基于磁传感器的地面机动目标分类算法

利用大多数武器装备含有铁磁材料的特性,提出一种基于磁异信号的地面机动目标分类算法。根据不同类型目标对地磁产生相应影响的原理,探测目标存在和识别目标类型。磁传感器用于采集目标产生的地磁场扰动信号,通过统计样本集训练和设计分类器,检验目标信号特征的类型最佳匹配模式,并对常见的3类目标进行试验研究。结果表明这种分类算法计算量小,分类正确率高,可以适用于地面侦察和目标入侵检测。     

基于模糊超球面SVM的雷达高分辨距离像识别

高分辨距离像(HRRP)分类是对雷达复杂目标分类的一种重要方法.标准的一对一超球面SVM多值分类方法需要训练k(k-1)个子分类器,计算量大、训练时间长,并且存在决策盲区,不适宜用来进行HRRP目标识别.为了减少分类器数量,提高训练速度,文中根据超球面的几何特征引入了一种“倒数对称”的一维隶属度,构造了模糊超球面SVM分类器,该方法仅需训练k(k-1)/2个子分类器,既提高了训练速度又解决了决策盲区,HRRP实测数据识别实验表明了该方法的有效性.     

基于雷达高分辨距离像序列识别的研究综述

为了解雷达目标更多的详细信息,对基于高分辨距离像(high resolution range profile,HRRP)序列的目标 识别方法进行分析。对隐马尔可夫模型(hidden Markov model,HMM)、卷积神经网络(convolutional neural network, CNN)、循环神经网络(recurrent neural network,RNN)和长短期记忆网络(long short-term memory,LSTM)等面向序 列识别的分类器进行阐述和讨论,分析不同分类器用于HRRP 目标识别的发展历程,指出不同识别方法的优缺点及 适用性条件。结果表明,该研究可为不同识别场景下应用合适的分类器提供一些思路。     

基于边界链码的飞机目标检测方法

为有效区分天空背景下飞机目标的边界信息与纹理带入的噪声信息,完成飞机目标检测任务,对基于边界链码的飞机目标检测方法进行研究.分析作为典型人造刚体的飞机目标所具有的特性,利用Canny算法对图像进行边缘检测后,引入边界链码对获取的边缘进行建模;利用形态学修复对边缘的裂缝进行连接,通过滤除短边、验证封闭性及剪枝对边缘进行初步筛选与处理;提取边缘的直线段分量及角度跳变分量特征,构造并训练基于支持向量机的分类器,完成视频序列中边缘的分类,最终获取飞机目标的确切边缘.试验结果表明:该方法在确保分类器训练集大小的情况下,能够有效获取飞机目标的精确边缘,目标检测准确率达到96％,具有较高的工程应用价值.     

基于改进卷积神经网络的工频水下磁目标探测

针对工频水下磁目标信号特征提取难、目标数据样本少、识别精度低等问题，提出一种基于深度卷积生成对抗网络(DCGAN)与优化卷积神经网络(CNN)相结合的水下工频磁目标识别方法。该方法通过滑动时间窗将信号由一维时序空间映射到二维灰度值图像，将实测水下磁异常信号利用DCGAN进行数据增强，之后构建卷积神经网络并引入DY-ReLU动态激活函数对CNN网络结构进行优化，以达到对目标信号的分类识别的目的。实验结果表明，经由数据增强的网络模型识别率提高了10%;相较于其他常用的静态激活函数，优化的CNN识别率分别提高了4.5%、4%、3%和2.5%,识别精度达到92.5%。验证了该方法的有效性，为水下磁异常检测提供一种新思路。     

一种基于形态点特征的目标识别方法

脉冲激光扫描探测体制激光引信的处理对象一般为目标局部图像,由于获得的图像信息少,而且弹目交会姿态复杂多样,局部图像变化较大,识别比较困难。针对这一问题,提出了一种基于形态点特征的目标识别方法。该方法通过回波处理识别云雾目标,利用面积特征排除鸟类干扰,然后用形态学的处理方法对目标图像矩阵进行处理,提取形态点特征,利用点特征进行目标判别。进行了云雾回波实验并作了回波处理仿真,然后利用三维飞机模型对飞机姿态模拟,用得到的150个多种姿态的局部飞机图像进行了算法的验证,结果表明,92%能够进行识别,对弹目交会姿态适应性较强。     

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.     

基于HMM与K-均值聚类的声目标识别

提出一种隐马尔可夫模型和K-均值聚类混合模型的声目标识别方法.在该方法中,建立声信号的HMM,提取了声信号的线性预测系数（LPC）作为目标识别的参数,用K-均值算法对参数进行聚类,产生了训练和识别所用的特征向量.最后根据混合模型的识别算法判断声目标的类别.仿真结果表明：新的混合模型识别系统在声目标识别中具有可行性.     

基于随机森林的HRGV滑翔段飞行状态识别

针对临近空间高超声速再入滑翔飞行器(Hypersonic Reentry-Glide Vehicle,HRGV)滑翔段飞行状态识别问题,提出了一种基于随机森林的识别方法。首先将目标的飞行状态分为6类,通过运动方程生成具有代表性的飞行数据;其次分析了目标运动特性,利用运动参数构造特征属性并对其进行处理和筛选,得到最终样本数据。为实现雷达跟踪轨迹的飞行状态识别,将雷达跟踪数据进行平滑处理,经坐标变换后得到运动参数估计结果,并用训练好的分类器识别目标的飞行状态。试验结果表明,所设计的随机森林分类器识别精度较高,但当运动参数的估计存在误差时,识别精度会有一定程度的下降。     

基于特征学习的建筑物自动识别算法研究

针对单幅航拍灰度图像的建筑物自动识别问题,给出了一种基于类特征学习的算法结构.利用建筑物顶部的高亮度特性,采用基于灰度的OTSU方法实现图像的粗略分割;然后采用二阶高斯马尔可夫随机场（GMRF）模型描述已分割图像,得到目标/背景类的6维特征向量;以此特征向量及粗分割的类标记为训练集,训练支持向量机（SVMs）分类器学习两类特征,再用训练过的分类器重新分割图像;最后采用基于先验知识的规则对分割区域进行建筑物/非建筑物判定;理论分析和实验结果表明了算法的有效性.     

基于注意力机制的高超声速飞行器LSTM智能轨迹预测

临近空间高超声速飞行器具有非惯性轨迹形式和大范围、强机动的突防能力,对目标飞行轨迹的准确预测能够为反导拦截系统有效拦截提供有力技术支持。针对高超声速飞行器的滑翔式和跳跃式飞行轨迹预测问题,提出一种基于注意力机制的Seq2Seq轨迹预测模型,利用LSTM网络设计编码器和解码器,同时利用注意力机制提取的信息进行解码预测。该网络以目标轨迹的位置、速度、弹道倾角和攻角六维特征序列作为输入网络,网络输出为未来一段时间内的连续轨迹序列,利用弹道仿真模型获得的目标飞行器轨迹数据作为训练集对网络进行训练与优化。实验结果表明,该网络能够对高超声速飞行器的多种飞行轨迹进行有效的轨迹预测,预测误差小,能够为反导拦截系统提供有利参考。     

支持向量机在液体火箭发动机稳态段故障检测和诊断中的应用

将支持向量机方法用于某大型液体火箭发动机稳态试车数据的挖掘,建立了多故障分类器,采用23次试车数据对上述挖掘结果进行了测试,将测试结果与人工神经网络方法等所得结果进行了比较.并利用28类仿真稳态故障数据对该方法进行了进一步验证.结果表明,支持向量机方法是一种可基于小样本的、有效的液体火箭发动机故障检测与诊断方法.     

基于YOLOv5 改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目 标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、 占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数 据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始 的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。     

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。     

基于神经网络的战场被动声／地震动目标识别方法

目的在于研究人工神经网络在战场声／地震动目标识别应中的有效算法。通过建立战场目标声／地震动特性探测与分析系统,在总结目标特性规律,分析传统BP算法固有缺陷的基础上,采用改进的算法对分类器进行训练,典型战场目标信号样本检验表明,该方法具有良好的识别分类效果,利用基于神经网络的分类来实现对战场声／地震目标的识别分类是可行的。     

基于生成对抗网络的水声目标识别算法

目标识别是水声探测领域的难题,也是研究热点。在水声目标识别实际应用中,标记样本数量不足是制约识别结果的主要因素之一。针对水声目标噪声数据具有的小样本特点,基于深度学习理论提出一种基于生成对抗网络的识别模型。该模型从生成模型与对抗模型的相互博弈中,学习更多有效的识别特征信息,并与深度自编码网络和深度置信网络模型进行对比。仿真实验结果表明：在样本数量有限的情况下,生成对抗网络模型的识别效果优于深度置信网络与深度自编码网络;3种深度学习模型的识别性能均优于先提取梅尔倒谱系数特征,再用Softmax分类的方法。为进一步测试所建模型的性能,研究了3种深度学习模型在不同信噪比下的鲁棒性,仿真实验结果表明：生成对抗网络模型对噪声具有更强的鲁棒性。     

基于条件深度循环生成对抗网络和动作探索的行星轮轴承剩余寿命预测

为解决小样本和变工况下行星轮轴承剩余寿命预测准确率低的问题,提出一种基于条件深度循环生成对抗网络(C-DRGAN)和动作探索(AD)的行星轮轴承剩余寿命预测方法。将门控循环单元神经网络与条件生成对抗网络相结合,构建C-DRGAN,从非静态和非线性信号中提取故障特征,实现小样本和变工况下行星轮轴承的剩余寿命预测;采用基于AD的训练算法训练C-DRGAN,提高收敛速度,降低训练时间;根据训练后的C-DRGAN,利用多元线性回归分类器预测测试样本中行星轮轴承的剩余寿命。通过行星轮轴承加速疲劳寿命试验验证该方法的有效性。结果表明,该方法具有较强的非静态和非线性信号处理能力,并能在小样本情况下取得出色的行星轮轴承剩余寿命预测效果。     

采用主分量分析的非合作水声通信信号调制识别

由于信道传输特性、信噪比低等因素的影响,非合作水声通信信号的调制识别极具挑战性。对信号功率谱、平方谱进行主分量分析,提取代表不同类型调制信号特有信息的主分量作为特征参数,从而降低特征参数维度、抑制噪声影响,并在此基础上设计一种基于人工神经网络的水声通信信号调制方式分类器。海上实录信号数据的识别实验结果表明了该方法的有效性。     

基于改进离散粒子群优化算法的容差电路故障特征提取

采用故障信息量对容差电路输出信号中的故障征兆进行描述,采用等间隔选取特征点、单特征点诊断信息量最大和多特征点联合诊断信息量最大3种不同的特征子集选取规则,提出了基于改进映射函数、自适应权重、基于自然选择以及基于自然选择和自适应权重的4种离散粒子群优化（BPSO）算法对特征子集进行搜索的方法,并将获取的不同最佳特征子集分别用于训练不同的神经网络,并用训练好的神经网络完成容差电路的故障定位。仿真实验结果证明了容差电路故障特征子集的改进BPSO搜索算法的有效性,故障定位效率可达95.2%. 采用故障信息量对容差电路输出信号中的故障征兆进行描述,采用等间隔选取特征点、单特征点诊断信息量最大和多特征点联合诊断信息量最大3种不同的特征子集选取规则,提出了基于改进映射函数、自适应权重、基于自然选择以及基于自然选择和自适应权重的4种离散粒子群优化（BPSO）算法对特征子集进行搜索的方法,并将获取的不同最佳特征子集分别用于训练不同的神经网络,并用训练好的神经网络完成容差电路的故障定位。仿真实验结果证明了容差电路故障特征子集的改进BPSO搜索算法的有效性,故障定位效率可达95.2%.     

一种深度强化学习的雷达辐射源个体识别方法

针对传统依赖于人工经验提取辐射源个体特征的不足,提出一种基于深度强化学习的雷达辐射源个体识别方法。利用发射机非理想信道造成的辐射源信号包络在信号变化时呈现的不同瞬态信息,以信号包络前沿作为深度神经网络的输入状态,以辐射源类别作为当前输入状态的可选动作,通过卷积神经网络自动提取辐射源包络个体特征,并拟合当前状态动作对的Q值,进而以强化学习模型完成雷达辐射源个体识别任务。讨论了深度Q网络模型、深度双Q网络模型以及Dueling Network模型3种深度强化学习模型在辐射源识别任务中的应用。实测数据仿真实验表明：传统机器学习算法的识别率不足80%,而深度强化学习网络的识别率高达98.42%.