基于贝叶斯Noisy Or Gate网络的多传感器目标分类识别

针对多传感器获取空中目标的多识别特征,提出了基于贝叶斯Noisy Or Gate网络的目标识别模型;该模型考虑未知因素的影响,将识别特征按二值节点进行网络识别结构构造,利用单个特征的识别结果,计算得到多个特征识别的任意组合,条件概率个数可以从2n减小为2n.仿真计算结果表明,该方法具有简化知识获取,节省存储空间,证据传播及时,实时性高的特点,为目标分类与识别提供了一个新的途径。     

基于贝叶斯网络的海上目标识别

贝叶斯分类器是使错误分类概率最小的最优方法,但必须具备先验知识,计算量也很大,从而增加了实时应用的复杂性.提出基于贝叶斯网络海上目标识别,结合贝叶斯网络对不确定事件强的推理作用,以及贝叶斯理论的数学基础,应用图形模式,使得计算量大大简化,降低了实用的复杂性.     

基于贝叶斯网络的海上目标识别

贝叶斯分类器是使错误分类概率最小的最优方法,但必须具备先验知识,计算量也很大,从而增加了实时应用的复杂性。提出基于贝叶斯网络海上目标识别,结合贝叶斯网络对不确定事件强的推理作用,以及贝叶斯理论的数学基础,应用图形模式,使得计算量大大简化,降低了实用的复杂性。     

基于贝叶斯网络的威胁识别

对威胁进行准确识别是威胁评估的重要内容之一,它涉及到许多不确定性因素.贝叶斯网络是处理不确定性知识的有效工具.根据威胁识别与贝叶斯网络的特点,提出了基于贝叶斯网络的威胁识别方法.首先简单介绍了贝叶斯网络及其优点,然后根据一个具体的实例,建立了威胁识别的贝叶斯网络模型,并阐述了贝叶斯网络用于威胁识别的推理流程.通过对实例的计算结果表明,利用贝叶斯网络能够准确识别威胁,并能有效地处理不确定性信息.     

贝叶斯网络推理的研究与分析

贝叶斯网络是人工智能中不确定知识表示和推理的有力工具。介绍了贝叶斯网络的概念,给出一个实例,分析了贝叶斯网络推理的方法和过程。     

贝叶斯网络推理的研究与分析

贝叶斯网络是人工智能中不确定知识表示和推理的有力工具.介绍了贝叶斯网络的概念,给出一个实例,分析了贝叶斯网络推理的方法和过程.     

机载多传感器目标识别算法研究

主要目的是以机载探测设备为平台,针对机载探测设备自身特性,来设计一种更为有效的融合算法,来对敌机中的危险目标进行识别,在主要方法上运用神经网络技术、Dempster--Shafer（D—S）证据理论将来自于机载SAR雷达、机载前视红外搜索跟踪系统（IRS）,电子支援措施（ESM）等探测设备多次观察所得到的数据,进行实时的时域和空域融合,对于来自于地面的电子情报（ELINT）的信息使用主观贝叶斯方法来同机载系统融合后的信息进行融合,从而达到准确的目标识别;最后通过实例仿真证明该算法适合于不同类型传感器不同格式信息之间的融合,其不仪能够适合于复杂的信号环境,并且在观测噪声比较大时,具有优良的性能和广泛的适应性。     

基于贝叶斯网络EM算法模型的工控蜜罐识别

随着工控设备越来越多暴露于互联网,面临的安全威胁不断增加,主动防御已经成为一种必要的防御手段,蜜罐技术是一种有效的主动防御技术。攻击者为了攻击真实的资产设备,研究人员开始研究识别蜜罐的方法。对蜜罐进行准确识别涉及到许多不确定性因素。贝叶斯网络用于解决不确定性问题,与蜜罐识别问题相符合。基于蜜罐识别与贝叶斯网络的特点,提出了贝叶斯网络参数学习EM算法模型的工控蜜罐识别方法。首先,介绍了贝叶斯网络的理论基础及贝叶斯网络用于蜜罐识别的优势;接着,描述参数建模所用算法及预测推理算法,完成用于识别蜜罐的贝叶斯网络模型;最后,通过与SVM、KNN、随机森林和Native bayes算法作对比实验,验证所采用贝叶斯网络EM算法训练模型的性能更优,该模型借助贝叶斯联结树推理算法来完成预测识别,通过实例分析进行验证。实验结果表明,用EM算法训练的模型对于识别蜜罐是有效的。     

贝叶斯网络精确推理算法的研究

贝叶斯网络是以概率理论为基础的不确定知识表示模型,贝叶斯网络推理的目的是得到随机变量的概率分布。目前,最流行的推理算法是联合树算法,它的主要思想是将贝叶斯网络转化为一棵无向树,在无向树上完成消息传递过程,求出原贝叶斯网络中任意随机变量的概率分布。为了降低算法的计算时空复杂度,对算法进行了不断的改进,为贝叶斯网络推理算法的进一步研究提供了条件。     

贝叶斯网络

贝叶斯网络是现阶段处理不确定信息的主流,在很多领域已得到广泛应用,它是基于概率推理的图形化网络,具有一定的概率基础,其拓扑结构包括一个有向无环图和条件概率表,此外,论文详细介绍了贝叶斯网络的推理手段。     

基于水下探测器信息融合的目标识别

在证据理论基本概念的基础上,引入证据权的概念,依据证据权的不同对各条证据进行转化,解决多传感器信息融合中不同等重要信息源的数据融合问题.应用文中的加权证据组合推理模型进行水面舰船识别的仿真,仿真结果表明提高了水下探测器目标识别的准确性和有效性.     

基于OWA聚合算子的多传感器目标识别

将OWA算子引入到多传感器属性信息融合领域中来,建立了基于OWA算子的两级式多传感器目标识别推理模型。通过合理选择OWA算子中加权向量的与或度及各类传感器的属性权,有效地调整各传感器之间的融合程度,使整个目标识别系统的性能得到进一步提高。文末以该模型的目标识别实例表明了该方法的有效性和实用性。     

Target Recognition Based on Directional Filter Banks and Higher-Order Neural Networks

Park, Sang-il, Smith, Mark J. T., and Mersereau, Russell M., Target Recognition Based on Directional Filter Banks and Higher-Order Neural Networks, Digital Signal Processing10 (2000), 297–308.A new approach for the classification of SAR targets is presented here, which combines maximally decimated directional filter banks with higher-order neural networks (HONNs). HONNs are neural networks that can achieve performance similar to that of standard multilayered neural networks, but without the hidden layer. Their performance can be made invariant to geometric transformations of the input imagery in the design process, while their computational complexity can be reduced by employing a preprocessor to reduce the dimensionality, such as coarse coding. Most past image classifiers using HONNs have been designed for carefully thresholded binary images. However, generating useful binary representations that can be used as inputs can be difficult for modalities such as SAR. As an alternative, we use a novel HONN implementation that accepts gray-level input pixels using directional filter banks. In order to do this, a new modified tree-structured directional filter bank structure in a very computationally efficient form is introduced. The performance of the proposed approach is demonstrated and compared in imagery taken from the public MSTAR database. The new approach is shown to be effective in enhancing the discrimination power of the HONN inputs, leading to significantly improved performance.     

基于二值数据贝叶斯子空间的人脸识别算法

基于贝叶斯空间的人脸识别算法均假定样本空间满足高斯分布,实际上样本空间很复杂,不一定能满足高斯分布。提出一种新的在贝叶斯空间进行人脸识别的算法,该算法通过设定图像灰度级的阈值,统计其出现频率,计算其类条件概率密度,利用贝叶斯公式求后验概率。该方法克服了传统贝叶斯方法难求类内和类间协方差矩阵的缺点,简单易用。实验结果证明,该方法具有可行性,识别率高于传统的基于代数的人脸识别算法(PCA、LDA和PCA+LDA)。     

基于效用理论的多传感器智能融合

信息融合系统应综合考虑获取信息所要求的资源、计算复杂度和时间所需要的最小成本,提出了基于效用理论的传感器智能融合技术,利用期望效用最大化的观点来选择传感器,并与证据理论相组合,应用于目标识别,仿真结果表明该方法的有效性。     

基于BIC的语音识别模型压缩算法

当对HMM(Hidden Markov Model,隐马尔科夫模型)语音模型进行GMM(Gaussian Mixture Model,混合高斯模型)区分训练增加组件时,语音模型的识别率会随着GMM的组件增多而增加,模型的大小也会增加,这就造成了语音模型的臃肿。而在移动端使用本地语音模型进行识别时,存放一个几百兆的模型很不合适。针对上述问题,本文提出将一个GMM组件数较多的语音模型利用BIC准则压缩到指定的组件数,从而在模型大小合适的情况下尽量保证模型的识别率。实验结果表明,使用本方法进行压缩之后的语音识别率比未压缩的相同组件数的语音识别模型的识别率要高。     

基于数据融合的SAR图像目标识别算法

目前卷积神经网络已经在SAR目标识别领域得到了广泛应用,然而,由于SAR图像的目标样本数量过少,以及图像相干斑噪声的存在,使得网络不能充分的学习样本深层特征,对网络的识别性能会造成一定的影响.针对上述问题,提出一种基于数据融合的目标识别方法,算法首先对原始图像分别进行噪声抑制和边缘信息提取处理,然后将处理后的两类特征信息进行数据融合,将单通道灰度图像融合扩充至双通道图像来作为训练样本,同时构建了一个高低层特征融合的卷积神经网络模型,使用注意力机制来加强了对有用特征的学习,实验结果显示,该方法在MSTAR数据集上,表现了对不同目标型号的优秀识别效果.     

基于约束最大信息熵的贝叶斯网络结构学习算法

贝叶斯网络的学习可分为结构学习和参数学习.基于约束最大信息熵的结构学习算法是一种以搜索最高记分函数为原则的方法.本文以KL距离、相互信息以及最大相互信息为基础,通过附加合适的约束函数降低变量维数和网络结构的复杂度,提出了一种附加约束的最大熵记分函数,并结合爬山法设计一种贝叶斯网络结构学习的启发式算法.通过与著名的K2和B&B-MDL算法的实验比较,结果表明该算法在时间和精度上都具有较好的效果.     

基于局部特征的目标识别技术研究

针对基于全局特征的目标识别技术存在的不足,介绍基于局部特征的目标识别技术。研究局部特征的特点和优势,阐述点、线、面3种类型的局部特征的研究现状和主流算法,探讨算法所面临的难点问题,并对基于局部特征的目标识别问题的研究前景进行展望。     

基于视频图像的车辆目标识别

针对目前数字图像目标识别方法中存在识别精度和实时性的问题,该文提出一种结合Gabor小波和神经网络的图像目标识别方法。该方法首先对图像进行预处理、用Canny算子进行边缘提取,然后通过神经网络获取最优的双Gabor小波复合滤波器参数,再采用参数优化过的滤波器组提取目标的特征向量,最后进行目标的分类和识别。实验表明这种方法鲁棒性好、识别率高,具有较广泛的实际应用价值。