基于时空信息融合的复合引信目标识别方法

针对传统导弹引信不能有效识别目标的问题,提出了基于时空信息融合的复合引信目标识别方法。该方法利用BP(Back Propagation)神经网络获取基本概率赋值,根据时空信息融合算法进行证据组合,最后通过Dempster决策规则得到复合引信目标识别结果。实践表明,利用该方法进行复合引信多传感器信息融合,能够提高引信对空中目标的识别率。     

红外成象GIF中的神经网络识别算法

目标识别是红外成象GIF中的关键技术之一,利用神经网络可以完成目标识别的任务.在获得目标红外灰度图象傅立叶描述子特征的基础上,对BP神经网络、径向基函数神经网络和学习矢量量化神经网络在目标类型识别中的应用进行了研究.通过网络的设计及算法的仿真结果,比较了这几种神经网络的在目标识别方面的优缺点.     

地面多散射点目标识别的研究

在高分辨率探测信号的照射下,被照射目标已不能再简单看成单散射点目标,而是由许多散射点矢量合成的扩展目标。本文研究了在毫米波高分辨信号照射下地面坦克的模型和回波特性。经过对回波作Fourier变换,可消除时延因子的影响,获得时延不变的目标频谱特征,最后以频谱总能量及各分频段能量分布作为识别的特征向量。对目标的识别采用BP神经网络分类器完成,可获得较高识分率。     

基于拉普拉斯金字塔变换的红外/被动毫米波图像融合

针对单一的红外或被动毫米波图像在探测军事目标中存在的不足,提出一种基于拉普拉斯金字塔变换的融合方法。首先,对原始图像分别进行拉普拉斯金字塔分解;其次,取红外图像分解得到的顶层图像作为融合结果的顶层图像,其余层图像采用由红外和被动毫米波图像对应层像素绝对值取大的规则融合;最后,经拉普拉斯金字塔逆变换得到融合图像。实验仿真结果表明,该方法能有效的融合红外与被动毫米波图像中的重要信息,其融合结果较好的将军事目标和背景区分开,有助于改善复合探测器的目标识别能力并保持全天候工作。     

基于多传感器信息融合的路面等级识别研究

针对车辆行驶路面等级识别的问题,通过采集与融合多种传感器的信号数据,提出一种基于小波包和经验模态分解(EMD)协同信号处理方法.通过最大相关最小冗余(MRMR)算法对特征子集进行优化,优质特征子集将进入概率神经网络分类器(PNN)与随机森林分类器组成的级联分类器进行训练与测试,得到最终路面等级分类结果.仿真结果显示,与使用单一传感器进行路面等级识别相比,分类结果正确率得到有效提高.     

D-S证据理论在目标识别中的应用

根据地面目标运动引起的地震动信号的特征信息，应用多传感器信息融合的方法将目标正确分类。首先根据地震动信号在频域和时频域的多种特征，应用BP神经网络模式识别法，将地面车辆目标分为轮式车、轻型履带式车和重型履带式车。设计了一种以神经网络正确识别率作为基本概率赋值的方法，并应用D－S证据理论进行识别信息融合，训练样本和识别样本分别取自外场实验所获得真实有效的数据，通过对识别信息融合，以较高的可信度得到与识别样本相一致的识别结果，这表明所设计的获取基本概率赋值的方法及信息融合算法是有效的，该方法可以推广应用于其他多传感器或多信息源的探测识别系统中。     

基于证据组合理论的多传感器目标识别算法

为了提高多传感器目标识别的准确性，提出了证据加权数据融合的新方法。给出了证据理论的基本概念、组合规则、加权证据组合及决策规则，同时给出简单的多传感器信息融合模型。针对战场环境下多传感器系统获得的辐射源信息。通过仿真给出了文中方法的目标识别步骤及识别结果．仿真结果表明该算法提高了目标识别的准确性和有效性。减小了识别的不确定性。     

复杂战场对抗环境下空中目标抗干扰识别算法

针对复杂背景和红外诱饵对抗环境下红外成像攻坚破甲导弹空中目标识别的难题,提出融合强判别性特征的抗干扰识别算法,将区域生成、特征学习和分类识别融合至抗干扰算法中,形成从像素至区域,再到特征识别的逐级抽象的识别框架。首先通过模拟典型战场环境,生成大量不同对抗态势下的目标特性库,作为算法研究的基础;然后由像素相似性聚类形成候选区域,完成区域“粗粒度”定位;再将提取的各区域特征输入至特征选择模块,学习强判别性的特征;最后将选取的特征输入至改进的多分类支持向量机进行目标的分类识别,实现目标区的“细粒度”锁定。通过逐步细化的识别机制,识别复杂战场对抗环境下的空中目标。验证试验表明,算法在不同对抗态势下的弹道图像数据集中的平均识别正确率达到78.63%,可有效完成目标与干扰之间的区分,为工程应用中的算法研制提供支撑。     

融合神经网络与证据理论的发射场试验信息处理方案设计

为了提高发射场试验信息处理结果的可靠性,减小冲突信息的影响,通过对发射场试验信息特点的分析及对其中关键技术的研究,提出融合BP神经网络与DS证据理论的信息处理方案。基于神经网络的输出结果建立证据理论的识别框架,通过证据理论相关合成法则对得到的生成融合决策,提高发射场设备状态评估与决策的准确性。     

基于模糊神经网络的目标识别模型

目标识别是地空导弹武器系统决策糊技术的BP神经网络的目标识别模型.从传感器中提取目标特性,经过模型处理,可以较好地实现目标的类型识别.     

基于小波和神经网络的红外目标特征提取与识别

研究了小波和神经网络相结合进行目标识别的方法.利用目标信息主要集中在低频部分的特点,对信号进行小波分解,提取在不同频带信号的多尺度空间能量和不变矩作为特征量,再用BP神经网络进行识别.实验结果表明,该方法具有很高的识别率,充分说明了红外图像信号在小波子带上的不变矩及能量分布具有表征目标类别的信息.该方法对于精确制导武器的目标识别研究具有一定的实用价值.     

基于SVM决策树的数据链识别分类

摘要：为解决数据链信号识别分类的问题,提出一种基于支持向量机(support vector machine,SVM)决策树的数 据链识别分类方法。通过分析美军常用的数据链通信信号特征,采用小波变换法分析数据链的特征信息,得出小波 系数与信号能量分布的关系,根据SVM 算法原理,构建目标特征模型,对信号特征量进行识别分类,对SVM 分类 器的关键参数进行优化设计,并与BP 神经网络算法进行对比实验仿真。结果表明：SVM 决策树网络分类器在进行 收敛速度和准确率表现优异,能改善分类识别效能。     

基于模糊神经网络的目标识别模型

目标识别是地空导弹武器系统决策中的关键技术．针对目标特性，提出了一种基于模糊技术的BP神经网络的目标识别模型．从传感器中提取目标特性，经过模型处理，可以较好地实现目标的类型识别．     

基于子波变换和神经网络的直升机目标识别技术

在分析直升机噪声特性的基础上，利用子波变换对直升机所辐射的噪声信号进行特征提取，并采取ＢＰ网络分类器，成功地识别了干扰背景中的直升机目标，实际数据处理的结果证明了该方法的有效性。     

一种基于炮射地面震动传感器的目标识别算法研究

介绍了自适应遗传算法优化的BP神经网络(AGA-BP)算法在炮射地面震动传感器目标识别中的应用。首先针对BP神经网络可能未收敛到全局最小点的缺陷,提出自适应遗传算法与BP神经网络结合的一种优化算法。之后进行仿真实验并对履带和轮式车辆的采样信号进行时频分析,利用小波变换提取特征值。最后利用优化后的算法与传统算法进行了样本训练和识别,对比结果表明该方法能减少识别误差。     

基于复合基神经网络的声目标分类识别

根据径向基函数(RBF)神经网络和前馈(BP)神经网络的特点，将BRF网络和BP网络结合起来构成复合基网络，并使用此网络进行声信号的分类识别。试验表明，该网络具有较好的综合分类识别性能，其分类能力优于RBF网络和BP网络。     

基于BP 神经网络的弹壳表面缺陷分类方法

为了对弹壳表面缺陷进行分类,提出一种基于BP(back propagation)神经网络的弹壳表面缺陷分类方法。针对弹壳缺陷的特点,提取了各类缺陷的灰度特征、形状特征、几何特征,建立缺陷特征数据库,并采用改进的BP神经网络算法设计了缺陷分类器。实验结果表明,该方法在枪弹缺陷识别方面具有很好可行性和有效性。     

基于人工神经网络的红外探测效果评估

红外探测设备是红外系统中的重要组成部分,对其性能评估具有实际意义;分析研究了影响红外探测效果的主要因素,选取环境温度、相对湿度、能见度、辐通量、目标高度和探测距离为评价指标。针对神经网络良好的非线性映射功能及高精度的特点,构建了BP网络评估模型;实验表明:该方法简单有效,评估精度较高,具有很强的实际应用价值。     

卷积神经网络在飞机类型识别中的应用

为提高现代战争过程中对敌军飞机的识别能力,针对军用飞机样本量少、不同视角条件下形变明显的特点,提出一种融入center loss的卷积神经网络与ANN分类器结合的飞机类型识别方法.首先利用3Dmax软件制作的6000张5类飞机图片对构建的多层CNN模型进行训练,并利用这些图片的CNN特征训练ANN分类器,然后用训练好的网络模型和分类器对真实飞机样本进行预测分类.实验结果表明:在样本量少且目标形状复杂的情况下,该方法对5类军事飞机的识别精度可达到97.17％,是一种切实可行的飞机类型识别算法.