低分辨雷达目标识别方法研究

利用目标对对空警戒雷达发射波形的调制效应，采用2种不同的方法，提取出低分辨雷达飞机目标机型（大、小）和飞机目标架次可资分类的特征参数，作为飞机目标机型（大、小）和架次判别的特征向量、特征矢量，然后采用神经网络对目标进行分类识别，给出用BP神经网络进行训练和识别的结果，并在低分辨雷达目标识别样机系统对飞机目标进行分类识别试验中，验证了所提取特征的有效性。表明该方法是有效的，这为常规低分辨雷达空中目标识别提供了一种新的途径。     

模糊极大—极小神经网络雷达目标识别方法研究

针对基于雷达目标结构特征的识别方法对目标姿态角变化敏感的问题，利用模糊极大－极小（ＦｕｚｚｙＭａｘ－Ｍｉｎ，ＦＭＭ）神经网络作为模式分类器，提出抽取稳健性目标结构特征的方法，构造出能较好地减少目标姿态变化敏感性的ＦＭＭ神经网络雷达目标识别系统。利用实测的五种飞机目标数据对其进行了性能检验，证明该识别方法能在较大的姿态模区内取得优良的识别效果。     

基于神经网络模型的自动目标识别

本文提取包含任意极化信息的目标体复数RCS的相关功率散射矩阵的迹作为目标特征,利用Hopfield神经网络的联想记忆功能,对含有不完全信息的雷达目标进行了鲁棒性的自动识别。本文最后给出了三个介质目标体的计算机软件仿真结果,并简要提及了硬件实现的途径。     

基于协同神经网络的导弹攻击目标识别方法研究

针对目标识别问题,采取了基于协同学的模式识别理论,引入了协同神经网络并对其稳定性进行了分析,提出了基于协同神经网络对军事目标进行识别的方法,并通过仿真验证了该方法的有效性。     

一种新的雷达目标HRRP识别方法

针对雷达目标回波的非平稳特性,推导了S变换及其快速实现算法,利用电磁场时域有限差分算法仿真了3种军用飞机的宽带散射信号,采用S变换对飞机目标的雷达回波进行时频分析,提取时频分布图的矩特征作为目标特征矢量,利用改进径向基函数神经网络对特征矢量进行训练和学习,最后对3种飞机作了分类识别,取得了很好的识别效果。     

地面目标的神经网络识别方法

本文提出一种基于图象矩特征的神经网络目标识别方法，完成了对具有大小、位移、旋转不变性地面目标的识别，采用投影法提高了矩的运算速度，在ＢＰ算法基础上，提出了使用黄金分割法及共轭梯度法相结合的改进ＢＰ算法（ＭＢＰ），提高收敛速度，仿真实验表明，在噪声及部分遮掩的情况下，该方法仍能够具有较高的识别率。     

基于最佳鉴别准则的目标识别方法

讨论了使用最佳鉴别准则作为特征提取的方法识别飞机的问题。在介绍最佳鉴别集求法之后,通过计算距离可分性测度得出该方法比一般的Ｋ－Ｌ变换提取特征具有更好的可分性;最后用模糊ＡＲＴＭＡＰ神经网络作为分分类器以处理后的数据进行识别。对某相控阵雷达所得到的三类过航飞机的数据识别结果表明,该方法可以得到更高的识别率。     

自动目标识别(ATR)可靠性研究

对同类目标畸变不变的正确识别率与不同类目标分类误识别率是衡量一个自动目标识别 (ATR)系统的两个最重要性能指标。但在实际应用中 ,ATR系统所获取的外场的目标与背景总是处于随时间不断变化的条件下 ,与系统所存储的参考目标通常都不会一致 ,从而导致相关识别SNR劣化。特别对于多目标识别与不同类目标的区分 ,常规的相关门限判决方法会造成很大的误识别 ,大大影响了ATR系统的识别可靠性。本文采用人工神经网络 (ANN)与模糊逻辑技术 ,对相关信号与噪声进行实时数字后处理 ,通过对信号与噪声强度分布等高线而不仅仅是强度的识别 ,大大提高了ATR系统的识别可靠性 ,改善了识别效率。     

复杂目标的时频特征提取及识别方法研究

本文首先研究了复杂目标的时频分布,得出目标在较大方位角变化范围内其时频分布具有相对不变性的特点,而后,基于这稳定的时频特征,给出了目标识别方法。对三种飞机模型测量数据的识别结果表明,该方法有高的识别率和识别的鲁棒性。     

一种高分辨雷达目标识别方法

研究了宽带高分辨雷达目标识别问题,基于目标一维距离像,提取目标散射中心特征,并根据该特征设计了简单目标的目标分类器,利用暗室测量得到的缩比模型高分辨回波数据进行识别,结果表明该识别方法具有良好的识别性能。     

复杂背景下回转体目标识别方法研究

提出了基于改进BP神经网络的复杂背景下的回转体目标识别方法,实现了对目标的准确提取.采用中值滤波滤除图像噪声,用改进最大类间方差阈值法进行图像分割.提取回转体目标7个不变矩特征作为神经网络输入的特征向量,建立了基于BP神经网络的目标识别系统,进行回转体目标识别,模拟实验结果说明,所提出的图像预处理方法可有效去除复杂背景图像噪声、准确地分割图像,选择7个不变矩特征作为回转体目标识别特征是合理的,基于BP神经网络的回转体目标识别方法具有较高的识别率.     

基于多重变换的一种雷达目标识别方法

利用多重变换，提出了一种雷达上述识别方法，将雷达回波信号与本振信号混频处理后采样，进行FFT，得到目标的一维距离像，计算其马氏距离，利用小波变换对马氏距离序列进行数据压缩，得到目标的特征向量，由相关识别法进行目标识别，由3类飞机模型测量数据的识别结果表明，该方法具有较高的识别率。     

基于双正交FDWT的雷达数据压缩和目标识别方法

本文由双正交共轭滤波器构造有限维内积空间的双正交多分辨分析和快速离散小波变换（ＦＤＷＴ），提出信号的对偶小波变换方法，并将其用于降低雷达数据存储量，提出双正交变换系数筛选方法以及基于压缩数据的小波域相关和最小距离分类方法，通过六 距离高分辩数据的分类实验，证明本文提出了的变换、压缩和识别方法是有效的。     

基于GFMM神经网络的雷达目标识别方法

新型的无师训练（General Fuzzy Min—Max，GFMM）神经网络是一种具备无师训练聚类识别能力的新型神经网络，它继承了原有GFMM网络的特点，在网络的拓扑结构和算法方面进行了较大的改进，增加了能够进行自适应在线学习的能力。基于无师训练GFMM神经网络的雷达目标识别方法完整地实现了雷达目标特征学习和识别的一体化过程。在某型对海警戒雷达舰船目标识别仿真应用实验中的结果表明：文中的方法优于其他传统的神经网络目标识别方法，在雷达目标识别方面具有良好的适用性。     

采用改进型AlexNet的辐射源目标个体识别方法

针对辐射源目标精确识别需求,结合以深度学习为代表的机器学习理论技术,提出将改进型AlexNet作为特征提取器,实现目标细微特征提取固化,形成智能化识别网络模型。以广播式自动相关监视（ADS-B）信号为实验对象,在机场实地采集了13个目标的ADS-B脉冲信号数据作为辐射源目标个体识别的训练和测试样本,利用AlexNet和改进的AlexNet验证了算法的有效性。结果表明,改进的AlexNet网络训练时间更快,综合识别率达到98.32%.     

一种改进的卫星通信信号识别方法研究

信号识别可为后续解析提供依据,在通信系统传输中具有重要作用。判识信号的调制类型,是实现通信信号正确接收解调的前提。针对复杂环境中卫星信号识别问题,提出了一种使用改进的高阶矩的方法,可更好地完成特征提取。在分类思路方面,采取前馈型多层神经网络优化分类器,且结合对卫星信道的深入分析,进一步提高抗噪性能和分类效率。该方法稳健性好,利于工程实现。最后,通过仿真试验验证了识别结果的有效性,且识别正确率高,性能较优。     

红外成像导引头目标识别方法研究

在红外成像制导中,如何实现目标识别是关键点之一。从静态目标识别、目标预测与动态目标识别三个方面,研究了红外成像制导中目标识别的方法。对于静态目标识别,采用计算目标形状特征和直方图特征的算法;对于目标预测,选用简化的卡尔曼滤波器模型;动态目标识别,通过计算目标特征最大变化率和海明距离的算法来实现。     

静态目标识别方法研究

交互式界面和虚拟现实领域中,如何建立人机交互是关键的重点和难点,起着至关重要的作用.目标识别是人机交互的重要领域,成为热门的研究方向.本设计描述了一个简单背景下的静态目标识别系统,包括目标训练和目标验证两部分.事先定义三种目标,再通过摄像头捕捉目标用于比对,将目标进行灰度处理和图像增强.基于SIFT算法提取目标特征向量...     

基于改进Mask R-CNN的绝缘子目标识别方法

为了提高绝缘子目标检测精度,缩短网络训练时间,提出基于卷积神经网络的InsuNet绝缘子目标识别方法.InsuNet网络采用56层卷积层作为主干网络,在特征提取网络的每个池化层后附加一层开运算,以过滤掉目标特征周围的干扰,增强算法鲁棒性.图像经主干网络传向区域提议网络提取感兴趣区域和主干网络前向传播的特征图共享给感兴趣区域对齐层固定特征尺寸,而后掩膜分支和目标分类、边界框回归分支并行输出ROI目标的掩膜、类别和回归框.结果表明,与Mask R-CNN模型对比,本方法在识别各种类型绝缘子时精确率达到94.7%,单张图像处理时间约为0.18 s,缩短了约40 ms.