基于多分类器组合的红外目标识别方法

针对以往的红外目标模式识别方法无法区分坦克与铁板假目标的缺点,提出了基于多分类器组合的红外目标模式识别方法.该方法对红外图像的每行像素使用线性分类器和BP神经网络分类器进行识别,用与规则对两分类器的识别结果进行决策融合,得到每行像素的识别结果,然后对多行像素的识别结果使用多数票规则及或规则进行决策融合,得到最终识别结果,完成对坦克、背景和铁板假目标的区分.仿真结果表明:组合使用BP神经网络分类器和线性分类器,可提高系统识别能力,能较好地完成目标识别.     

基于改进BP神经网络的模拟电路故障诊断研究

根据BP神经网络特点,提出对BP神经网络改进的方法,并以某负反馈放大器为例,采用改进后的BP网络进行故障诊断,步骤包括：故障特征向量提取、原始数据归一化处理、BP网络设计与训练。结果表明,在MATLAB7．1中运用神经网络工具箱中函数进行仿真,能有效进行故障识别、改善神经网络结构、提高故障诊断精度和速度。     

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.     

基于改进GA优化的神经网络故障诊断方法

在改进遗传算法和BP算法的基础上提出了一种普适的遗传算法与神经网络结合的算法模型.探讨了用改进的遗传算法与BP算法相结合对神经网络权系数进行优化;并将其应用于交流电机故障识别.实践表明,该方法是一种行之有效的智能故障诊断新途径.     

一种改进粒子群算法优化BP神经网络实现核素识别方法

为获得全局最优点,提出一种改进粒子群算法优化BP神经网络实现核素识别方法.该算法用一种动态改变惯性权重与学习因子的自适应方法,优化BP神经网络的阈值与权值,通过训练BP神经网络识别模型得到粒子群的全局最优解,利用最优权值与阈值实现核素识别.分析结果表明:该方法不仅能更快地收敛于最优解,同时能更好地平衡全局搜索和局部搜索能力,有效地改善算法的收敛速度和识别精度.     

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LM优化算法的BP神经网络目标识别方法

误差反向传播算法（Back-propagation简称BP算法）是当前前馈神经网络训练中应用最多的算法。针对BP算法存在局部极小点,收敛速度慢等缺点,通过采用基于优化理论的Levenberg-Marquardt（LM）算法来改进BP算法。对提取的目标瞬态特性特征归一化后作为BP神经网络的输入,通过Matlab仿真对网络进行调整,并将训练好的网络进行军事目标识别。结果表明,该方法合理可行,且收敛速度快,预测精度高,为目标识别提供了一种新方法。     

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。     

基于绕封模型的故障特征选择方法研究

在机械故障诊断中,基于原始大特征量的故障状态识别会导致识别精度的下降。特征选择可以去除原始特征中的冗余特征,提高诊断精度。但以前广泛应用的基于过滤模型的特征选择方法不能满足进一步提高精度的要求。针对此问题,提出使用基于绕封模型的故障特征选择方法,它采用遗传算法对特征集寻优,样本划分法进行错误率预测估计和BP神经网络学习算法进行分类。轴承诊断实例证昵,此方法有较好的寻优特征子集的能力,可以提高系统的诊断精度。     

基于模板匹配的数字图像识别算法

针对传统的模板匹配法只能识别简单的数字、字符等不足,故用矢量加权匹配法、矢量化特征提取法和中心不变矩法等几种新算法对其进行了改进。改进后的数字图像识别算法在数字图像识别方面具有很大优势。     

舰船辐射噪声功率谱特征提取方法研究

基于分段最小二乘曲线拟合方法,提出了一种的提取舰船噪声信号功率谱中线谱特征的新方法,通过一种新的坐标变换,用最小二乘曲线拟合方法精确提取了连续谱特征,将连续谱特征和线谱特征组合得到了舰船噪声的功率谱特征。利用BP神经网络对海上实录的两类目标噪声进行了分类识别,实验证明了方法的有效性,识别率达到90%以上,分类效果很好。     

用于弹载线阵红外与激光扫描成像引信的轻量化卷积神经网络目标识别方法

为了进一步提高末敏弹在复杂战场环境下对地面装甲目标的识别概率,提出了一种基于轻量化卷积神经网络的红外图像与距离像复合探测识别方法。网络设计考虑了弹载环境对实时性的要求,将网络划分为特征提取、特征融合2个阶段。在特征提取阶段,对不同源的图像进行了分布式卷积,提高了网络的并行性,降低了网络参数量与计算量; 为了弥补分布式卷积带来的特征损失,将距离像与红外图像的融合图像也一并作为网络输入; 在特征融合阶段利用深度可分离卷积实现了进一步的轻量化设计。通过仿真缩比实验环境获得的数据集进行实验验证,实验结果表明,网络具有较小计算复杂度的同时能够对复杂背景环境下的装甲目标进行有效识别。     

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。     

人脸识别常用方法及其发展现状

人脸识别的研究历史分为人脸面部特征人工识别、人脸人机交互识别、人脸机器自动识别3个阶段.人脸识别系统包括人脸特征检测与分割、人脸特征规范化、人脸表征和人脸识别4部分.根据表征方式的不同,人脸识别方法有:基于层次聚类的几何特征矢量模式识别法、基于代数特征矢量的特征矢量识别法、基于神经网络的人脸特征提取和分类器设计法.并详述了代数特征矢量法中经典的特征脸法的识别过程.近年国外采用小波分析的变换特征识别法,利用模式识别的最佳分割超平面分类识别法等是当前研究热点.     

融合卷积特征与判别字典学习的低截获概率雷达信号识别

针对低截获雷达信号通常采用人工特征选择,且在低信噪比、样本数量少情况下识别率低的问题,提出一种融合雷达信号时频图像的卷积特征与字典学习识别算法。该算法以表征信号调制方式的时频图像为基础,通过时频变换获得信号的二维时频数据,输入到LeNet-5卷积神经网络中。网络通过美国MNIST数据库手写数据集进行预训练,将预训练后网络中的2～6层网络参数迁移到新的LeNet-5中,取出第6卷积层的数据作为提取的卷积特征。使用判别字典学习方法进行识别。仿真结果表明：通过预训练处理能够加快网络的收敛与优化,有效提取到每类信号的卷积特征;与文献［4］、文献［24］、文献［25］、文献［26］中4种算法相比,利用判别字典学习能够在样本少、低信噪比情况下取得较高的识别率。     

基于多层双向长短时记忆网络的装甲车辆柴油机喷油器故障诊断

针对装甲车辆柴油机喷油器故障诊断不能满足实时在线监测的问题,提出一种基于多层双向长短时记忆 网络(bidirectional long short term memory,Bi-LSTM)的装甲车辆柴油机喷油器故障诊断方法。对柴油机喷油器故障 进行模拟实验,利用多层双向长短时记忆网络具备较长距离的时序分析能力的优势,分别将压力波特征值和压力波 时序信号作为输入进行故障模式识别验证。结果表明：该方法具有较高的识别精度和较快的分类速度,能够满足实 时在线监测的要求。     

基于双谱熵模型的故障模式识别

提出利用双谱计算信号的双谱熵,并作为特征参量进行故障模式识别的方法。分析了振动信号双谱的特征,在子空间分布概率下,推导了基于能量分布的双谱熵计算方法。在理论推导分析的基础上,进行了某齿轮箱在4种工况下的振动信号提取实验,建立了齿轮箱故障模式识别BP神经网络。最后将双谱熵特征参量作为输入,对设置了4种故障工况的齿轮箱进行了故障模式识别,成功地判别了4种工况,验证了方法的有效性。     

基于液体状态机的模拟电路故障诊断方法

针对模拟电路故障特征难以识别的问题,结合液体状态机神经网络的特点,从模拟电路故障特征样本获取和故障模式识别两方面入手,提出一种基于液体状态机的模拟电路故障诊断方法。该方法利用 Matlab 和 PSpice联合仿真,实现大量故障样本数据的自动获取,采用液体状态机进行故障模式的分类,并对两级阻容耦合放大电路的故障诊断实例进行仿真。仿真结果表明：该方法和目前应用最广泛的 BP 神经网络相比,故障识别准确率会有所下降,但训练时间远小于BP神经网络,且泛化能力强,对模拟电路故障诊断研究有一定的实际意义。     

改进的离散小波-优化极限学习机在倾转旋翼机故障诊断中的应用

针对倾转旋翼机飞控系统的故障诊断问题,提出一种改进的离散小波-优化极限学习机（OMELM）的故障诊断算法。提出自适应启发式小波去噪方法对采集的信号进行消噪,定义了帕塞瓦尔能量用来提取测量信号经离散小波变换分解后的特征,并对OMELM进行了改进。将提取的故障能量特征进行归一化后输入到改进的OMELM多分类器中进行分类,以美国XV-15倾转旋翼机为例进行仿真验证。结果表明文中方法平均辨识率高,诊断时间短,对未来我国进行倾转旋翼机故障诊断的研究有一定参考价值。