一个基于知识的航空影像目标自动识别算法

针对航空影像中复杂背景下目标的自动提取与识别这一难题，提出一种智能型目标识别算法。该算法包括图象分割，不变性参数提取和目标分类，利用一种基于知识的多特征融合和小波理论的多分辨率分析分割和提取图象目标，被提取的每个图象目标的不变性参数由改进的ＢＰ模型将图象目标分类，实验结果表明该识别虎法依据一定的先验知识，辅以人工智能的手段对复杂背景下的目标进行提取，复合，识别处理，从而到较为准确地识别出目标的最终     

基于证据理论的雷达信号融合识别算法改进研究

针对利用证据理论不能高效识别和区分复杂多变的雷达信号的问题,对证据融合识别算法进行了改进。首先引入分类策略和运用一致性排序法分别对待识别信号进行证据分类和求各参数的权重值;然后用改进的证据融合规则对信号进行参数加权融合和验证,再对各信号集中的信号进行融合和判决识别。仿真表明,改进后的算法可对待识别信号进行正确分类识别,识别率高,消耗时间少,适合实际信号的识别应用。     

异类传感器智能化信息融合理论与算法

主要研究了多传感器智能化信息融合算法、异类传感器信息融合中的时间配准及空间对准算法，提出了一种基于均衡信度分配准则的冲突证据组合算法。1、在经典粗糙集理论方法研究推广的基础上．提出了一种新的基于随机加权粗糙集模型的特征知识提取方法和利用阵列神经网络技术、模糊神经网络技术进行目标识别融合的计算方法。2、研究将知识发现技术和数据挖掘技术相集成．给出了动态目标识别融台的体系结构。3、针对目标综合识刷中冲突信息的组合问题．     

基于DRN和FasterR-CNN融合模型的行为识别算法

针对传统单人行为识别算法易受行人形态多样性、背景和光照等影响的问题进行研究。基于扩张残差网络（DRN）的精准分类效果及目标检测网络Faster R-CNN在目标追踪方面的准确性,提出了一种DRN和Faster R-CNN的融合网络模型。该模型在Faster R-CNN中融入DRN的扩张卷积残差块代替原来的一般卷积层,并对融合模型进行了两方面的改进：在每一层前面添加一个batch normalization层;用三层扩张卷积残差块代替部分两层残差块。实验结果表明三种融合网络识别算法在Olympic sports dataset数据库上较其他行为识别算法取得了更高的mAP。其中,包含三层扩张卷积残差块的融合模型识别性能最好,mAP达到78.9%。     

支持向量机新模型及其参数特性研究

支持向量机C-SVM及υ-SVM是目前两种最为成熟的模型,但是从形式到算法、从参数特性到参数含义,它们都相互不同,这给人们的选择带来不便。为了将这两种SVM模型统一起来,提出一种新的模型Cυ-SVM,并依据统计学习理论,研究它的解的特性。给出了新模型解的完备性条件,找出它的解及其相应的算法,并指出了υ/C既是边界支持向量个数的上界,又是支持向量总数的下界。参数设置说明,新模型完全可以实现旧模型的所有功能,而新的算法更加方便诸如文本自动分类等领域的使用。     

基于MRF模型和EM算法的多源图像融合方法

提出了两种图像融合方法.该方法首先利用EM-MRF算法与模糊分类方法的等价性,将EM-MRF算法引入到图像融合领域.在此基础上,利用统计模型对图像进行非监督分类的模型参数估计转化通过EM算法从不完全数据中估计模型参数的问题,并利用Markov随机场模型建立类别的先验概率、EM迭代算法进行图像分类的方法有较高的分类精度和鲁棒性,导出了基于分布式和集中式多传感器图像融合模型的两种融合方法.最后仿真试验表明,这两种融合方法既可以提高分类精度,又可以加强对噪声的抗干扰能力.     

融合粗糙集和DS方法的空中目标类型识别算法

通过分析粗糙集和Dempster-shafe(DS)方法在描述不确定信息上的相似性,将这两种理论融合建立统一框架,提出了融合粗糙集和DS方法的空中目标类型识别算法.该算法通过知识库推导得出基本概率分配函数,采用基于粗糙集的信任函数作为可信度度量,使得改进后的算法更有理论深度.实验结果表明,算法具有良好的运行效果.     

数据融合算法的评估

任何一项技术的进步与其评估技术的发展密切相关，数据融合技术也是一样；随着融合理论的发展，提出了多种融合算法，但是目前尚未形成一个普遍公认的算法评估体系和标准；针对这一问题，提出了一种融合算法评估方法，利用该方法对采用Bayes理论和D—S证据理论进行目标身份识别的结果进行了定量分析，结果证明该方法具有可行性，可以对融合算法进行定量评估。     

用证据理论实现多信息融合的一种改进算法

本文简要地阐述了基于D-S证据理论的多传感器信息融合算法,提供了一种基于D-S 理论的推广方法以解决融合信息的相关性问题．文中用机器人的力觉和热觉传感器数据作融 合信息,对目标物体进行了分类识别试验．     

结合SVM与DS证据理论的信息融合分类方法

针对多传感器数据融合分类中,DS证据理论基本概率赋值难以解决的问题,提出了一种结合SVM与DS证据理论的信息融合改进方法。根据SVM对输入数据分类的实际情况和基于混淆矩阵得到的分类器局部识别可信度来构造基本概率赋值函数,实现了两者的有效结合,建立了SVM与DS证据相结合的多传感器信息融合模型。在决策融合过程中,重视和考虑了分类器局部识别可信度信息,并对算法进行了复杂度分析。基于UCI数据集和人工数据集的仿真结果表明该方法能够有效地降低融合识别的误差率,提高识别的可信度。     

一种KCCA融合局部特征和全局特征的目标识别算法

提出一种新的KCCA特征融合算法。首先分别提取目标图像的局部特征SIFT和全局Pseudo-Zernike矩特征,并利用K-means算法对局部特征进行预处理;然后利用KCCA将两种特征提取相关特征进行融合,最后将融合特征送入SVM分类器。对遥感飞机图像库做了分类识别的仿真实验。相比于单一特征和CCA特征融合的识别策略,KCCA识别率得到明显提高,理论分析和实验结果证实了该算法具有良好的准确性与可靠性,能够有效提高图像分类识别系统的准确度。     

一种基于模糊密度动态调节的融合目标识别方法

针对工程应用的需要,给出一种根据实时动态数据确定模糊密度调节系数的方法,并建立了基于模糊密度动态调节的融合目标识别算法.最后通过仿真实验给出了各种模糊积分用于目标融合识别时的识别结果,验证了所提出方法的有效性.     

一种基于DSmT和HMM的序列飞机目标识别算法

针对姿态多变化的飞机自动目标识别中的低识别率问题, 提出了一种基于DSmT (Dezert-Smarandache theory)与隐马尔可夫模型(Hidden Markov model, HMM)的飞机多特征序列信息融合识别算法(Multiple features and sequential information fusion, MFSIF). 其创新性在于将单幅图像的多特征信息融合识别和序列图像信息融合识别进行有机结合.首先, 对图像进行二值化预处理, 并提取目标的Hu矩和轮廓局部奇异值特征; 然后, 利用概率神经网络(Probabilistic neural networks, PNN)构造基本信度赋值(Basic belief assignment, BBA); 接着, 利用DSmT对该图像的不同特征进行融合,从而获得HMM的观察值序列;再接着, 利用隐马尔可夫模型对飞机序列信息融合, 计算观察值序列与各隐马尔可夫模型之间的相似度, 从而实现姿态多变化的飞机目标自动识别;最后, 通过仿真实验, 验证了该算法在飞机姿态发生较大变化时, 依然可以获得较高的正确识别率,同时在实时性方面也可以满足飞机目标识别的要求. 另外, 在飞机序列发生连续遮挡帧数τ ≤ 6的情况下, 也具有较高的飞机目标正确识别率.     

基于惯性传感器融合控制算法的聋哑手语识别

聋哑人如何与外界进行有效沟通一直是一个备受关注的难点问题。文中提出了一种基于惯性传感器融合控制算法的手语识别方案,旨在实现高效准确的实时手语识别。该融合控制算法采用反馈控制思想,对两种传统的姿态信息计算方法进行融合,减少了环境对传感器的影响,可以准确获取被测对象在瞬时状态下的姿态信息。该算法通过对自采的聋哑手语数据进行数据融合、数据预处理和特征提取等处理,利用支持向量机、K-近邻法和前馈神经网络分类器自适应模型集成的分类方法进行分类。结果显示,所提传感器融合控制算法有效地得出了实时姿态,该手语识别方案对30种聋哑拼音手语的识别准确率达到96.5%。所提方案将为聋哑人手语识别打下坚实的基础,并为传感器融合控制的相关研究提供参考。     

基于数据融合的SAR图像目标识别算法

目前卷积神经网络已经在SAR目标识别领域得到了广泛应用, 然而, 由于SAR图像的目标样本数量过少, 以及图像相干斑噪声的存在, 使得网络不能充分的学习样本深层特征, 对网络的识别性能会造成一定的影响. 针对上述问题, 提出一种基于数据融合的目标识别方法, 算法首先对原始图像分别进行噪声抑制和边缘信息提取处理, 然后将处理后的两类特征信息进行数据融合, 将单通道灰度图像融合扩充至双通道图像来作为训练样本, 同时构建了一个高低层特征融合的卷积神经网络模型, 使用注意力机制来加强了对有用特征的学习, 实验结果显示, 该方法在MSTAR数据集上, 表现了对不同目标型号的优秀识别效果.     

基于贝叶斯网络的多传感器目标识别算法研究

基于贝叶斯网络能够组合多种证据进行不确定性表达和推理的特点,提出以贝叶斯网络为基本结构的目标融合识别模型.通过详细分析空中目标识别的推理规则,建立了空中目标识别的贝叶斯网络拓扑结构.首先对各传感器的数据分别进行融合,然后应用贝叶斯网络推理算法对多种传感器融合结果进行融合计算,最后根据假定变量各状态的概率取值来判断目标平台类型.仿真结果证明了该方法直观、形象,计算速度快,降低了实用的复杂度,提高了目标识别的可靠性.     

基于类决策树分类的特征层融合识别算法

针对雷达组网量测数据不确定性大、信息不完备等特点, 基于决策树分类算法的思想, 创建类决策树的概念, 提出一种基于类决策树分类的特征层融合识别算法. 所给出的算法无需训练样本, 采用边构造边分类的方式, 选取信 息增益最大的属性作为分类属性对量测数据进行分类, 实现了对目标的识别. 该算法能够处理含有空缺值的量测数据, 充分利用量测数据的特征信息. 仿真实验结果表明, 类决策树分类算法是一种简单有效的特征层融合识别算法.

     

基于稀缺数据集下BN参数学习的目标识别

针对贝叶斯网络（BN）在目标识别参数建模中常常面临特征数据样本相对稀缺的问题,研究了将稀缺数据集与定性专家经验相融合来估算BN模型参数的方法——CSDE,并据此提出了一种目标识别算法。该算法在BN结构已知的情况下,将定性专家经验转化为BN条件概率之间的约束集合;随后引入凸优化求解方法完成BN目标识别模型参数的估算。在实验研究中,先通过对经典的BN模型的参数学习问题验证了CSDE算法的有效性;随后,针对实际稀缺样本数据集目标识别问题,进行了建模及识别实验。实验结果表明：所提出的算法能够较好地解决样本数据集相对稀缺条件下的目标识别参数建模问题。     

树状小波局部对比度与图像融合及性能评估

针对红外热成像中目标识别和跟踪的特点,提出了一种基于树状小波变换的局部对比度融合算法,首先采用多尺度树状小波变换的方法对已配准的源图像在相应的能量准则下进行分解,克服了小波变换的移变性;对于分解后的低频子图像采用加权平均的融合规则,对于高频子图像采用局部对比度量测的融合规则,融合图像既保持了源图像的细节信息,又滤去了红外成像中的各类噪声。采用交叉分辨力评价算子量测红外图像中目标与背景的衬比度;通过仿真及基于客观的图像融合评价标准,分别从信息熵、标准差、平均梯度和交叉熵四个参数对图像融合效果进行评估,证明了对于双波段红外辐射图像的融合,提出的融合算法优于小波融合算法、形态学区域分割融合算法。算法尤其适用于红外热成像系统的目标识别和跟踪。