基于核典型相关分析的字符识别

介绍一种基于核典型相关分析(KCCA)的字符识别方法.首先选取核函数将低维数据映射到高维空间,再利用典型相关分析(CCA)的思想对数据进行降维,最后利用分类器对降维后的数据进行分类识别.通过对MINST手写数字字符库的实验结果表明,利用KCCA对特征数据进行降维后,能够在新的特征空间中寻找到较好的线性模型,即新特征能够被较好地分类识别.     

联合时域和时频域特征的数字调制信号自动分类

针对ASK、PSK、QAM、FSK、MSK、LFM、OFDM信号的调制分类问题,在无任何先验知识的条件下,本文提出了一种基于模糊函数域、Choi-William分布时频域和时域特征的自动分类算法。该算法首先提取信号在不同域上的特征,然后通过主成份分析法降维去除特征之间的冗余信息,再利用支持向量机分类器实现信号分类。为评估算法性能及优点,本文在不同信噪比和调制信号参数条件下,做了一系列仿真实验,并将本文算法与其他分类识别算法进行了对比。最后结果验证了本文算法的可行性和有效性,以及在低信噪比条件下较好的鲁棒性。      

基于随机采样法的光生混沌雷达信号周期性减弱研究

激光器产生混沌信号时,由于腔长原因使产生的信号具有周期性,若将该信号应用于雷达系统,易被识别与攻破。针对上述问题,文中提出采用随机采样法对原始混沌序列进行不等间隔随机采样,讨论分析了采样前后混沌的自相关和功率谱性能,结果显示采样后混沌信号自相关及功率谱的周期性均明显减弱并逐步消除。搭建基于光生混沌的调频雷达信号模型,理论推导分析了信号的频谱和模糊函数。结果表明,混沌自相关的旁瓣较原始混沌序列明显降低,功率谱也更加平坦,可获得sinc函数频谱和图钉状的模糊函数,该信号可以应用于雷达探测系统。     

通信信号分类算法研究

利用观测样本的高阶累积量特征,在累积量域内构造信号分类特征,采用支持矢量机作为分类器,在高维空间实现对GSM、CDMA和OFDM信号的分类。该算法通过提取观测样本的累积量的识别特征矢量以区分不同的信号类型,并将特征向量映射到高维空间中加以分类,首先在理论上分析了算法的正确性,并通过仿真实验进行了验证,结果表明,算法具有较好的推广能力,在较大的信噪比范围内对三种信号均有较高的识别率。     

基于相似度量的模糊支持向量机算法研究

基于统计学习理论,核被看做是一种相似度测量模型.核函数是支持向量机算法的核心,利用核函数可以将低维不可分数据映射到高维空间,并进行最优分类研究.但孤立点或噪声数据都会影响最优分类平面和最优分类函数,所以提出利用相似度测量构建模糊核函数.相比高斯核函数和模糊sigmoid核函数的分类支持向量模型,本文提出的模糊相似核函数在支持向量机运算中计算成本最低,可以提供更高的准确率,同时可以避免传统模糊核函数的限制.     

基于模糊函数特征优化的雷达辐射源个体识别

对雷达辐射源信号进行模糊函数建模是一种有效的特征提取途径,通过对无意调制的雷达辐射源信号的模糊函数分析,提出了基于模糊函数子空间特征优化的个体识别方法,首先抽取模糊函数的"近零"频偏切片作为辐射源信号的主要特征,继而设计了切片串联策略构建了互补的特征子集对,从而分别利用典型相关分析和鉴别典型相关分析实现了切片特征的融合...     

基于谱特征与数据结合的辐射源个体识别技术

针对基于传统特征的个体识别算法难以满足实际需求，与仅靠数据驱动的神经网络识别方法所需数据量较大、针对性较差的问题，设计了一种基于谱特征与数据相结合的通信辐射源个体识别算法。文中方法结合先验知识对原始采样信号进行双谱和功率谱的谱特征提取，并将提取的特征与原始数据进行融合，得到更符合网络模式且具有信号意义的数据集。设计并行可分离卷积结构，得到针对辐射源个体识别的网络。通过实际采集信号对网络进行训练和测试以验证其有效性，实验得到采用文中方法的平均分类识别准确率为97%。     

一种战场电磁信号识别技术

电子技术的突飞猛进让越来越多的电磁设备应用于战场,从而使电磁信号的识别成为摆在广大指战员面前的难题。通过对电磁信号特征进行建模、利用模糊理论构造隶属度函数计算综合模糊隶属度、用证据理论对样本的信息进行合成,从而设计了一种基于模糊集和D-S证据理论的电磁信号识别技术。最后,通过实验仿真证实了该方法的可行性。     

导数约束平滑条件下基于模糊函数特征的雷达辐射源信号识别方法

针对低信噪比条件下,雷达辐射源信号识别效果差的问题,提出了一种导数约束平滑条件下提取信号模糊函数特征的辐射源信号识别方法.建立了基于取整函数和坐标转换的模糊函数最大能量角提取的数学模型,降低处理复杂度;提出了不依赖于信号及噪声具体模型的基于导数约束平滑的最大能量切片波形信息提取算法,转化为二阶锥规划（Second-order Cone Programming,SOCP）问题求解,较大程度地降低了噪声对模糊函数波形特征的影响;依据有效性指标,确定了本文算法中目标函数正则化系数与对称Holder系数的范数因子取值,最后通过模糊c-means方法实现对辐射源信号特征向量的聚类识别.仿真结果表明,在低信噪比条件下本文方法具有更高的识别正确率.     

基于支持向量机的数字调制识别算法

在非协作通信中,需要对接收的信号进行调制方式的自动识别.在高阶累积量城内构造信号识别的特征向量,采用基于二又树的支持向量机将识别特征向量映射到高维空间并构造最优分类超平面,实现对数字调制信号的自动识别.该算法不仅结构简单、计算量小,而且解决了样本在低维空间中的不可分问题,具有良好的泛化推广能力.理论分析和仿真结果证明了...     

基于栈式稀疏降噪自编码网络的辐射源调制识别

针对辐射源识别中噪声敏感和识别能力不足等问题,提出了一种基于核空间时频特征与栈式稀疏降噪自编码网络的识别系统.通过时频变换、稀疏域降噪和核空间降维投影降低噪声干扰和特征冗余,基于降噪自编码与稀疏自编码思想构建栈式稀疏降噪自编码识别网络.实验结果表明系统在识别率和时效性上综合性能最优,能够显著降低噪声敏感性,低信噪比环境下适应性较强.当信噪比为-12dB时,系统对8类辐射源信号的整体平均识别率达到96.75%.     

基于栈式自编码机和模糊函数主脊的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征存在提取周期长、特征描述不完备等局限性,提出了一种基于深度学习栈式自编码机和模糊函数主脊的雷达信号识别方法.该方法根据信号模糊函数主脊包含丰富的内在调制信息的特点,从信号中提取用于分类识别的抽象特征.通过对六种雷达辐射源信号进行实验,并对比人工特征提取及其他深度学习方法,结果表明,本文所提方法在信噪比（signal-noise ratio,SNR）为2 dB以上时均能保持100%的识别准确率,SNR为-6 dB时识别准确率仍能保持82.83%以上,明显高于其他方法.即使在包含相同调制类型不同参数的信号环境中,当SNR大于0 dB时识别率均稳定在95.0%以上,SNR降低到-4 dB时识别率也能达到79.0%.证明该方法能有效提取到信号的深层特征,且具有良好的抗噪性能,基本满足实际战场的需求.     

Locality-sensitive kernel sparse representation classification for face recognition

In this paper a new classification method called locality-sensitive kernel sparse representation classification (LS-KSRC) is proposed for face recognition. LS-KSRC integrates both sparsity and data locality in the kernel feature space rather than in the original feature space. LS-KSRC can learn more discriminating sparse representation coefficients for face recognition. The closed form solution of the l₁-norm minimization problem for LS-KSRC is also presented. LS-KSRC is compared with kernel sparse representation classification (KSRC), sparse representation classification (SRC), locality-constrained linear coding (LLC), support vector machines (SVM), the nearest neighbor (NN), and the nearest subspace (NS). Experimental results on three benchmarking face databases, i.e., the ORL database, the Extended Yale B database, and the CMU PIE database, demonstrate the promising performance of the proposed method for face recognition, outperforming the other used methods.     

基于改进的半监督主动学习的雷达信号识别

为解决在雷达信号分类识别过程中训练样本较少的问题,本文提出了联合主动学习和半监督学习,并对其伪标记样本进行迭代验证改进的分类算法。针对复杂的电磁环境下雷达信号识别率低的问题,本文将径向高斯核时频分析应用于雷达信号,并对时频分布进行奇异值分解,提取出奇异向量作为雷达信号识别的特征参数。针对传统的半监督主动学习算法的不足,利用改进的半监督主动学习算法构建分类器,该算法通过对伪标记样本进行迭代验证来提高伪标记信息的准确性,从而改善了最终的分类性能,实现了在可获取的有标签样本数量较少的条件下对雷达信号的高概率识别。仿真结果表明,本文提出的特征识别方法可以获得较高的识别率。      

基于核协同表示与鉴别投影的辐射源调制识别

针对辐射源识别中的特征稳定性不高和低信噪比环境适应性不足等问题,提出了一种基于二次时频分布、核协同表示与鉴别投影的识别方法.首先,通过时频变换、稀疏域降噪和二次特征提取的预处理算法降低噪声干扰和特征冗余,以获取高稳定性的二次时频分布特征;然后,采用核协同表示和鉴别投影思想进行降维学习和字典学习,以提升数据低维表征和类间鉴别能力;最后,通过离线训练完成系统优化并用于分类验证.仿真结果表明,二次时频分布特征具备较高稳定性,识别方法具备较强鲁棒性、时效性和适应性;当信噪比为-10dB时,该方法对8类辐射源信号的整体平均识别率达到96.88%.     

基于核主成分分析的二次雷达脉冲信号初始特征提取

针对二次雷达脉冲信号的特征选择与分类问题进行研究,提出了一种基于核主成分分析(KPCA)的初始特征提取方法.根据二次雷达脉冲信号的特点,首先经过数据整编、预处理,获取样本的初始特征参数;然后利用KPCA方法对特征参数进行主成分组合,以消除信号特征间的相关性和压缩特征向量的维数,最后利用聚类工具进行分类.数学分析和可视化实验结果都表明这种分析方法是有效的.试验还表明,KPCA在特征选取方面性能优于PCA.     

HSC分类法及其在海量数据分类中的应用

使用支持向量机对非线性可分数据进行分类的基本思想是将样本集映射到一个高维线性空间使其线性可分.本文则基于Jordan曲线定理,提出了一种通用的基于分类超曲面的分类方法,简称HSC分类法,它是通过直接构造分类超曲面,根据样本点关于分类曲面的围绕数的奇偶性进行分类的一种新分类判断算法,与SVM方法相比,不需要考虑使用何种核函数,不需要做升维变换,直接解决非线性分类问题.对数据分类应用的结果说明:HSC可以有效地解决非线性数据的分类问题,并能够提高分类效率和准确度.     

Linear frequency-modulated signal detection using Radon-ambiguitytransform

A novel time-frequency technique for linear frequency modulated (LFM) signal detection is proposed. The design of the proposed detectors is based on the Radon transform of the modulus square or the envelope amplitude of the ambiguity function (AF) of the signal. A practical assumption is made that the chirp rate is the only parameter of interest. Since the AF of LFM signals will pass through the origin of the ambiguity plane, the line integral of the Radon transform is performed over all lines passing through the origin of the ambiguity plane. The proposed detectors yield maxima over chirp rates of the LFM signals. This reduces the two-dimensional (2-D) problem of the conventional Wigner-Ville distribution (WVD) based detection or the Radon-Wigner transform (RWT) based detector to a one-dimensional (1-D) problem and consequently reduces the computation load and keeps the feature of “built-in” filtering. Related issues such as the finite-length effect, the resolution, and the effect of noise are studied. The result is a tool for LFM detection, as well as the time-varying filtering and adaptive kernel design for multicomponent LFM signals     

基于Hilbert信号空间的未知干扰自适应识别方法

针对大样本下未知干扰类型的分类识别问题,该文提出一种基于信号特征空间的未知干扰自适应识别方法。首先,基于Hilbert信号空间理论对干扰信号进行处理,建立干扰信号特征空间,进而利用投影定理对未知干扰进行最佳逼近,提出基于信号特征空间的概率神经网络(PNN)分类算法,并设计了未知干扰分类识别器的处理流程。仿真结果表明,与两种传统方法相比,该方法在已知干扰的分类精度方面分别提高了12.2%和2.8%;满足条件的未知干扰最佳逼近效果随功率强度呈线性变化,设计的分类识别器在满足最佳逼近的各类干扰中总体识别率达到91.27%,处理干扰识别的速度明显改善;在信噪比达到4 dB时,对未知干扰识别准确率达到92%以上。     

基于小波核主成分分析的相关向量机高光谱图像分类

相关向量机(RVM)高光谱图像分类是一种较新的高光谱图像分类方法,然而算法本身存在对于高维大样本数据训练时间过长、分类精度不高的问题。针对这些问题,该文提出一种基于新型核主成分分析的RVM分类方法。该方法首先将核函数引入到主成分分析中,然后应用小波核函数代替传统核函数,利用小波核函数的多分辨率分析特点,进一步提高核主成分分析(KPCA)非线性映射能力,最终将新型核主成分分析算法与相关向量机相结合,对高光谱图像进行分类。仿真实验结果表明,将所提出的方法应用于AVIRIS美国印第安纳州实验田高光谱数据预处理后,类内类间距离比降低20%,方差整体增幅较大,最终将处理后的数据应用于相关向量机的高光谱图像分类中,分类精度提升3%~5%。