色信息,重新生成三维人脸信息数据库,通过对人脸数据的流形分析得到最优的降维结果,按十字十乘交叉验证法的原则选取训练集和测试集,将训练集输入支持向量机算法建立数据分类器;最后,将测试集输入训练完成的分类器中,实现人脸数据分类。选取ORL,Yale两类人脸图像标准数据库与传统人脸识别算法进行交叉对比实验,验证算法的优越性和可行性。实验结果表明：所提出的算法有较高的分类准确率,可有效地完成人脸识别。