基于TDRNN的大气层外弹道式空间红外目标识别

该文提出一种基于时延回归神经网络(TDRNN)的大气层外弹道式空间红外目标识别方法。该网络采用自适应时间延迟器和输出层回归结构,可以针对输入时间序列信号的局部时变信息自适应选择延迟步长,而且具有边跟踪边识别的记忆性动态识别功能。综合考虑弹道式空间目标热物参数和运动状态、空间环境辐射和红外传感器效应等因素,仿真了典型弹道式空间目标的动态红外辐射强度数据,进行了目标识别实验研究。仿真结果表明,提出的TDRNN网络对于弹道式空间红外目标有很强的分类能力。     

一种新的红外机动目标识别算法

为了改善因红外图像中目标轮廓模糊造成的识别率低,提出一种适用于红外机动目标的识别算法。通过自适应步长的细菌觅食算法对BP神经网络进行优化,利用图像中目标的最左点和最右点及两极点上部的目标边缘信息构造以局部面积比组成的特征向量,通过神经网络对目标分类识别。实验结果表明本文提出的识别算法不仅提高了BP神经网络的收敛速度和计算精度,同时有效地提高了对机动目标的识别率,当目标部分区域被遮挡时也有很好的识别效果。     

目标识别决策层融合神经网络算法研究

该文针对毫米波／红外传感器融合目标识别问题,提出一种新的用于决策层目标识别的神经网络融合算法。该网络结构新颖,网络训练时修改的是门限而不是连接权值。融合后的识别率可比毫米波和红外子源提高9.7％到11.3％,因此,该算法是有效可行的。     

目标识别决策层融合神经网络算法研究

该文针对毫米波／红外传感器融合目标识别问题,提出一种新的用于决策层目标识别的神经网络融合算法。该网络结构新颖,网络训练时修改的是门限而不是连接权值,融合后的识别率可比毫米波和红外子源提高９．７％和１１．３％,因此该算法是有效可行的。     

基于主成分分析与BP神经网络的识别方法研究

利用BP神经网络对红外目标进行识别之前,若不对原始样本数据进行预处理与特征提取,一方面使识别结果准确性降低,另一方面使BP神经网络的结构复杂化,采用主成分分析法可解决这些问题。主成分分析法能较好地提取表征样本的少数几个主分量,由该方法的特点可知,这几个主分量彼此不相关,非常符合特征优化的要求。研究结果表明,用该方法处理后的结果数据输入BP神经网络．提高了识别正确率,减少了训练时间,同时也简化了网络结构。将两种常见的模式识别方法结合用于红外目标识别：先由主成分分析法对原始样本数据进行精简处理,然后再由BP神经网络法进行分类识别,与传统的单一识别方法相比,准确度得到提高,计算量大为减少。     

基于深度卷积神经网络的红外过采样扫描图像点目标检测方法

针对红外过采样扫描成像特点,提出一种基于深度卷积神经网络的红外点目标检测方法.首先,设计回归型深度卷积神经网络以抑制扫描图像杂波背景,该网络不含池化层,输出的背景抑制图像尺寸与输入图像一致;其次,对抑制后的图像进行门限检测,提取候选目标小区域原始数据;最后,将候选目标区域数据依次输入分类型深度卷积神经网络以进一步判别目标、剔除虚警.生成大量过采样训练数据有效训练两个深度网络.结果表明,在不同杂波背景下,该方法在目标信杂比增益、检测概率、虚警概率和运算时间等方面,均优于典型红外小目标检测方法,适用于红外过采样扫描系统的点目标检测.     

基于红外双波段图像融合的点目标识别

为解决红外警戒系统中点目标的识别问题,提出了一种新的点目标识别方法。该方法 首先分别对单波段红外图像进行背景预测与抑制,然后对取自适应阈值后的双波段图像根据目标的运动特征进行融合,最后通过图像序列分析给出最终的目标识别结果。仿真实验表明,该方法对背景有很好的抑制效果,可大大减少目标识别中候选目标点的数目,因而有利于点目标的识别。     

基于BP网络的雷达目标距离像识别性能仿真

针对反向传播(BP)神经网络用于高分辨率雷达目标距离像分类的问题.讨论了对识别性能产生影响的主要因素:训练算法的选择、输入数据的预处理方法以及神经网络的参数设计。利用4种飞机模型的重点散射源二维分布测试数据和频率步进法得到目标的一维距离像,对于从不同方位角范围内获得的距离像,用BP神经网络对目标识别的性能进行了仿真测试,结果表明选择弹性传播算法或模拟退火弹性传播算法训练网络时具有更好的分类性能,而且对输入样本进行对数变换也有助于提高识别率。     

基于优化概率神经网络和红外多光谱融合的大气层外空间弹道目标识别

针对大气层外空间弹道目标难识别的问题,该文利用红外多光谱数据融合的思想,提出一种基于粒子群优化概率神经网络(PNN)的大气层外空间弹道目标识别方法。该方法首先通过一种新的多色测温方法提取出弹道目标的温度变化率和有效辐射面积两类动态特征,然后利用高斯粒子群优化(GPSO)方法对PNN的平滑因子进行优化,最后利用优化的PNN完成4类典型空间目标的识别。该方法融合了多光谱信息并提取出了多个动态特征,具有较强的鲁棒性。另外,该方法充分利用了概率神经网络的较高的稳定性和样本容错能力。仿真实验给出了4类典型空间弹道目标的多光谱红外辐射强度序列数据,并进行了目标识别研究。仿真测试结果表明,提出的优化PNN网络对多个弹道目标具有良好的识别能力。     

基于时空推理网络的空中红外目标抗干扰识别算法

复杂空战背景下的抗红外诱饵干扰技术是红外空空导弹的核心技术之一。针对传统静态贝叶斯网络不能表达序列图像中特征变量在时序上动态变化关系,提出了一种符合人类视觉推理识别过程的时空关联推理网络抗干扰识别算法。首先,提出的时空关联推理网络在考虑特征空间约束关系的基础上,引入了特征变量时间约束的先验知识,建立表达特征时空关联的目标推理网络识别模型,从而增强了序列图像目标识别的稳定性;其次,通过仿真数据构建样本集,离线训练学习时空关联推理网络结构及特征跳转概率参数,确定概率推理网络识别离线模型;最后,依据测试数据,结合推理识别网络模型进行概率推理,实现对目标的识别分类。实验结果表明,在伴随红外诱饵干扰投放的条件下,基于时空关联推理网络的抗干扰识别率达到94%,比静态贝叶斯网络抗干扰识别算法高3%,有效提升了目标识别的稳定性。