基于符号化序列的PRI调制类型识别

在复杂多变的雷达对抗作战环境中,准确识别雷达信号的PRI调制类型并估算相应PRI值对有效的电子侦察和进一步的电子攻击有重要意义。本文提出了一种基于符号化序列计算香农熵、峭度和归一化二阶样本矩三个关键特征参数来区分不同的雷达信号PRI调制类型的方法。首先基于五种典型PRI调制类型的PRI和DPRI符号化序列计算得到特征参数,然后依据香农熵识别出抖动PRI,其次通过峭度识别出正弦调制PRI,进一步由归一化二本样阶矩区分正向滑变PRI、组变PRI和反向滑变PRI,最后通过大量的仿真验证了该PRI调制类型识别算法的有效性。     

基于周期样本图重构的雷达PRI调制类型识别算法研究

为提升对雷达脉冲重复间隔(pulse repetition interval, PRI)的分析性能,提出了一种基于周期样本图重构的雷达PRI调制类型识别算法。首先,建立了雷达PRI调制模型,分析了不同调制类型的信号特点;其次,利用到达时间(time of arrival, TOA)多阶差分序列估计了雷达PRI调制周期,并基于直方图算法重构了PRI周期样本图;然后,以PRI周期样本图为基础,提出了5个PRI调制特征实现PRI调制类型识别;该方法不仅能够提升PRI调制类型的识别准确率,而且对干扰脉冲特别是脉冲丢失具有很强的稳健性;最后,仿真实验表明了所提方法的有效性。     

基于脉冲序列重构的雷达PRI调制类型智能识别算法研究

雷达脉冲重复间隔（PRI）是雷达信号的关键参数,对于雷达性能发挥起着至关重要的作用。研判雷达PRI调制类型能够为雷达识别和性能分析提供重要支撑,是电子对抗领域的关键研究内容。针对现有PRI调制类型识别准确率受脉冲丢失影响较大的问题,本文提出了一种基于脉冲序列重构的雷达PRI调制类型智能识别算法。首先,基于到达时间（TOA）多阶差分序列实现了PRI调制周期的初步估计;其次,根据PRI调制周期重构了不同脉冲序列样本;再次,对重构样本进行去均匀值预处理,并以此为输入搭建了卷积神经网络（CNN）识别PRI调制类型,该方法能够减弱人工提取特征的局限性,不仅可以获取PRI序列的深层特征,而且具有更强的环境适用性;最后,仿真实验表明了所提方法的有效性。在脉冲丢失率小于60%时,所提方法对于所有PRI调制类型的识别准确率均在92%以上,平均识别准确率大于98%,在脉冲丢失率小于80%时,平均识别准确率在81%以上。     

基于多特征量的雷达辐射源脉间PRI调制识别

雷达辐射源脉间PRI调制识别一直是电子侦察领域的热点和难点问题。针对这一问题提出了一种基于多特征量的综合识别处理算法,根据固定、抖动、参差、组变等7种雷达脉冲常见的PRI调制方式特点,从时域及频域的角度出发,有针对性地提取了零交叉密度、PRI序列差分零点密度等多个特征量,通过建立特征量与对应门限之间的逻辑关系,有效实现了对7种常见PRI调制方式的识别输出,一定程度解决了现阶段部分识别算法工程实践性不强及可识别PRI调制方式较少的问题。     

基于LSTM的雷达脉冲重复间隔调制模式识别

针对现有基于雷达脉冲重复间隔(PRI)调制模式识别性能受特征选择和门限设置影响较大的问题,提出一种基于长短时记忆网络的识别方法.该方法以脉冲时间序列为输入,不需要人工选择特征和设置门限,通过构建信号参数特征自动提取及PRI调制模式一体化识别的循环神经网络结构,训练获得最优的网络参数完成雷达信号调制模式识别.仿真结果表明...     

基于晶振特征的重点雷达信号快速靶向识别

针对传统的PRI分选算法难以有效识别PRI变化复杂的重点雷达信号的问题,提出基于晶振特征的重点雷达信号快速靶向识别的方法。该方法避开常规PRI分选算法的分选流程,利用PRI之间的相关性对脉冲信号进行分选,可以对多目标同时识别。从PRI产生的原理着手考虑,PRI变化是否复杂对识别效果几乎没有影响。通过仿真与对比,验证该算法能够快速识别出重点雷达信号的脉冲序列,且对PRI变化复杂的雷达信号的识别效果较好。     

一种新的雷达PRI调制特征提取方法

针对雷达脉冲重复间隔类型识别中存在的问题,提出了一种基于Sp向量曲线的特征提取算法.根据4种典型模式的雷达信号脉冲序列的特点,该算法应用Haar变换从雷达脉冲信号中提取频率特征,构成二维特征向量,实现雷达信号PRI调制类型的自动识别.仿真结果表明,对特征向量进行大幅度降维后,不仅简化了分类器,而且用于PRI识别仍是可行和有效的.     

一种基于贝叶斯网络的雷达重频模式识别方法

雷达重频模式指雷达脉冲重复间隔（PRI）的调制样式，重频模式识别对于雷达型号、类别识别具有重要支持作用，但这是一个较困难的过程，一般难以通过单一重频特征完成多种复杂重频模式的自动识别。本文为解决雷达多重频模式自动识别及识别抗噪声干扰问题，针对多种重频模式提取了几种PRI序列特征量（重频特征），然后引入了贝叶斯多网络分类器（BMNClassifier），利用所提取的特征量作为贝叶斯多网络分类器输入节点，通过贝叶斯多网络分类器的概率推理能力来实现雷达重频模式识别。     

基于直方图和小波网络的雷达信号识别方法

信号识别是电子支援系统(ESM)的基础,作者在传统序列差分直方图的基础上,提出了基于小波网络对不同脉冲重复间隔(PRI)模式的雷达信号进行分类的新方法.仿真试验表明,该雷达信号分类算法具有收敛速度快、自适应能力强、结构简单等优点,并且该算法在脉冲有丢失或被噪声污染的情况下仍然有很高的识别概率.该算法在雷达对抗中具有一定的实用性.     

基于PRI谱内特征的参差雷达信号分选算法研究

通过分析参差雷达信号的基本特征,针对PRI变换算法在参差雷达信号分选中存在的不足,提出了一种基于PRI谱内特征的参差雷达信号分选算法。该算法利用PRI变换获取信号的时域PRI谱,进而根据PRI谱内脉冲对数特征完成参差信号帧周期的分选工作。仿真结果表明,该方法能够较好地实现参差雷达信号的分选工作。     

基于图像内容的过滤网关技术

本文提出一种新的基于图像内容的过滤网关技术,采用了结构化的识别框架,既考虑了图像的整体特征,也考虑了图像的局部特征,并在此分析的基础上,综合判断一幅图像是否是色情图像,从而实现了对网络中色情图像的过滤。     

一种新的提高掌纹识别率方法的研究

生物特征识别技术是通过人体本身所固有的、唯一的生理特征来自动地识别一个人。针对掌纹图像具有终身不变性、唯一性、主要特征明显、细节特征唯一等特点,论文提出了一种有效提高掌纹识别率的方法,即结合图像中的主元特征、不变矩特征和线特征的提取方法。该方法与单独使用主元特征提取、不变矩特征提取和线特征提取的方法进行了比较实验,结果证明新方法的识别率有明显提高。     

多摄像机在无重叠区域的目标匹配算法

基于颜色特征的目标匹配方法具有很好的区分性和直观性,但是特征本身受光线变化、背景复杂度等影响而对于目标识别准确率存在差异.针对这一现状,提出了一种新的基于时空局部特征和颜色特征的目标匹配方法.利用时空局部特征3-D LSK对待测视频中的运动目标进行行为识别,识别出具有相同行为目标.再结合目标的颜色特征,通过基于区域权重(Weighted Region Matching)的颜色匹配方法来识别出具有相同颜色的目标.对无重叠区域的多个测试视频进行的相关实验表明,该算法能够有效识别出普通场景下的不同目标,对于衣着颜色相近的不同目标也有很高的识别率.     

一种基于集成学习和特征融合的遥感影像分类新方法

针对多源遥感数据分类的需要,提出了一种基于全极化SAR影像、极化相干矩阵特征、光学遥感影像光谱和纹理的多种特征融合和多分类器集成的遥感影像分类新方法.对全极化PALSAR数据进行预处理和极化相干矩阵特征提取,利用灰度共生矩阵计算光学和SAR影像的对比度、逆差距、二阶距、差异性等纹理特征参数,并与光谱特征结合,形成6种组合策略.利用集成学习方法对随机森林分类器、子空间分类器、最小距离分类器、支持向量机分类器、反向传播神经网络分类器等分类器进行组合,对不同组合策略的遥感影像特征集进行分类.结果表明提出的基于多种特征和多分类器集成的新方法很好地利用了主被动遥感数据在不同地表景观类型提取上的潜力,综合了多种算法的优势,能够有效地提高总体精度和各类别的分类精度.     

压缩视频感觉质量的计算

论文提出了基于视觉特性、视频内容和模糊学的压缩视频感觉质量计算方法.方法的核心是利用视觉掩蔽特性.论文分析了与压缩视频质量有关的视觉特性及视频图像内容特性,提出了视觉掩蔽计算结构及用模糊学方法进行视觉阈值提升的计算方法,并给出了感觉峰值信噪比的压缩视频质量的计算方法,因而该方法使压缩视频质量的度量更符合人的视觉特性.     

一种结合边缘与区域信息的图像特征提取算法

为了能够较准确地表示图像的形状特征,提出了一种融合边界和区域信息的新的形状描述子。首先对图像进行二维离散余弦变换,获得低频系数作为区域特征。之后提取图像的轮廓并进行采样,形成描述形状轮廓的有序点列表,对每个采样点分别顺时针和逆时针等距离跟踪获得2个邻点,计算拱高以及质心距离。然后获取由拱高和质心距离组成的复函数的频域描述子,并组合区域特征与轮廓特征。对 MPEG-7标准图形库的检索实验显示,该描述子的检索性能显著优于三角形面积函数、质心距离函数与拱高半径复函数等同类描述子。     

基于提升小波的矩不变量车牌字符识别方法

车牌识别系统的关键在于字符的识别,而字符识别的核心是字符特征的提取。小波变换可以获取字符的细节结构特征,而不变矩能很好地对其进行描述,故将两者结合起来提取字符的特征;同时利用张量积小波分解的高频子图具有方向性的特点,提取字符的笔画特征,最终得到反映字符结构和统计特征的联和特征向量,并且字符图像的分解采用第二代提升小波算法进一步降低了计算复杂性。实验结果表明,此方法提取得到的联合特征向量能够取得98%的字符综合识别率,可以满足实际应用的要求。     

基于决策树的Landsat多光谱影像分类方法

构建了一种结合光谱特征和纹理特征的多光谱影像决策树分类方法.以Landsat-7影像作为试验数据,通过分析Landsat-7影像的光谱特征值及NDVI、NDWI和NDBI特征值,确定各类地物的综合阈值,同时运用灰度共生矩阵对影像进行纹理信息提取,得到对比度、熵、逆差矩和相关性等纹理特征图像.在此基础上,运用决策树分类法...     

融合颜色特征和对比度特征的图像显著性检测

图像显著性检测能够获取一幅图像的视觉显著性区域,是计算机视觉的研究热点之一。提出一种结合颜色特征和对比度特征的图像显著性检测方法。首先构造图像在HSV空间的颜色函数以获取图像颜色特征;然后使用SLIC超像素分割算法对图像进行预处理,基于超像素块的对比度特征计算图像显著性;最后将融合颜色特征和对比度特征的显著图经过导向滤波优化形成最终的显著图。使用本文算法在公开数据集MSRA-1000上进行图像显著性检测,并与其他6种算法进行比较。实验结果表明本文算法结合了图像像素点和像素块的信息,检测的图像显著性区域轮廓更加完整,优于其他方法。     

TCL: a taxi trajectory prediction model combining time and space features

Vehicle trajectory modeling is an important foundation for urban intelligent services. Trajectory prediction of cars is a hot topic. A model including convolutional neural network (CNN) and long short-term memory (LSTM) was proposed, which is named trajectory-CNN-LSTM (TCL). CNN can extract the spatial features of the trajectory in the input image. Besides, LSTM can extract the time-series features of the input trajectory. After that, the model uses fully connected layers to merge the two features for the final predicting. The experiments on the Porto dataset of The European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML-PKDD) show that the average prediction error of TCL is reduced by 0.15 km, 0.42 km, and 0.39 km compared to the trajectory-convolution (T-CONV), multi-layer perceptron (MLP), and recurrent neural network (RNN) model, respectively.