基于多神经网络分类器的军事目标识别方法研究

对军事目标类型的识别是军事信息处理中的一个重要环节.本文首先对军事目标进行特征提取,以矩和圆度两种不变矩特征向量作为神经网络的输入,分别采用了BP神经网络、自组织竞争网络、Hopfield网络对军事目标进行识别,最后采用了分类器多数投票法对识别结果进行融合,仿真实验结果表明采用多神经网络分类器融合的方法比单一神经网络识别率高,这对提高军事信息处理的准确性具有重要意义.     

基于YOLO神经网络的雷达目标成像识别评估研究

针对复杂地面背景环境下的武器装备精确探测识别需求,采用Lee增强滤波、对比度自适应直方图均衡化和能量归一化等图像预处理方法,提高SAR图像质量;通过引入两个可学习的参数和采用基于非极大值抑制(NMS)方法构建了优化的YOLO神经网络目标识别方法,对基于轮廓、纹理等特征的地面目标SAR图像自动识别进行了实验.实验结果表明,与形变卷积神经网络(DPM)和区域卷积神经网络(RCNN)相比,优化YOLO网络的目标识别率提升了10％以上,为基于目标成像识别的隐身性能评估提供了一种途径.     

一种在复杂背景彩色图像中划分手部图像的方法

对面部和手部图像进行正确定位是当前图像处理领域中的重要课题 .在机器人手势识别实验中 ,我们试图利用一个BP神经网络对连续手势进行识别 .由于实时性的要求 ,我们希望找到一种尽量简单的图像划分方法 .本文通过对采集到的彩色图像进行色度变换和色调过滤 ,成功的实现了从复杂背景的彩色图像中划分出手部图像 ,并提取其轮廓以供处理 .作为计算机图像识别的预处理过程 ,这种划分方法算法简单 ,易于实现 ,十分适合于实时彩色图像的划分与识别 .     

基于轻量级卷积神经网络的人脸识别方法

针对传统卷积神经网络在人脸识别中模型复杂程度高、处理数据较慢的问题,提出一种轻量级卷积神经网络算法。首先,通过对数据集采用剪裁、旋转等方式增强样本数据;然后,采用基于MobileNet的轻量级卷积神经网络对样本数据进行特征提取,并采用SSD目标检测器对样本数据中的人脸进行识别;最后,利用Python编程实现上述算法,并与传统的人脸识别算法进行比较。实验结果表明,采用的轻量级卷积神经网络算法在不失精度的前提下,处理速度更快,模型复杂程度更低。     

东巴象形文字识别方法

针对东巴文特有的结构特征进行了识别难点方面的分析,讨论了东巴象形文字的识别原理,提出了图像压缩、图像灰度化、平滑去噪、图像分割、归一化等图像预处理过程和基于特征提取的神经网络识别过程的东巴文识别方法,并通过实验对该方法进行了验证,实验结果表明了该方法的可行性。     

基于神经网络融合的目标识别技术研究

采用人工神经网络和数据融合技术设计了一种图像识别分类器.采用单层感知机网络、BP网络、径向基网络对汽车目标的特征数据进行识别,最后分别运用多数投票、平均Bayes、专家委员会三种融合算法把对各网络识别结果进行融合,得出最终判别结果.仿真结果证明了融合分类器用于图像目标识别/分类的有效性和可行性.     

自适应控制下图像分割及并行挖掘算法

针对海量图像数据中目标的分割及识别问题,提出了一种自适应控制下图像分割及并行挖掘算法.采用隶属度函数窗口宽度在图像直方图控制下自适应调整模糊阈值图像分割方法对图像进行分割,提取出感兴趣的潜在目标区域,基于共轭梯度法改进的BP神经网络算法对潜在的目标区域进行训练和识别,识别算法基于OpenMP并行处理模型开发来提高执行效率.结果表明:本文算法相对于基于偏移场的模糊C均值、灰度波动变换自适应阈值和自适应最小误差阈值具有更高的分割准确率,与传统神经网络算法的识别结果相比,平均识别率提高了8%,运行时间减少了2. 5 s.     

BP神经网络在图像信息提取中的应用研究

本文阐述BP神经网络在图像信息提取中的运用,包括：遥感技术、图像识别原理和模式识别常用的神经网络模型．针对目前在目标识别中应用最多的前馈神经网络模型研究其采用的BP算法,讨论了由于标准的BP算法存在训练时间长、收敛速度慢和易陷入局部极小值等问题,提出了BP神经网络分类器的设计方法、样本的选择及组织的改进方法．     

基于改进BP网络的机械零件图纸信息识别

在通过对BP算法加以改进，使其性能有所提高，收敛速度加快的基础上，提出了一种新的CAPP系统零件信息的输入方法，即零件的图纸经过扫描仪扫描获得数字信息、加载神经网络模式识别，同时将数字信息还原成CAPP系统中计算机直接读懂的信息，并加载网络测试加以验证。     

一种Chirplet神经网络自动目标识别算法

针对飞机目标的自动识别问题,提出一种联合特征提取与分类的Chirplet神经网络方法,实现一维高分辨率距离像的识别。Chirplet神经网络将Chirplet原子变换用于多层前馈神经网络结构的输入层,替换传统的激励函数对距离像序列进行特征提取;网络的分类部分由隐层和输出层组成。在训练过程中调整神经网络权值的同时,完成对Chirplet原子时频参数的自动调整,协调优化特征参数和分类器参数,使Chirplet神经网络同时实现特征提取和目标分类。对4类飞机目标的仿真测试结果表明,相比时频变换和Gabor原子网络等方法,具有四特征参数的Chirplet神经网络方法具有较高的识别率和抗噪性能。     

基于RBF神经网络的语音情感识别

介绍了径向基函数神经网络的原理、训练算法,并建立了RBF神经网络的语音情感识别的模型。在实验中比较了BP神经网络与RBF神经网络分别用于语音情感识别识别率,RBF神经网络的平均识别率高于BP神经网络3%。结果表明,基于RBF神经网络的语音情感识别方法的有效性。     

Full Digital Smart Fuze on Air Target

The intelligent fuzing is a kind of perfect way to optimize detonation location. The fuze can autonomously configure the warhead detonation mode to optimize the desired effects against the target. For the air target, the fuze can sense the impact in the impact mode then detonate the warhead on impact, otherwise, it will operate in the proximity mode and detonate at a closest approach to the target. The anti-jamming ability is also added on fuze’s full digital signal processing platform. The method for burst point’s controlling is analyzed and the digital intelligent fuze system based on system on programmable chip (SOPC) is designed.     

结合RSTC不变矩和LVQ神经网络的红外图像目标识别方法

通过分析比较红外图像的目标特征,为了达到理想的识别效果,在Maitra不变矩的基础上进行优化,选取RSTC不变矩作为目标识别的特征向量.采用LVQ神经网络建立识别模型,充分发挥神经网络的智能优势.对采集到的红外图像进行了测试实验,结果表明该方法可以提高识别效率.     

Actuation Delay-Time Estimation with Imaging Fuze

Generally,Doppler fuze can only estimate actuation delay-time with a limited precision.As an improvement,imaging fuze can estimate actuation delay-time more precisely with the available two-dimensional image of the target.In this paper,imprecision of actuation delay-time estimation with Doppler fuze is first analyzed theoretically in brief.Secondly,feasibility analysis and theoretical model of imaging fuze are described,in which a criterion is established for the actuation delay-time based on the image,and then an image based gray-value weighted least square (GWLS) algorithm is presented to calculate actuation delay-time of the imaging fuze.Finally,a simulation model of missile-target near-field encounter is established.Simulation results indicate that actuation delay-time of the imaging fuze is estimated more precisely than by the Doppler fuze.     

一种改进的卷积神经网络SAR目标识别算法

针对卷积神经网络在标签数据不足条件下易发生的过拟合现象及噪声条件下的合成孔径雷达目标识别问题,提出了一种改进的卷积神经网络目标识别算法．首先利用数据增强技术扩增训练集,以提高网络泛化能力;其次利用零相位成分分析对目标进行特征提取,得到一组特征集对卷积神经网络进行预训练．为优化网络结构,防止过拟合现象,在网络中采用了修正线性单元、Dropout、正则化、单位卷积核等稀疏性技术．实验表明,算法对各类目标及其变形目标子类具有较好的识别性能,并对噪声有较强的鲁棒性,是一种有效的目标识别算法．     

重构迁移学习的红外目标分类

红外图像目标分类在目标识别等领域有重要的应用价值,目前卷积神经网络在可见光图像分类方面达到了优异的性能。但对于红外图像来说,由于有标记样本数量少和图像成像差异大,直接使用现有的网络模型来处理红外图像无法取得理想效果。该文将可见光图像作为源域,将红外图像作为目标域,在深度网络中使用迁移学习方法来解决此问题。在迁移学习中,目标域网络提取的特征越能体现出本域数据的真实分布,那么在此基础上进行两个域的分布适配就更加有效,迁移后的目标域网络性能和泛化能力越好。该文首先利用大量无监督的红外样本训练了红外图像深度卷积自编码器,增强了红外图像域网络的特征表达能力。其次,通过减小源域和目标域的特征分布距离,使得两个图像域特征分布相似,从而将源域中深度网络的学习能力迁移到目标域。经过上述改进,相比于可见光图像预训练微调的方法,分类准确率提升了11.27%。     

小波分析在图像处理中的应用

简要介绍了小波分析的基本原理和分类,及其在图像处理中的应用。重点论述了小波分析在图像边缘检测,图像融和,图像消噪中的应用。并介绍了以小波分析为基础的人工神经网络是图像识别的一种很有前途的方法。     

采用改进YOLOv5网络的遥感图像目标识别方法

针对无人机目标识别中因遥感图像模糊、成像距离远、目标图像占比小等使得目标识别准确度不高问题,提出了一种基于改进YOLOv5网络的方法.该方法通过改进损失函数、改进特征金字塔网络(FPN)结构和增加平衡系数来提高目标识别效果.实验结果表明,在相同训练条件下,相比原始YOLOv5网络,改进YOLOv5网络对目标占比小于5％的小目标正确识别率有较为显著的提升,对目标占比仅有1％的小目标正确识别率提升了9％;对各类别图像识别准确率都有所提升,均值平均精度达到了0.767,比原始YOLOv5网络提升了3.2％.     

Feature Extraction of Radar Range Profiles Based on Normalized Central Moments

The normalized central moments are widely used in pattern recognition because of scale and translation invariance. The moduli of normalized central moments of the 1-dimensional complex range profiles are used here as feature vector for radar target recognition. The common feature extraction method for high resolution range profile obtained by using Fourier-modified direct Mellin transform is inefficient and unsatisfactory in recognition rate And. generally speaking, the automatic target recognition method based on inverse synthetic aperture radar 2-dimensional imaging is not competent for real time object identification task because it needs complicated motion compensation which is sometimes too difficult to carry out. While the method applied here is competent for real-time recognition because of its computational efficiency. The result of processing experimental data indicates that this method is good at recognition.     

一种人工神经网络方法在被动声纳目标识别中的应用研究

水下目标识别是水声信号处理领域中的一个重要课题。本文针对水下目标辐射噪声类别特征不明显的特点，提出了一种有监督的模糊ＡＲＴ神经网络（ＳＦＡＲＴ）分类器，通过对声纳目标信号的分类试验表明：该网络分类器具有迭代次数少，识别率高的优点，是一种很有实际应用价值的分类器模型。