参数自适应的析取云模糊置信规则识别方法

为获得准确的模糊置信规则结构参数,提出了参数自适应的析取云模糊置信规则识别方法.为完成模糊域的自适应划分,提出了基于频数统计的双门限检测方法和基于包含度的双门限检测方法.用云模型作为模糊集,改变熵系数和超熵系数,实现对模糊集形状的调整;前提属性的联接设置为析取逻辑关系,改进了证据的基本概率赋值方式,对规则权重和属性权重...     

基于证据置信熵与相似性的目标识别方法研究

针对多传感器目标识别中证据存在非一致性问题,提出一种面向目标识别的基于证据置信熵与相似性的多传感器证据融合算法。首先,利用传感器证据非一致性不确定度与非特异性不确定度,提出了一种基于置信熵的传感器证据不确定性度量模型;在此基础上,结合传感器证据距离与证据冲突,设计了一种基于置信熵与相似性的传感器证据权重生成方法;最后,构建了一种多传感器证据融合模型。仿真结果表明,所提出的多传感器信息融合方法进行目标识别时,相较于传统算法具有更好的有效性。     

基于置信规则库的交通监控调度方法研究

交通监控是智慧交通的重要组成部分,而多摄像机监控调度则是交通监控中不可或缺的一部分,也是一个研究的重点.为了对交通监控进行更好地调度,本文提出一种新的基于置信规则库(belief rule base,BRB)的多监控调度方法.该方法首先阐述了监控摄像机调度的基本过程,建立了监控摄像机调度的BRB模型,以此来选择最佳摄像头来拍摄目标车辆.该模型使用证据推理(evidential reasoning,ER)方法进行推理,使用带有投影运算的协方差矩阵自适应进化算法(P-CMA-ES)对参数进行优化.最后,通过一个案例分析验证了该方法的有效性.     

基于可解释性可追溯置信规则推理的雷达效能评估

雷达作为一种主要的侦察监视装备,在复杂电磁环境实战化条件下发挥重要作用。文中提出一种基于置信规则推理的雷达效能评估方法。该方法是一种白箱方法,在效能评估过程中全程解析可见,具有良好的可解释性。同时基于解析步骤可以计算各能力/指标对雷达效能评估结果的贡献度,该过程具有良好的可追溯性,可用于识别关键能力/指标。面向某型雷达开展示例分析,结果表明文中提出的方法可以较好地完成可解释性可追溯雷达效能评估,并可用于支撑下一步雷达效能提升。     

一种基于置信规则的模糊推理算法

由于传统模糊推理不考虑前提属性相对于结论属性的重要程度,也不能处理包含分布式结论的规则,偏重解决模糊性而忽略了随机性,造成专家系统性能降低。针对这一局限性,提出了一种基于置信规则的模糊推理算法。该算法以置信规则为知识表达方式,规则前件论域不受连续性限制,它将单个前件匹配度依据其相对重要程度加权求和,并把置信规则的分布式结论按照置信度加权合并,最后通过规则计算得出结论;根据基于置信规则的模糊推理方法对FuzzyCLIPS进行扩展,并在鱼雷规避系统仿真中验证该算法的有效性。     

基于STK-ATT-BiGRU模型的旅游意图识别方法

为了推进互联网技术在旅游业中的应用,加强对旅游市场需求变化的监测,构建了一个能够基于网络文本准确识别在线用户旅游意图的模型。模型在BiGRU的基础上,引入了门控注意力机制以加强对重要特征的关注,并通过堆叠网络加深对文本语义信息的理解。为验证模型性能,使用爬虫工具抓取相关网络文本构建数据集,并在该数据集上对本文模型进行对比实验。实验结果表明,模型在旅游意图识别任务中体现出了较好的分析处理性能,相较于对比模型,准确率与F₁值均有显著提升。     

基于注意力机制改进的LSTM空战目标意图识别方法

空战对抗过程中的目标状态数据呈现时序性、多维性等特征,为进一步提升目标意图识别的准确率,提出了一种基于改进注意力机制的长短期记忆网络(LSTM)目标识别方法,将空战可能出现的目标意图识别当成一个多分类问题处理。该方法首先通过目标实时的状态数据,生成特征序列;接着采用注意力机制提升目标的特征学习能力,增强空战过程中的主要目标状态特征表示,得到具有权值分配的特征向量;最后利用LSTM网络对目标特征向量进行训练,通过softmax层实现目标意图的识别。仿真实验表明,该方法利用注意力机制有效增强目标的特征学习,进一步提升了LSTM网络的识别精度,具有一定的科学性和有效性。     

基于模糊贴近度和DS推理的辐射源识别方法研究

在复杂的战场电磁环境中,基于多传感器的属性特征关联方法是获得稳健辐射源目标识别的有效途径.考虑到单一识别算法的缺陷,综合模糊集合理论和DS理论的优点,提出一种基于模糊贴近度的DS推理辐射源识别方法,采用格贴近度作为相似性测度确定概率分配函数,并利用DS理论对多传感器信息进行有效融合.仿真结果表明,即使在恶劣的噪声环境下该方法亦具有较好的目标识别率,从而为工程应用提供了有益的参考.     

基于D—S推理的雷达信号模糊识别方法

提出了一种将D－S证据理论与模糊理论组合应用的方法用于雷达信号的识别，通过对信号的积累和对信任度（模糊隶属度）的重新分配，有效地解决了雷达信号的不确定性问题以及如何利用信号在时间上的冗余信息问题，提出了信号的正确识别率。并用仿真实验和正确识别率的统计结果验证了这种方法的适用性。     

基于推理和多属性决策的空中目标攻击意图判断模型

研究了空中目标攻击意图判断问题。基于知识推理方法可以利用专家知识,但高精度下计算速度慢,难以满足实时性要求;多属性决策方法计算速度快,但无法利用专家知识。结合两者优点提出了基于直觉模糊产生式规则推理(IPR)和多属性决策的空中目标攻击意图判断模型,直觉模糊产生式规则推理利用专家知识对目标相对独立特征进行高精度推理,获得相对独立特征的攻击意图可能性;多属性决策综合各相对独立特征攻击意图可能性获得目标攻击意图。最后应用一个实例对该模型进行了验证,结果合理且计算速度快,满足实时性要求。     

基于模糊聚类的攻击预警

为提高攻击预警的准确性,本文在基于攻击意图的攻击预警方法的基础上提出了一种基于模糊聚类的攻击预警方法.该方法通过聚类攻击行为,量化和反映攻击者的攻击意图,从而对攻击者的下一步攻击行为进行准确预警.实验表明,该方法能够在有效的时间内更加准确地预测并报警攻击者下一步攻击行为,满足攻击预警时效性和准确性要求.     

基于证据推理算法的联合作战效能评估方法研究

研究了一体化联合作战效能评估方法,给出了基于证据推理进行不确定多属性决策的数学模型及其在一体化联合作战效能评估中的应用方法.评估实例说明了所给出方法的有效性和合理性.     

流量异常检测中的直觉模糊推理方法

针对网络流量特征属性不确定性和模糊性的特点,将直觉模糊推理理论引入异常检测领域,该文提出一种基于包含度的直觉模糊推理异常检测方法。首先设计异常检测中特征属性的隶属度与非隶属度函数,其次,给出基于包含度的强相似度计算方法并生成推理规则库,再次给出多维多重式直觉模糊推理规则,最后建立异常检测中的直觉模糊推理方法。通过对异常检测标准数据集KDD99的实验,验证该方法的有效性,与常见经典异常检测方法对比,该方法具有更良好的检测效果。     

基于模糊模式和BP算法的手写数字识别

通过对多种手写数字识别算法的研究和分析，提出了一种基于模糊模式识别和BP神经网络寸亏写数字进行识别的新算法。首先应用BP神经网络对手写数字样本进行学习，然后再结合模糊模式识别的思想进行手写数字识别。实验证明：该算法与传统的手写数字识别算法相比，识别率明显提高。经过推广，该算法可应用于汉字识别、人脸识别等领域。     

基于模糊聚类视区划分的SAR目标识别方法

 现有基于模板匹配的SAR目标识别技术,多通过姿态遍历来构建和存储基础模板库.为降低计算消耗和存储开销,借鉴计算机视觉中视区概念,提出了一种基于非均匀视区划分的模板库精简方法.结合关键特征矢量,基于Gustafson-Kessel(GK)算法对视区作模糊聚类,以识别概率最优控制视区划分策略并提炼原型模板.采用典型舰船目标的SAR仿真图像集,验证了方法在精简模板库、实现高效SAR自动目标识别方面具有可行性.     

一种改进的模糊C-均值聚类算法在说话人识别中的应用

提出了一种将改进的FCM聚类算法与矢量量化相结合的说话人识别的方法。先从语音信号中提取待识别的特征矢量集,再利用矢量量化来设计码本,最后用改进的算法对待识别语音进行辩识。该算法解决了FCM算法对初始值敏感、易陷入局部最优的问题。所使用的特征参数较少,计算比较简单,但识别率较高,且具有较好的鲁棒性。     

基于心电与光电容积脉搏波特征层融合的身份识别方法

针对单模态的心电信号(ECG)或光电容积脉搏波信号(PPG)识别技术中存在的精度不高,未考虑类内相关性等问题,该文提出基于判别相关分析法(DCA)对ECG与PPG组合特征矩阵进行特征层融合以及对K-最近邻(KNN)和支持向量机(SVM)分类器在决策层融合的识别方法。实验结果表明,使用融合特征(ECG-PPG)与融合分类器(KNN-SVM)的方法对23名受试者进行分类识别的准确率可以达到98.2%,识别精度在常规环境下优于单模态识别。为多模生物特征身份识别提供了一种有效模型。     

基于直觉模糊集和POWA算子的目标类型识别方法

将编队级目标类型融合识别问题归结为一类具有优先级的不确定多准则决策问题,基于直觉模糊集和POWA算子的基本概念,分别定义了直觉模糊优先有序加权平均算子和直觉模糊混合优先有序加权平均算子,给出了确定其关联权重向量的方法。对编队级目标情报融合识别问题进行数学描述,结合直觉模糊熵权思想和直觉模糊平均加权算子,提出了基于直觉模糊混合优先有序加权平均算子的舰艇编队目标类型融合识别方法,利用实例对方法的有效性进行了说明。     

基于人体运动识别约束的室内定位方法

针对传统的行人航迹推算（Pedestrian Dead Reckoning,PDR）方法无法满足多运动状态下的定位问题,提出了一种基于神经网络运动识别辅助室内定位的方法。构建出卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元（Gated Recurrent Unit,GRU）组合的神经网络模型,用于识别人体的运动状态并完成分类。根据运动分类的结果应用到行人航迹推算中,分析和筛选运动参数特征作为算法的阈值约束条件来提高定位精度。在算法中运动步数由合加速度计数据波形检测得到,步长由运动状态的特征自适应调整步长模型。通过实验验证,CNN-GRU模型在自建数据集上的准确率达到99.6%。将识别结果应用到PDR中,在112 m 4种动作的矩形路线中定位误差为1.8 m,误差远低于传统PDR定位的19.9 m。实验结果验证了该方法的可行性。