面向原始辐射噪声的水声目标识别研究

水声目标识别是一项利用目标辐射噪声特性对目标属性进行判别的模式识别技术，具有十分重要的经济价值和军事价值。传统水声目标识别方法依靠信号处理技术对目标辐射噪声进行特征提取，进而通过人工识别或设计分类器识别的方法实现目标类别的判别。通过设计特征进行特征提取的过程中，不可避免会造成目标辐射信号中信息的损失，而深度神经网络依靠其多层网络结构，具备强大的特征提取能力。文章以一维卷积神经网络作为构建水声目标识别的基本模型，利用梅尔频率倒谱系数特征的提取思路，创造性地设计了MFCC1D卷积神经网络。结果显示，在ShipsEar数据集与水下目标信号构成的混合数据集上，设计方法的识别准确率达到96.4%。     

构造多级编码滤波器的神经网络优化算法

在光学模式识别中,如何区分多个目标（尤其目标量很大）,还是一个待解决的问题。我们以编码理论和神经网络优化算法为基础,提出了一种构造多级编码滤波器用于识别某一类目标集的方法,并以识别２６个大写英文字母做为实例进行了研究。     

基于多特征参量的?-OTDR分布式光纤扰动传感系统模式识别研究

针对目前相位敏感光时域反射计(?-OTDR)分布式光纤扰动传感系统难以对扰动事件进行有效判别的问题,提出一种基于多特征参量的扰动模式识别方法。作为识别依据的多特征参量包括平方差、短时过电平率、短时傅里叶变换以及扰动持续时间,对以上特征参量利用加权平均型综合评判函数进行模式识别,可以有效识别出应力破坏(敲击)、攀爬、浇水(模拟下雨环境)以及轻度碾压(模拟非破坏性人为扰动)四种扰动模式。对60组共240个实验样本进行识别,对以上四种扰动事件的识别率分别达到91.2%,88.3%,90%和86.7%。该方法克服了现有单一特征参量识别模式受限的问题,提高了扰动事件识别的准确性。     

雷达目标识别技术综述

针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的4类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的4种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法。最后分析了问题的可能解决思路。     

模式识别的特征优化专家系统研究

首先对模式识别中常用的几种特征分析方法的特点与应用范围进行了分析，基于此，开发了应用于特征优化、求取较优特征集的专家系统，对特征优化专家系统的关键问题——规则库内容作了初步确定，并给出具体的推理过程。试验证明，该专家系统能根据前端数据的特点与具体特征分析方法的特点，选择最佳特征优化方法，给出表征能力较好的特征集，应用于目标识别时能大大提高识别准确率。     

光纤传感系统振动信号模式识别的研究

提出了一种基于MFCC特征和SVDD训练的光纤传感系统振动信号的识别算法,该算法选择MFCC系数作为模式识别的特征量,利用SVDD算法实现对特征量的训练和模式匹配,同时对SVDD算法进行了扩展,使其能够利用单个事件进行模板库训练和多类别识别。实验证明,该算法在光纤传感系统应用中,能够准确识别常见扰动事件的类别,具有较高的识别率,并简化了模板库的建立过程。     

多目标宏形状特征点集快速检测技术研究

提出一种新的图像多目标特征点集检测技术。该技术研究了多目标分割、目标细微形状提取和宏形状提取,进而检测表示目标宏形状特征的特征点集。各目标宏形状特征点集进行识别与跟踪．研究了上述技术的快速实现。实际DSP跟踪系统处理结果表明该技术计算量小,抗噪能力强且准确性高,能准确识别目标,适用于实际图像目标特征点集的检测。     

基于SVM算法的φ-OTDR分布式光纤扰动传感系统模式识别研究

针对相位敏感光时域反射计（-OTDR）分布式光纤扰动传感系统对扰动事件进行有效判别和识别的问题,提出一种基于支持向量机（SVM）的扰动判别和扰动模式识别的方法。通过提取信号时域和频域的平均值、方差、均方差以及信号功率特征,利用二叉树结构建立基于SVM算法的分类器,对扰动进行判别并对扰动模式进行识别。根据传感信号的特征,通过分类器I在对有无扰动信号进行判别的基础上,进一步对有扰动信号利用分类器对扰动事件的模式进行识别。通过实验对所提出的方法进行验证,对600组实验数据进行扰动判别和模式识别,正确的扰动判别率在96%以上,漏报率和误报率在4%以下;正确的模式识别率均在94%以上。     

基于ganna分布模型的SAR图像目标识别方法研究

合成孔径雷达目标识别是目前世界上模式识别领域的重点研究课题之一,大体可分为两个部分的识别过程,即对目标姿态角的识别和对目标类型的识别。本文首先介绍了对SAR图像的增强算法,然后通过对基于模板与基于模型的识别方法的比较,将基于Radon变换的目标姿态角识别方法与基于gamma模型的SAR目标类型识别算法相结合,从而提出一种SAR目标识别的综合方法。利用MSTAR数据库数据进行仿真试验,取得了良好的效果。     

基于1DCNN的ΦOTDR地埋光纤振动事件分类方法

OTDR分布式光纤传感系统在 安全监测领域应用 广泛,其关键的任务是振动事件的 类型识别。传统的模式识别方法的识别率和鲁棒性都不够理想,而基于深度学习的方法能自 发从数据提取特征并完成分类,准确率和适应性都更好。相比二维卷积神经网络(2D-CNN) , 一维卷积神经网络(1D-CNN)的网络大小和训练速度均更有优势,本文以LeNet-5为基准 网 络,实现了基于1D-CNN的Φ-OTDR地埋光纤检测振动事件分类,并通过 实验法对比分析了 不 同结构超参数对识别效果的影响,选取最优参数构建LeNet-1D-V网络。实验结果显示,本 文 构建的LeNet-1D-V在5种类别的地埋光纤振动事件分类中,将分类准确率从92.3%提升至94.6%,为多事件类型的地埋光纤事件分类研究 提供了参考依据。