基于心理声学参数的水下目标识别特征提取方法

研究了响度、尖锐度、粗糙度、波动强度等主要的心理声学参数及其计算方法,利用主要的心理声学参数作为目标特征参数用于水下目标分类识别,并以正确识别率为准则对这些特征参数进行了修改。使用K-均值聚类方法对3类舰船噪声实测数据进行了目标分类识别仿真实验。实验结果表明,该方法提取的特征能够较好地反映信号本质,取得了较好的分类识别效果,特别是以修改后的心理声学参数为特征具有更高的识别率。     

分形在目标识别中的应用

本文介绍了分形的概念，并着得使用盒子维数和Ｈ参数两种方法对实际数字图像进行分析，区分了两种自然纹理，同时把人造目标人自然背景和中分离出来，实验表明，分形方法在图像分割，目标识别领域有着良好的应用前景。     

模糊波形分析在目标识别中的应用

本文描述了一种波形分析方法,它利用隶属度函数对新给定的波形中的峰谷值进行定量描述,从而将此波形表示为一模糊子集,并通过模糊子集的动态匹配完成波形的识别分类,实验证明,这是一种有效的波形分析方法,这种方法可以用于平面二维目标的快速识别分类,本文用飞机目标进行了实验,获得了较好的效果。     

支持向量机及其在目标识别中的应用

本文对基于统计学习理论的支持向量机学习方法进行了综述,并着重讨论了支持向量机在目标识别中的应用前景.     

角点在目标识别分类中的应用

本文描述了一种角点的形状分析方法。它选用相邻角点与形心所成直线之夹角,以及角点到形心之间的归一化距离作为特征,并证明了它们的平移、旋转和比例变化不变性。为了提高特征匹配的精度,本文采用动态分析的方法,将其应用于飞机目标识别之中。实验证明,这二组特征有较好的分类能力。     

感知归类在目标识别中的应用研究

感知归类是指人们在不拥有任何图像内容知识的前提下，从底层原始图像特征中提取有效的图像联系的一种视觉能力。本文着重介绍了感知归类方法在目标识别中的应用，通过使用感知归类中的接近、相似、连续等概念，逐步将底层的图像特征组合为高层的图像联系，直至获得有意义的语义表征。     

实时雷达目标回波波形发生器在雷达目标识别中的应用

在自动目标识别系统（ＡＴＲ）中往往需要对系统样机进行测试和评估。文中论述了为完成测试而提供信号的目标回波波形发生器,它可以复现实际采集的真实目标的回波,也可以产生由算法提供的目标任意仿真波形,还可以作为普通的波形发生器使用。该波形合成器能够以６４ＭＨｚ的速率从Ｄ／Ａ 输出缓存数据,同时提供了１ Ｈｚ～４ ｋＨｚ可编程雷达同步信号,输出合成回波信号,在示波器上可得到完全等同于Ａ 显示器的波形信号,为ＡＴＲ系统的性能测试提供了可靠的保证。     

BP网络进化及其在雷达目标识别中的应用

针对常规ＢＰ神经网络的ＢＰ算法只能训练固定结构的神经网络,存在诸如易落入局部极值、没有引入提高泛化能力的训练机制等固有不足之处,以及一些神经网络进化算法的进化机制中存在的缺陷,本文提出一种ＢＰ神经网络进化算法,并用于高分辨雷达目标一维距离像的识别问题。实验结果表明,经所述方法优化后的神经网络结构简单、泛化能力优于ＢＰ算法和一些进化算法训练的网络。     

数据融合在目标识别中的应用

介绍了数据融合及其一般功能模型、目标识别融合的三种结构层次 ,给出了目标识别融合的一般分类 ,即物理模型算法、参数分类算法、基于认识模型的算法。着重阐述和比较了参数分类算法中的Bayes理论和证据理论这两种不确定推理方法 ,给出了这两种方法的发展状况。列举了利用融合算法进行生物和军事目标识别的实例。     

深度学习及其在目标和行为识别中的新进展

深度学习是机器学习中的一个新的研究领域。通过深度学习的方法构建深度网络来抽取特征是目前目标和行为识别中得到关注的研究方向。为引起更多计算机视觉领域研究者对深度学习进行探索和讨论,并推动目标和行为识别的研究,本文对深度学习及其在目标和行为识别中的新进展给予了概述。本文先介绍深度学习领域研究的基本状况、主要概念和原理;然后介绍近期利用深度学习在目标和行为识别应用中的一些新进展;最后阐述了深度学习与神经网络之间的关系,深度学习的优缺点,以及目前深度学习理论需要解决的主要问题。这对拟将深度学习应用于目标和行为识别的研究人员应有所帮助。     

基于RS的SVM算法在空袭目标识别中的应用

在现代防空作战中,如何快速准确的对敌我目标进行识别,至关重要。本文结合粗糙集和支持向量机算法建立了基于RS的SVM增量学习模型,提出了基于快速求核和集合近似质量的粗糙集属性约简算法,改进了SVM增量学习算法。试验结果表明,算法正确有效,模型符合现代防空作战中对目标识别的要求,具有一定的实用价值。     

基于Adaboost-CSHG的特定类目标跟踪识别

目标跟踪识别是计算机视觉领域的热点研究对象。首先采用基于Adaboost的目标检测算法,训练得到了特定类目标坦克模型的级联分类器,对图像中的坦克目标完成了 “粗检测”;通过构建类属超图(CSHG)模型,采取Adaboost与CSHG相结合的方式,有效滤除了大量虚警,实现了对坦克目标的“精检测”,同时完成了对目标的跟踪;最后利用基于类属超图的目标识别原理对目标进行识别,实验结果表明该方法在简单背景和复杂背景图像条件下均具有可行性。     

一种SAR目标识别综合框架

概括了SAR图像中目标特点,分析了SAR图像目标识别主要采用的方法和存在不足,提出了一种综合的SAR目标识别框架。     

轻量级目标识别深度神经网络及其应用

针对当前一些主流的深度神经网络模型旨在追求准确率的提升,而忽略了模型的实时性及模型大小问题,提出了一种轻量级目标识别深度神经网络。基于深度分离卷积、分组卷积等轻量化的高效卷积方式,设计了用于图像特征提取的不变分辨率卷积模块和下采样模块,并依此构建了深度主干网络,并对网络进行了减枝。在创建的数据集上对视觉感知的目标识别模型进行了实验验证,获得了72.7%的mAP,在NVIDIA 1080Ti GPU上推理速度达到66.7 帧/s。     

语音识别系统及其特征参数的提取研究

在语音识别系统中,特征参数的选择对系统的识别性能有关键性的影响,本文主要研究几种重要的语音特征参数,包括线性预测倒谱系数、美尔倒谱系数、基于小波分析的参数等,并对这些参数进行了分析和比较,最后对语音识别的研究未来进行了展望.     

一种新的共振峰参数提取算法及在语音识别中的应用

采用了一种基于逆滤波器原理的方法来识别共振峰参数。用一组逆滤波器来逼近语音信号的短时能谱，通过动态搜索算法可以得到滤波器组中各个滤波器的位置与带宽，从而确定了共振峰的位置和带宽。采用了优化动态搜索的算法，提高了运算速度。把共振峰作为特征参数用于一个小词汇量的汉语语音识别系统中。识别正确率达到了98％。     

以地物识别和分类为目标的高光谱数据挖掘

高光谱信息挖掘技术是高光谱数据应用延拓与深入的重要环节,其核心在于光谱信息的挖掘,基于高光谱遥感信息的特点,探讨分析以地物识别与分类目标的高光谱数据挖掘技术,包括基于模式识别的高光说诺于光谱波形特征的挖掘技术,以及亚象元光谱挖掘。     

目标识别的线性规划方法研究

支持向量机采用二次规划提取支持向量,计算量大,所需内存大,速度慢,在识别应用上影响识别速度.因此从另外的角度出发,利用空间转化,将原样本空间转化为另一便于识别的空间,在另一空间中运用线性规划进行样本的拟支持向量的提取,再用拟支持向量对应的判决向量进行识别.实验表明算法适合大样本识别,可进行飞机目标识别,而且精度很高.与支持向量机相比,拟支持向量需要的内存少,识别时间相对短,识别精度高等优点.     

机器人足球视觉目标的快速识别

本文基于YUV颜色空间,采用Minkowski距离对颜色进行分类;利用改进的差分法,对图像中的目标进行检测和识别,提出了一种识别机器人足球比赛中目标的快速算法,提高了系统的实时性,减少了程序的运算量。