雷达与红外数据融合的近距空中目标识别

为了提高传感器目标识别性能和近距空中目标识别准确性,结合雷达和红外传感器提出了一种目标融合识别模型：对于雷达传感器,提出基于参数学习贝叶斯网络的目标识别方法,首先采用EM算法对贝叶斯网络进行参数优化,然后根据获取的目标属性信息进行目标分类;对于红外成像传感器,采用基于小波矩特征的目标识别方法,首先对目标图像进行小波矩特征提取和选择,然后通过建立的BP神经网络分类器进行目标分类;最后通过D S证据组合法则对两部分识别结果进行融合处理,实现了基于雷达和红外数据融合的近距目标识别。仿真结果表明：和单传感器相比,所提出的模型可以更加精确地进行目标识别。     

改进残差网络的多角度车型识别方法

在现实交通场景中,现有车型识别方法主要针对正面或侧面角度的车辆,但由于识别角度相对单一并不适用于多角度的车型识别.为满足实际场景下对车型识别要求,提出一种改进的残差结构特征提取网络,对其结构进行加宽改进,网络使用较少参数提取特征,加快整体网络的收敛速度.其次,结合使用基于可调类间距的Softmax Loss度量学习方法(Large-Margin Softmax Loss)进行车型识别,达到增大类间距离并减小类内距离的学习目标,提高识别的准确率.实验表明,本方法能够在交叉路口、林荫道、园区道路等复杂交通场景下进行多角度车型识别,测试识别准确率达97.4％.     

基于卷积神经网络的雷达目标HRRP分类识别方法

卷积神经网络通过卷积和池化操作提取图像在各个层次上的特征进而对目标进行有效识别,是深度学习网络中应用最广泛的一种。文中围绕一维距离像雷达导引头自动目标识别,开展基于卷积神经网络的目标高分辨距离像分类识别方法研究。首先,基于空中目标一维距离像姿态敏感性仿真生成近似平行交会条件下不同类型目标的高分辨距离像数据集;其次,构建一种一维卷积神经网络结构对目标高分辨距离像进行分类识别;作为比较,针对同类高分辨距离像数据集,分析了主成分分析-支持向量机方法的目标分类识别效果。结果表明:基于卷积神经网络的目标分类识别算法有更好的识别能力,对高分辨距离像的姿态敏感性具有较强的适应性。     

基于运动模型估计的分布式实时时间配准算法

在目标运动模型未知和参数不完备等复杂情况下,目前尚无较好的分布式实时时间配准方法。假设在较短时间内目标在某一方向上的运动可以用匀速、匀加速或匀变加速直线运动模型表示,文中提出了一种复杂情况下基于运动模型估计的分布式实时时间配准算法。首先,对目标航迹序列进行不同阶次的滑窗多项式拟合,并根据拟合误差在线估计目标的运动模型;然后,在状态参数不完备的情况下构造完整的运动状态估计向量,并利用Kalman预测方法进行实时时间配准。仿真结果表明,与传统方法相比,提出的方法具有更好的性能。     

基于行为模式的海上目标轨迹分段算法

海上目标监视系统实时获取并长期积累了大量轨迹数据,深入挖掘分析其中蕴含的目标行为特征,是提升传统的基于声光电磁特性的海上目标探测技术性能的重要途径。在轨迹聚类、轨迹预测和行为分析等数据挖掘的预处理环节中,主流的轨迹分段算法以最小化损失为分段依据,没有给分段轨迹赋予行为模式等语义内涵,限制了分段轨迹的应用范围。对此,本文提出一种基于行为模式的海上目标轨迹分段算法,通过定义七种目标行为模式,制定行为模式优先级,达到轨迹分段的目的。通过提取轨迹段的特征值,真实的保留轨迹特征,尽可能的还原轨迹。实验分析表明,本文的算法能准确合理的进行轨迹分段并真实的还原轨迹,不同的算法参数对应不同的应用场景。最终,本文对算法分段结果的应用前景进行展望。      

利用稀疏堆栈自编码器实现调制样式识别算法

针对传统调制样式识别方法性能受预先依靠经验设计的特征参数影响大问题,提出一种基于稀疏堆栈自编码器的数字调制样式识别算法。首先根据网络输入数据形式要求,为了利用信号幅度和相位所包含的调制样式信息,提出一种将复数信号预处理为网络可接受的实数形式的信号预处理方法。在网络训练阶段,先通过逐层训练得到每层稀疏自编码网络的初始化参数,再通过有监督算法对分类层训练,最后利用有监督算法进行整体优化。采用 作为分类层完成数字调制样式识别。7种数字调制样式识别的仿真实验表明了本文算法的有效性,相比于其他算法,本文算法在低信噪比时正确识别率较高,识别性能不受人为因素的影响。      

一种基于R3D网络的人体行为识别算法

现有的行为识别算法不能充分地提取抽象的行为特征,为此提出了基于三维残差卷积神经网络（3D Residual Convolutional Neural Network,R3D）的人体行为识别算法。该网络在三维卷积神经网络（3D Convolutional Neural Network,3D-CNN）基础上加入了残差模块,可以更好地提取时空域的特征,然后通过改变步长大小进行特征图降维,提高网络效率,并加入批量归一化层和Softplus激活函数,提高网络的收敛速度和拟合能力;之后添加Dropout层,降低过拟合风险,并且使用全局平均池化层(Global Average Pooling,GAP)代替全连接层,克服了网络参数量过大的问题;最后,使用Softmax进行分类。实验结果表明,使用R3D网络在HMDB-51数据集上获得了62.3%的识别率。     

高超声速滑翔飞行器机动状态识别方法研究

高超声速滑翔飞行器(HGV)的迅猛发展改变了传统的作战样式,开辟了军事斗争的新领域。对HGV的机动状态进行识别可以为威胁评估、轨迹预测和防御决策提供有力支撑。为提高HGV机动状态识别精度,该文提出一种基于注意力机制的卷积长短时记忆网络识别模型(AT-ConvLSTM)。在对HGV进行机动建模和特性分析基础上,将HGV在空间的机动状态分为8类,构造了对应的特征识别参数,建立了包含不同初始条件和控制模式下HGV机动轨迹的轨迹库。推导了从雷达跟踪信息到特征识别参数的转换步骤,使用提出的状态识别模型对HGV机动轨迹的时空特征进行提取,并通过SoftMax分类器输出机动状态分类。最后,通过仿真实验对模型性能进行验证。结果表明,所提状态识别模型能够有效在线识别HGV机动状态,具有较好的实时性和准确性。     

基于蒙特卡洛树搜索的视频异常场景监测方法

通过视频监控可以更快速地发现异常场景,并尽快制止违法暴力行动。为保证监测精度,文中设计一种基于蒙特卡洛树搜索的视频异常场景监测方法。首先对行人轨迹特征进行提取,计算目标预测位置与实际位置的空间距离,判定二者的相对位置,建立三级异常图像;再基于蒙特卡洛树搜索算法设计行人行为判别方法,构建不确定判别网络,标记残差函数,对数据进行归一化处理,同时获得激活函数以及函数的输出值;最后,设计视频异常场景监测算法,基于协方差矩阵将多个判别结果汇总成一个整体,并以此得到监控视频内异常场景的监测结果。该方法能够通过目标提取得到视频内的异常目标。目标识别精度的测试结果表明,所提方法在简单场景与复杂场景内的AUC值分别为0.952和0.886,说明其监测精度较高,在简单场景与复杂场景下均可正常使用。     

基于置信规则库和证据推理的空中目标意图识别方法

空中目标意图识别是战场态势评估的一个重要部分,它直接关系到指挥员的作战决策。针对复杂战场环境下目标信息的多源性和不确定性,提出了一种基于置信规则库(BRB)和证据推理(ER)的目标意图识别方法。首先,建立了一种新的融合目标多源信息的BRB-ER意图识别模型;其次,建立了多参数优化模型优化系统初始参数,以提高识别精度。最后,采用某舰艇实际测得的目标信息对该方法进行了验证,结果表明,提出的方法能有效对空中目标意图进行识别。     

基于迁移学习SAE的无人机目标识别算法研究

无人机在复杂战场环境下,因敌我双方无人机外形、颜色等特征较为相似,如何准确地对敌方无人机识别是实现其自主导航及作战任务执行的关键。由于受敌方无人机飞行速度、形状、尺寸、姿态等的改变及气象环境因素的影响,无法准确地对其进行识别与分类。针对这一问题,提出基于迁移学习卷积稀疏自动编码器（Sparse Auto-Encoder,SAE）实现对航拍多帧图像中敌方目标对象的识别与分类。算法首先借助SAE对源领域数据集中大量无标记样本进行无监督学习,获取其局部特征;然后,采用池化层卷积神经网络（CNN）算法提取目标图像全局特征;最后,送入Softmax回归模型实现目标对象的识别与分类。实验结果表明:与传统非迁移学习的SAE算法及基于底层视觉特征学习的识别算法相比,该算法具有更高的准确性。     

基于轨迹一致性检测的空间碎片天基识别方法

针对空间碎片天基观测量与编目数据库在轨关联难题,建立天基光学相机对空间碎片的观测模型,分析在轨应用环境对观测信息的影响,基于碎片轨迹一致性检测设计识别方法。为适应在轨应用的需求,提出了DTW与轨迹形貌差异量化检验融合的空间碎片识别方法。首先,依据DTW原理筛选出与待检测真实轨迹形貌最接近的预报轨迹;进一步,将初选相似轨迹之间的形貌差异量化为轨迹间总误差的标准差;最后,通过统计量检验实现轨迹一致性确认,轨迹一致则碎片成功识别。对所提出方法与轨迹直线拟合参数误差检验识别法进行碎片识别稳定性的仿真与实验对比。结果表明:DTW与轨迹形貌差异量化检验融合识别法是一种更稳定的碎片识别方法,对仿真及实验中的全部碎片及低轨卫星均能实现稳定识别,较轨迹直线拟合参数误差检验识别法稳定性明显提升。文中提出方法具有不受碎片运动特性、观测环境等因素影响的特点,可在卫星感知与防护领域广泛应用。     

一种运用自聚类方法优化椭圆图像识别的方法

在高分辨率图像中,为获得较高的椭圆目标识别效率与拟合精度,提出了一种利用自动聚类技术优化椭圆识别和拟合的方法。本方法先对原始图像进行降采样;在缩减图的颜色空间中进行kmeans自动聚类并进行原始图像的预分割;经图像连通性分析后,分离出若干目标区域;再利用各目标区域的边界信息拟合椭圆;最后依次经边界长度约束、椭圆方程参数约束、椭圆拟合精度误差指标正确识别出椭圆目标物,并获得较高精度的椭圆方程。实验表明,该方法能够自适应图像质量的较大范围波动,具有较高的识别正确率和拟合精度,同时也兼顾了识别速度,在工业视觉测量领域具有一定的理论和实用价值。     

机动目标在三维Jerk模型下的无源跟踪

针对当前运动目标跟踪模型多数限制在两维平面内或者是假设条件下的三维空间的特殊平面内,为了对空中目标,特别是低空目标无源跟踪,提出利用jerk模型对空中目标建模的思想,并推导出了离散的状态方程,最后以距离、方向角和俯仰角为观测量,建立观测方程。通过计算机仿真,比较跟踪轨迹和真实轨迹,可以看出jerk模型适合于空中目标无源跟踪？     

基于调制谱图卷积神经网络的空中目标识别技术

雷达对空中目标的分类识别技术是雷达信号处理领域中的关键技术.目前大部分雷达目标识别方法通用性较差且对雷达具有较高的要求.针对该问题,提出一种将目标回波的周期性调制谱信息图像化后,基于卷积神经网络调制谱图处理的空中目标识别方法.目标调制谱图像通过卷积神经网络逐层变换自动学习到目标特征信息,最终通过分类器进行分类识别.该方法避免了传统人工拟定调制谱特征的方式,实现了端对端的空中目标识别方法.实验结果表明,基于调制谱图的卷积神经网络模型具有较高的空中目标识别准确率,且模型的鲁棒性和泛化能力较好.     

基于模糊贝叶斯网络的空中目标多传感器融合识别研究

为了对充满不确定性与模糊性的空中目标识别数据进行处理,提高空中目标多传感器融合的准确性和可靠性,提出以模糊贝叶斯网络为基本结构的多传感器数据融合模型.该模型能够对清晰连续变量通过模糊化和去模糊化操作变换成离散变量,而且基于模糊贝叶斯网络的建模方法能够组合多种证据进行不确定性表达和推理.通过详细分析空中目标识别的推理规则,建立了空中目标识别的贝叶斯网络拓扑结构,提出了贝叶斯推理算法对多种证据进行融合计算的模型.识别实例表明该模型能够融合不同信息源的数据,有效地提高空中目标识别的效率.     

基于去取向理论的全极化SAR图像非监督分类

由于复杂地表目标的取向往往是随机分布的,产生散射回波的随机起伏使散射目标分类不容易明确,采用常规的分类方法容易造成地表的分类混淆.文中提出了一种全极化SAR图像非监督分类方法,首先对数据进行极化去取向处理,提取极化特征参数u、v,结合极化熵参数H进行非监督分类;之后将分类结果作为改进C-均值算法的初始类别划分,基于由u/v/H3个参数组成的特征空间,采用迭代方法实现对地物的分类;最后对NASA/JPL实验室的实测数据进行了实验分析,验证了文中所提分类方法的有效性.     

球载雷达目标分类与识别技术研究

讨论了可用于球载雷达的目标分类与识别方法,分析了这些方法的特点、适用范围和使用条件。特别对利用多路径回波信息进行地面动目标和空中运动目标的分类进行了具体的分析。球载雷达目标识别比其他雷达更复杂,需要结合实测的雷达数据修正现有的方法,以提高雷达目标的分类与识别概率。     

小样本目标识别问题下的BN参数学习

目标识别问题中存在大量不确定信息, 利用BN可以对不确定信息及其相互关系进行学习与推理。但是, 目标识别问题的样本量较小, 在参数学习过程中, 常因观测数据不足产生误差, 需要引入单调性信息等专家经验, 针对这一问题, 提出最小元算法。首先, 利用最小元表达单调性信息, 将其转化为参数学习可以直接利用的先验信息; 然后, 基于保序回归思想, 对参数学习结果进行优化, 消除误差, 得到相对准确的网络参数。以空中目标识别为仿真背景, 与最小子集算法比较, 验证了该算法在准确度与复杂度等方面的优势。     

广播新闻语料识别中的自动分段和分类算法

该介绍了中文广播新闻语料识别任务中的自动分段和自动分类算法。提出了3阶段自动分段系统。该方法通过粗分段、精细分段和平滑3个阶段,将音频流分割为易于识别的音频段。在精细分段阶段,文中提出两种算法:动态噪声跟踪分段算法和基于单音素解码的分段算法。仿效说话人鉴别中的方法,文中提出了基于混合高斯模型的分类算法。该算法较好地解决了音频段的多类判决问题。在新闻联播测试数据中的实验结果表明,该文提出的自动分段和分类算法性能与手工分段分类性能几乎相当。