基于条件证据理论的雷达辐射源识别方法

基于观测证据与先验信息和谐的思想。利用条件证据理论。提出了一种融合先验信息的雷达辐射源识别方法，首先将雷达辐射源观测数据通过灰关联分析表示为D-S数据的随机集形式。然后计算观测证据与先验知识之间的和谐度。最后利用条件证据理论将需要融合的证据进行组合，该方法可在复杂战场环境下充分利用不同来源的信息，提高雷达识别的可靠性。     

利用FPGA实现同步FIFO设置方法

文中在QuartusⅡ环境中,用VHDL作为编程语言,实现用FPGA器件对同步FIFO设置的方法,在基于DSP的图像处理系统中达到使同步FIFO高效完成数据缓冲作用的目的。这种方法对FIFO的使用具有很好的借鉴意义。     

一种新的三角模糊数型多属性决策方法

针对模糊群体多属性决策问题,提出一种模糊群体多属性决策方法．首先,定义了任意专家的中心决策矩阵;其次,利用任意2个规范化决策矩阵之间的相似度获得专家的综合重要性程度;再次,通过专家的综合重要性程度得到方案的平均可信度,进而得到方案的排序结果;最后,实例分析表明了所提出方法的可行性和有效性．     

基于粗糙集和灰关联理论的雷达辐射源信号识别研究

雷达辐射源信号通过射频、脉冲重复周期、脉宽、天线转速等属性来描述。然而这些属性并不是在每个雷达数据库中都对识别起作用,通过粗糙集理论对其属性进行约简和规则提取,并且确定各属性的权重。对于没有受污染或受污染程度较小的信号可以通过约简规则进行匹配识别,如果受污染程度较为严重或失真的信号或是由粗糙集约简得到多义的规则,则可以计算目标信号各属性与数据库中各信号各属性的灰关联度,并用粗糙集计算得到的各属性权重对各属性得到的关联系数进行加权求和,得到关联度最大者为识别结果。仿真结果表明,基于粗糙集和灰关联理论的雷达辐射源信号识别方法能够有效地缩减识别过程,得到满意的识别结果。     

基于改进模糊置信规则的意图识别方法

针对传统意图识别方法只能处理某种类型不确定性信息的不足,该文结合模糊集和DS证据理论优势提出一种模糊置信规则库(BRB)信息处理方法。首先在置信规则前提部分改进了前提属性的连接关系,根据数据集统计分布特点设计了模糊集分割,选取Cauchy型分布作为隶属度函数,较好地避免置信规则无法被有效激活进而导致系统无有效输出问题;其次融合处理辨识框架内不同类别的置信分布,建立规则权重和特征权重优化模型,构建了特征空间与类别空间之间的输入输出关系;在此基础上,计算未知意图数据在相应规则模糊域的匹配度和激活度,采用置信度最大原则进行识别决策。通过实验验证、参数敏感性及结果分析、时间复杂度分析,表明该文方法可以获得比其他识别方法更高的正确率,尤其是在小样本条件下更能体现出该方法的有效性和可靠性。     

一种新的灰色多属性决策方法

针对模糊群体多属性决策问题,提出一种新的灰色多属性决策方法.该方法依据一般的灰色关联分析方法的基本思路,将灰色关联度和欧氏距离有机结合,构造出一种平均相似度对方案进行评价.平均相似度同时反映了方案与正负理想方案之间的位置和数据曲线的相似性差异,其物理意义更加明确.最后通过算例表明了所提出方法的可行性和有效性.     

基于Dezert-Smarandache理论的递归目标识别融合方法

多源信息融合的一个主要应用方向是目标识别, Dezert-Smarandache理论(DSmT)是一种有用的不确定推理方法, 能较好地解决强冲突情况下的信息融合问题. 在经典DSmT的融合过程基础上提出3种递归时空信息融合的方法: 集中式、分布式无反馈和分布式有反馈的融合方法. 当系统引入完整性约束条件时, 需要采用证据的冲突系数来确定组合顺序, 这在一定程度上克服了混合DSm组合规则不满足结合律的缺陷. 最后用数值算例说明了本文所提出方法的有效性.     

基于稀疏表示分类器的和弦识别研究

和弦识别作为音乐信息标注的基础,在分析音乐结构和旋律方面具有非常重要的作用.结合音乐理论知识,提出一种基于稀疏表示分类器的和弦识别方法.与传统的基于帧的识别方法不同,以节拍作为和弦变化的最小时间间隔,利用CQT (Constant-Q Transform)变换对音乐信号进行时频分析,提取PCP (Pitch Class Profile)特征,采用稀疏表示分类器(Sparse Representation-based Classification,SRC)进行和弦识别.实验结果表明,提出的特征和识别方法在识别率上均高于传统的方法.     

用于异质信息的信任区间交互式多属性识别方法

为了解决混合类型数据与专家知识等异质信息的融合决策问题,该文提出了基于信任区间的交互式多属性识别(BI-TODIM)方法。完善了混合类型数据的距离测度,根据信任区间的构建定理和灰关联方法构建了未知目标混合类型数据的信任区间,阐明了信任区间与直觉模糊数之间的等价关系,创建了混合类型数据和专家知识的识别决策模型,实现了特征层信息和决策层信息的统一表达;分析了基于信度函数的逼近理想解(BF-TOPSIS)方法的反转现象及算法的复杂度,定义了区间数的序关系,提出了BI-TODIM识别决策方法,及基于直觉模糊熵的未知权重计算方法。结合算例和目标识别案例,验证了该文方法在解决排序反转和异质信息融合方面的有效性,突出了该方法时间复杂度低、稳定性好、识别准确度高的优点。     

累积量测序列的区间云变换及识别

目标多属性序列类数据不能直接与数据库中的区间类数据融合识别, 对此, 提出一种基于云变换的序列-区间异类数据识别算法. 对目标多属性序列数据进行频数计算形成频率分布函数, 并进行虚警检测, 实施云变换形成云簇, 提取云簇特征, 再根据3 En 准则形成云滴区间, 实现了序列型数据的区间化表示. 进一步, 利用一种区间多属性识别判定准则进行识别判定, 得到识别结果, 解决了序列-区间异类数据的识别问题. 仿真实验结果验证了该算法对序列-区间异类数据识别的有效性.