基于粒子群分类器的遥感图像目标识别

设计了一种用于遥感图像目标识别的粒子群分类算法。首先对数据样本预处理，利用粒子群优化算法通过训练数据进行分类规则的提取，根据提取得到的规则对遥感图像的目标进行分类识别。通过对实测遥感图像中飞机和舰船目标的识别实验，验证了此算法对遥感图像目标具有较高的识别率。     

核Fisher判别方法在低分辨雷达目标识别中的应用

将机器学习领域新的研究成果应用到雷达目标识别中，并开发有效、实用的分类器具有重要实际意义。核Fisher判别方法是基于Fisher线性判别方法而提出的一种非线性分类方法，在这种方法中使用了基于核的算法中的“核技巧”。本文研究了核Fisher判别分类方法在低分辨雷达目标识别中的应用，并用从某低分辨雷达录取的实际飞机目标回波数据时该算法进行了测试，实验证明了核Fisher方法在低分辨雷达目标识别中的有效性。     

小样本条件下基于数据增强和WACGAN的雷达目标识别算法

目前小样本条件下高分辨距离像雷达目标识别算法存在识别率较低、识别率稳定度较差等问题,对此,本文提出了基于数据增强和加权辅助分类生成对抗网络（Weighted Auxiliary Classifier Generative Adversarial Networks,WACGAN）的雷达目标识别算法.该算法首先根据雷达目标散射特性,通过时间镜像数据增强方法扩充数据集,然后将扩充数据集输入WACGAN,通过自动选择高质量的生成样本,使判别器在标签样本监督学习的基础上得到进一步优化,最后直接利用判别器实现对雷达目标的有效识别.仿真实验结果表明,本文算法在不增加识别时间的基础上,有效提高了小样本条件下对雷达目标的识别率和识别稳定度.     

基于测地线流式核的雷达目标高分辨距离像鲁棒识别方法

非合作目标识别常常面临少量不完备的训练样本、训练样本与测试样本信噪比不一致等现象，本文为此提出了一种基于测地线流式核的雷达目标高分辨距离像鲁棒识别方法 .该方法沿格拉斯曼流形中测地线积分提取不变特征，且通过核函数映射可获得解析特征提取表达式.该方法还可作为预处理手段对数据降噪，进一步提高其他算法的识别准确率.实验结果表明，对于信噪比失配和少量不完备样本等问题，该方法都具有鲁棒目标识别能力，并且满足实时性要求.     

免疫克隆分类算法

本文提出了一种新的数据挖掘分类方法——免疫克隆分类算法（Immune Clonal Algorithm for Classification，ICAC）．ICAC是一种基于免疫克隆算法的搜索机制和Michigan方法模型的规则提取和分类方法．与遗传分类算法不同，ICAC是一种自下而上的分类算法．ICAC虽然着眼于规则的进化，但是从编码到免疫算子的设计都立足于训练样本，可避免进化过程中产生无意义规则，且产生的规则是可解释的．文中将算法用于UCI数据集，并与现有的基于非遗传算法、遗传算法和分布式遗传算法的分类方法进行了比较实验．结果表明，ICAC是一种有效的分类算法．     

一种提高雷达HRRP识别和拒判性能的新方法

针对传统雷达HRRP自动目标识别算法中识别率较低和库外样本拒判效果不理想的问题,提出了一种基于数据预处理和子像空间的新识别方法。该方法一方面通过对数据的预处理来消除噪声的影响,另一方面通过建立子像空间进一步提高了库内样本的识别率,并基于假设检验理论引入了拒判门限,用于对库外样本进行拒判。实验表明,该方法不仅在识别率方面优于传统识别算法,且能有效对库外样本进行拒判。     

一种基于证据推理的自适应聚类算法

为了有效处理模式分类中的不确定信息，将证据推理的 Dempster 和 Yager 规则与 K-NN 分类相结合，设计了一种新的证据 K-NN 分类器。然后针对目标样本数据缺失且类别数目未知的识别问题，又提出了一种基于证据推理的自适应聚类算法。随机给定各分类对象的初始置信度和类别数目，通过所设计的证据 K 近邻分类器对目标数据类别属性和类别数目进行迭代更新， 实现目标数据的完全自适应聚类。通过仿真和真实数据集实验，将新算法与目前聚类识别中应用最为广泛的 FCM 进行了对比分析，结果显示新算法能够有效提高目标数据的识别正确率。     

基于灰色关联和不确定推理的HRRP 目标识别

由于HRRP 固有的信息有损压缩,利用单帧HRRP 样本进行目标识别时, 存在经典算法识别率较低而改进后的算法一般复杂度较高的问题。为获得更加稳健、可信的识别效果,文中基于MYCIN 模型,引入灰色关联算子,构造了不确定因子,提出了一种基于HRRP 序列的雷达目标识别方法。基于五种飞机模型高分辨距离像数据的仿真实验表明:与单样本的识别算法相比,所提出的算法具有识别精度高、稳定性好、抗干扰能力强等优点,具有较好的工程应用前景。     

基于多阶段分类的雷达目标识别

讨论了用一种新的识别系统识别高分辨雷达距离像（ＨＲＲＰ）,它先在Ｋ－Ｌ变换对距离像进行特征压缩后,用聚类分析进行识别呀基于某个规则排除某此种类,再对不能识别的模式,用种类少时效果好的最佳鉴别准则对模式进行特征提取,然后用模糊ＡＰＴＭＡＰ网络组进行分类,实验表明该方法比常规的单分类器方法有更高的识别率。     

中远距离舰船目标识别方法研究

分析了中远距离舰船目标的特点和对其进行识别的重要性,提出了一种新的舰船目标识别算法。该算法采用基于曲线进化的方法提取目标的骨架,通过计算目标骨架扩展的Hu不变矩提取目标特征,最后选用支持向量机作为分类器,并用创建的舰船目标的模型对分类器进行训练,利用训练好的分类器对实际获取的目标的红外图像进行分类识别。实验结果表明算法的识别率较高,鲁棒性较好。     

基于数据扩维的SAR目标识别性能提升技术

卷积神经网络的出现使得深度学习在视觉领域取得了巨大的成功,并逐渐延伸到合成孔径雷达(SAR)图像识别领域。然而,SAR图像样本量不足,难以支撑卷积神经网络的训练需求,并且SAR图像包含大量相干斑噪声及不确定性,网络结构的设计较为困难。所以,深度学习在SAR图像识别领域的应用受到阻碍。针对上述问题,文中提出一种基于数据扩维的SAR目标识别性能提升方法,通过对原始SAR 图像进行相关预处理操作并把处理后图像与原始图像结合,从而将一维的原始数据扩充成多维数据来作为训练样本。该扩维方法不仅间接扩充了样本量来支撑网络训练,同时也在网络训练前加入了“主动学习冶影响,所以无需针对SAR图像特性来构建复杂卷积网络,而采用成熟、简单的网络进行训练就可以达到理想的测试精度。最后,使用MSTAR 数据对该方法进行了性能验证,实验结果显示了所提方法的有效性。     

基于零相位谱的雷达目标识别

在基于高分辨雷达距离像的目标识别中，相位信息起着重要作用。文中对用于全景图像对齐的零相位表示法进行了改进，得到一种称为零相位谱的平移不变特征，它保留了除线性相位以外的所有相位信息，并进一步提取其低频部分作为识别特征，基于仿真数据的试验表明，与频谱幅度特征相比其识别性能有了较大提高。     

基于小波域两向二维主分量分析的SAR目标识别

针对合成孔径雷达图像目标识别在图像域进行特征提取时空间维数较高、计算复杂度较大、识别效率较低等问题,提出基于小波域两向二维主分量分析和概率神经网络的SAR图像目标特征提取与识别方法。该方法首先引入二维离散小波变换将预处理后的SAR图像变换到小波域,得到可充分表征目标特征信息的低频成分。然后提取低频子图像的两向二维主分量分析低维特征作为训练样本和测试样本的目标特征,最后由概率神经网络分类器完成目标识别。MSTAR数据实验结果表明,在特征矩阵维数低至6×3(原始图像128×128)的情况下平均识别率高达99.32%,且最高可达99.83%,该方法不但能够有效压缩目标特征维数和提高识别率,还对目标的方位信息具有很强的鲁棒性,可有效应用于SAR图像目标特征提取和识别。     

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。     

基于免疫克隆高斯过程隐变量模型的SAR目标特征提取与识别

作为一种非线性维数约减算法,高斯过程隐变量模型(Gaussian process latent variable model,GPLVM)由于其适合处理小样本、高维数据,因而在模式识别、计算机视觉等领域得到了广泛应用.基于此,提出一种基于改进GPLVM的SAR图像目标特征提取及自动识别方法,其中利用改进的GPLVM进行特征提取,高斯过程分类进行目标识别.传统GPLVM使用共轭梯度法对似然函数进行优化,为避免梯度估值易受噪声干扰、步长对算法影响严重等缺点,提出基于免疫克隆选择算法的GPLVM,利用其具有快速收敛到全局最优的特性提高算法性能.实验结果表明,该算法不仅降低了特征维数,且提高了识别精度,从而验证了算法用于SAR图像目标识别的有效性.     

一种红外目标自动识别算法

针对红外图像的特点,提出了一种红外目标自动识别方法,推导了不变矩的计算公式,以试验数据为依据分析了噪声的影响.试验结果表明,对于仅含有一个飞机目标的红外图像,本文提出的方法的识别准确率可达到80%以上.     

宽带毫米波雷达目标时延神经网络识别新方法

基于一维距离像和神经网络研究宽带毫米波雷达目标识别问题,研究了用于雷达距离像序列识别的时延神经网络模型及其学习算法,并提出了基于距离像序列的宽带雷达目标时延神经网络识别方法,还利用三种飞机缩比模型的暗室测量数据,研究了时延神经网络分类器中时延单元数目对分类精度的影响以及分类器的分类性能。实验结果表明：本方法具有良好的应用前景。     

基于高频电磁计算数据的太赫兹雷达高分辨成像研究

为揭示太赫兹频段雷达目标散射特性,基于高频电磁计算数据研究了太赫兹雷达高分辨成像方法.考虑到传统三维雷达成像面临的大数据量问题,提出了一种成像结果类光学图像的高分辨成像方法——方位/俯仰成像方法,通过推导其点扩展函数分析了该方法在高分辨率与散射点识别方面的优势.基于电磁计算数据的仿真与分析表,高频计算方法可以快速准确计算太赫兹频段理想导体目标RCS,高分辨成像结果可以分辨目标亚波长量级的细微结构特征.因此太赫兹雷达成像技术可获取目标更加丰富和精细的信息,为目标识别带来益处.     

基于凸优化的宽带雷达波形优化方法

针对宽带雷达目标识别波形优化中多类目标方位和初相不确定问题,在高斯色噪声背景下提出一种基于凸优化的波形优化方法。该算法通过半正定松弛方法对目标识剐波形优化这个非凸问题进行近似求解,较好地解决了多类目标方位和初相不确定情况下的波形优化问题。仿真结果表明：该方法可以有效增加各类目标之间的可分性,从而提高目标识别性能。     

宽带目标识别雷达的杂波抑制

飞机自动目标识别通常假定在高信杂比情况下,不考虑杂波对识别性能的影响,而实际中可能包含比较强的杂波。对宽带雷达,相邻回波间会出现越距离单元走动现象,传统杂波抑制方法不适用。针对这一情况,提出了一种适合于宽带目标识别雷达的杂波抑制方法。仿真结果表明,该方法在低信杂比情况下仍可保持较好的识别性能。