声目标识别技术及其在坦克目标识别中的应用

根据随机信号理论、模式识别理论和人工神经网络技术，设计出一种以相关函数和数学期望为基本特片的声目标识别系统。将此系统用于现场实测的坦克信号识别，实现了坦克目标的自动识别。该方法具有快速及较好的识别性能。     

基于粗集的SVM算法在空袭目标识别中的应用

在现代防空作战中,如何快速准确对敌我目标进行识别,至关重要。本文结合粗糙集和支持向量机算法建立了基于粗糙集的SVM增量学习模型,提出了基于快速求核和集合近似质量的粗糙集属性约简算法,改进了SVM增量学习算法。试验结果表明,算法正确有效,模型符合现代防空作战中对目标识别的要求。     

复杂地面背景下多目标的检测和识别

对复杂地面背景下多目标的截获和攻击包括三个主要过程即::1)目标检测,2)目标选择或识别,3)目标截获及跟踪。本文对目标的检测和选择或识别的信号处理技术进行了探讨,对检测和识别方法进行了比较并给出了理论分析和检测及识别的概率计算。     

数据融合在雷达目标识别中的应用

数据融合（Data fusin)技术又称多传感器数据融合或分布式传感,即对多类、多源和多平台传感器数据进行组合,提供有关环境综合态势的一种数据处理技术。该技术在防空中首要解决的问题是,根据不同传感器信息源的信息,将飞机,导弹等不同空中目标航迹分类,实现对目标的探测、跟踪和识别。文中列出了其应用实例和用于雷达目标识别的各种数据传感器,分析了利用目标特征的统计或确定的、无知识库或有知识库的、用判定或信号融合的等类数据融合方案,讨论了加权平均法、表决规则法、模糊理论法、神经网络法等数据融合方法,并以“自动驾驶仪”为例,论证了专家系统在数据融合中的作用,由此提出了以专家系统和人工神经网络相结合的数据／信息融合是解决雷达目标识别之捷径的结论。     

D-S证据理论信息融合方法在目标识别中的应用

研究了D-S证据理论在多属性、多传感器模式识别中的应用。在基于D-S推理的信息融合中．其关键问题是基本概率赋值函数的构造。文中基于灰关联分析的思想提出了一种新的基本概率赋值函数的构造方法，并将它应用于辐射源型号识别，仿真实验结果验证了这一方法的正确性和有效性。     

基于最大隶属度的目标识别

对地空导弹将要拦截的目标进行识别,其主要思想是在综合多个因素的基础上给出待识别目标相对于已有目标集中各目标的隶属程度,通过隶属度排序,决定目标的种类,以便于为防空作战决策提供科学依据.最后通过实例说明该模型的合理性和有效性.     

多传感器数据融合技术在目标识别中的应用

提出了一种基于D-S证据理论算法的目标识别方法.该方法利用了两个CCD和一个热像仪分别提取弹标光源、干扰光源、随机噪声和火堆的特征向量,基于各特征的先验知识,采用D-S数据融合算法识别目标和干扰,有效提高了目标识别的概率.     

潜艇多信息源目标融合识别模型

潜艇目标融合识别系统提取多信息源的目标信息,融合成目标属性,自动完成目标识别.决策融合识别模型根据目标环境和情报信息,提取目标属性信息.据目标特征信息的输入,判定其类型,给出结果可信度.再据各识别结果和可信度进行加权融合,以确定目标最终身份.     

Hopfield网络在声目标识别中的应用

利用Hopfield联想记忆特性对声目标进行识别,并用计算机对系统的工作过程进行了模拟,模拟结果证明了Hopfield网络用于声目标识别的可行性。     

双向S-优势粗集及其在意图识别中的应用

针对传统的粗糙集模型不能有效处理具有动态特性的偏好信息系统这一缺陷,文中提出双向S-优势粗集模型.首先在双向S-粗集的基础上,引入优势关系,并将两者结合建立了基于优势关系的双向S-粗集模型.然后对该模型的性质以及该模型与优势粗糙集模型之间存在的关系进行了研究.最后通过在实例中对该模型的应用,表明该模型可成功应用于战场对敌意图识别问题.     

粗集理论在神经网络模式识别中的应用

基于粗糙集理论在神经网络模式识别中,利用粗糙集将采集的原始数据作为学习样本,量化样本属性值,组织决策表,将样本的条件和决策属性建为二维表并约简条件属性,仅保留影响分类的重要属性.将决策规则中必要条件属性神经网络化,通过粗糙集和神经网络并行学习实现最小决策规则,直到由最少属性构成的决策规则网络能正确划分所有测试集样本为止.     

Rough Sets Probabilistic Data Association Algorithm and its Application in Multi-target Tracking

A rough set probabilisfic data association （RS-PDA） algofitlml is proposed for reducing the complexity and time consumption of data association and enhancing the accuracy of tracking results in multi-target tracking appiication. In this new algorithm, the measurenlents lying in the intersection of two or more validation regions are allocated to the conesponding targets through rough set theory, and the multi-target tracking problem is transformed into a single target tracking after the classification of measurenaents lying in the intersection region. Severed typical multi-target tracking applications are given. The simulation results show that the algorithm can not ouly reduce the complexity and time consumption but also enhance the accuracy and stability of the tracking results.     

RS和RBF在雷达信号识别中的应用

为了更好地解决雷达信号识别的问题,简单介绍了粗糙集相关理论,在提出一种属性约简方法的基础上,利用粗糙集和径向基网络的优势,构建了一种耦合模型.通过对雷达信号实例的仿真实验,说明了该方法能够客观有效地对雷达信号进行识别,具有很强的实用性.     

基于BP神经网络的雷达目标识别算法研究

雷达目标特性复杂多样,而且容易受到电磁、地物、天气等因素的干扰和影响,使其在距离、仰角、方位的测量精度降低,制约了雷达对目标的识别,BP(Back propagation)神经网络具有学习功能,能够十分有效的提高雷达识别系统的效率.     

基于粗集-神经网络模型的目标识别方法研究

为了克服传统目标识别方法的缺点,建立了一种基于粗集理论和神经网络结合的粗集-神经网络模型,利用粗集对输入信息进行约简,剔除冗余信息,简化了生成规则和神经网络模型结构,提高了网络训练速度和运行速度,并通过仿真实验,证明了该混合模型的可行性.     

数据挖掘技术在目标识别中的应用研究

提出了基于数据挖掘技术的水中目标识别方法。藉助提取目标噪声特征量及模式识别算法，研究了三类目标的特征量提取与选择，实现了相同工作情况下的目标聚类分析。最终取得识别效果是比较满意的。     

一种新的基于粗糙集理论的雷达目标识别方法

针对雷达目标高分辨距离像维数高的问题,提出基于粗糙集理论的属性约简算法.设计了基于ReliefF算法的属性重要性函数,采用启发式搜索,进行属性约简.实验结果表明文中提出的属性约简算法较其他方法能够提高识别效果,显著缩短约简时间.     

数学形态学在机场目标识别中的应用

阐述了数学形态学的基本思想和基本运算，分析了机场目标的特点，设计了一种将数学形态学应用于机场目标识别的方法，通过Top—Hat变换、抽骨架、剪枝、阈值化等步骤，可以提取出机场跑道目标，实验结果验证了这一方法的正确性和有效性。