一种用于雷达信号调制分类的特征评估方法

针对用于调制分类过程中雷达信号脉内特征参数评估问题,提出了一种多指标联合评估方法.该方法使用复杂性、可分离性和稳定性3个指标对特征参数的调制分类性能进行联合评估,克服了传统评估手段仅使用单一指标难以进行全面科学评估的缺陷,并可以根据应用需求获取相应的最合理的综合评分值.理论分析和计算机仿真结果表明,该方法可以有效评估特征的调制分类性能,具有较强的工程应用价值.     

一种简单多径信道下的调制识别方法

为解决简单多径条件下调制识别类型少、难以工作于低信噪比下的问题,提出了一种基于联合特征参数的调制识别方法。根据简单多径下不考虑多普勒效应影响这一条件,利用调制信号的延迟相关和瞬时自相关特性,并结合高阶累积量特征对幅移键控(ASK)、相移键控(PSK)、频移键控(FSK)共8种信号进行分类识别。仿真结果表明,在信噪比大于4 dB时,简单多径条件下的各类调制信号正确识别率接近100%。     

基于多特征SSA-ELM的调制识别

针对当前通信信号调制识别算法在低信噪比环境下识别率不高、训练速度慢、识别类型受限等问题,提出了一种基于多特征麻雀搜索算法-极限学习机(Sparrow Search Algorithm-Extreme Learning Machine,SSA-ELM)的信号调制识别方法。该方法基于四阶和六阶累积量构造两个特征参数,引入分数阶小波变换,利用分数域小波系数构造特征值,组成三维特征向量后输入SSA-ELM网络进行分类。仿真及USRP(Universal Software Radio Peripheral)采集数据验证结果表明,所提特征参数具有较好鲁棒性,且SSA算法优化后的ELM网络分类性能得到明显提高,在SNR等于6 dB时两种方法识别率均达到90%,且最高识别率达到94%。     

基于岩石薄片偏光序列图的颗粒成分分析

石英和长石的识别对储集层研究具有重要意义。传统的矿物成分分析主要依靠人机交互式识别,工作量大且效率低,针对上述问题,提出一种利用岩石颗粒在正交偏光镜下的纹理特征进行识别的方法。首先用Sobel算子提取样本图像的梯度信息,计算每个样本梯度图像的灰度共生矩阵的能量和相关性,利用能量和相关性为目标特征参数组建石英、长石特征参数样本库。应用人工神经网络(ANN)分类方法进行训练,基于训练的结果,计算待识别颗粒的特征参数并分类。最后利用偏光序列图进行决策,得出最终识别结果。实验结果表明,此识别方法对石英和长石有较好的识别效果,识别率达85%。     

基于瞬时特征参数和功率谱熵的联合调制识别

针对传统的瞬时特征参数识别法在低信噪比下识别信号种类少、识别率低等问题,文中提出了一种基于瞬时特征参数与功率谱熵联合的调制识别方法。该方法通过改进后的瞬时幅度及相位特征参数对调制信号进行识别,并引入了功率谱熵特征参数,可进一步实现对更多信号的类内识别。在信号类内识别方面,采用决策树分类方法,选取合适的门限值对常用的9种数字调制信号{ASK、4ASK、2FSK、4FSK、8FSK、BPSK、QPSK、8PSK、16QAM}进行识别分类。蒙特卡洛实验结果表明,相较于现有的识别方法,文中所提出的方法增加了识别信号的种类,还提高了低信噪比情况下的信号识别准确率。     

基于高阶累积量的正交空时分组码盲识别

针对多输入多输出(Multiple-Input-Multiple-Output,MIMO)系统中的空时码盲识别问题,提出一种基于高阶累积量的正交空时分组码(Orthogonal Space-Time Block Code,OSTBC)盲识别方法.推导给出了接收信号的两种高阶累积量公式,该高阶累积量包含发射信号信息,由此提出识别OSTBC信号的两个特征参数;利用MIMO信道估计得到空间信道矩阵,并提出了两种特征参数的估计方法;最后,利用最小距离准则实现对OSTBC信号的分类识别.仿真结果表明:所提出方法的正确识别率高于已有的识别方法,具有良好的识别性能.     

基于多尺度信息熵的雷达辐射源信号识别

随着雷达信号的日益复杂,从实数序列中提取特征变得越来越困难,但当它们表示成符号序列时,通常能更容易地挖掘出有效的特征参数。因此,该文提出一种基于多尺度信息熵(MSIE)的雷达信号识别方法。首先通过符号聚合近似(SAX)算法在不同字符集尺度下将雷达信号转换为符号化序列;然后联合各符号序列的信息熵值,组成MSIE特征向量;最后,使用k邻近算法(k-NN)作为分类器实现雷达信号的分类识别。通过仿真6种典型的雷达信号进行验证,结果表明该方法在信噪比(SNR)为5 dB时,不同雷达信号的识别正确率大于90%,并且优于传统的基于复杂度特征(盒维数和稀疏性)的识别方法。     

基于特征参数和星座图的信号调试方式识别算法

国内大部分信号调制方式识别文章都是针对通信信号的某一特征参数进行研究,只能单独识别某几类信号,覆盖率不高,未将基本模拟信号(AM、CW、FM)以及基本数字信号(MASK、MFSK、MPSK、MQAM)联合进行有效识别.本文针对各制式通信信号在时域和频域上的特征,提出基于7项特征参数以及星座图的联合识别算法,通过决策树法...     

基于云模型的DSm证据建模及雷达辐射源识别方法

为了提高雷达辐射源特征参数存在互相交叠和多个模式情况的雷达辐射源正确识别率,该文提出一种基于云模型的DSm(Dezert-Smarandache)证据建模及雷达辐射源识别方法。该方法首先将存在互相交叠和多个模式的先验雷达辐射源特征参数进行基于云模型的DSm建模,然后将含有噪声的测量信号特征参数进行基于云模型的DSm隶属度赋值,再通过隶属度与基本信度赋值的关系求得DSm模型的基本信度赋值,最后通过DSmT+PCR5的方法将多传感器测量信号的同特征的基本信度赋值进行融合,再将各特征的融合结果进行DSmT+PCR5融合得到最终的识别结果,如果仅为单传感器测量信号的特征参数,则仅将不同特征参数的基本信度赋值进行DSmT+PCR5得到融合识别结果。最后通过多种情况下的仿真实验,验证了该文方法的优越性。     

模糊C-均值(FCM)聚类法与矢量量化法相结合用于说话人识别

该文提出了一种将模糊C-均值聚类法与矢量量化法相结合进行说话人识别的方法。该算法将从语音信号中提取的 12阶 LPC(线性预测编码)倒谱系数作为待分类样本的 12个指标,先用矢量量化法求出每个说话人表征特征参数的码书,作为模糊聚类算法的聚类中心,最后将待识别的特征矢量以得到的码书为聚类中心,进行聚类识别。该算法所使用的特征参数较少,计算比较简单,但识别率较矢量量化法高。     

基于多特征融合的红外图像分类研究

针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization, PSO)算法来优化支持向量机(Support Vector Machine, SVM)的方法。该方法采用方向梯度直方图(Histogram of Oriented Gradient, HOG)和局部二值模式(Local Binary Pattern, LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性。在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率。实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%。     

基于边缘增强MSER的模糊检务文本检测

为了可以从模糊检务图像中高效、准确地提取文字信息,本文提出了基于边缘增强的最大稳定极值区域(maximally stable extremal regions, MSER)算法和免疫遗传(immunogenetic algorithm, IGA)优化支持向量机(support vector machine, SVM)的多特征自适应权重融合相结合的方法来提取模糊检务图像中的文本。利用边缘增强的MSER算法对图像文本进行检测,将所检测出的MSER进行合并得到文字候选区域;为了滤除候选区域中的非文本区域,采用特征融合公式对图像的3种特征进行融合,然后采用IGA优化SVM分类器寻找最优参数,最后将候选区域送入训练好的分类器滤除非文本。实验结果表明,相较于其他算法,本文算法有更高的真阳率与更低的假阳率,针对模糊检务图像文字提取具有更高的准确性。     

FDTD 结合支持向量机反演各向异性材料电磁参数

本文首先介绍了太赫兹波导和3D打印技术的发展现状。3D打印作为一项新兴的技术,以数字模型文件为基础,运用粉末状金属或塑料等可粘合材料通过逐层打印的方法构造实体,打破了传统THz波导技术的局限性。本文介绍的3D打印THz波导利用聚合树脂作为打印材料,打印完成的THz波导在其传输通路上镀500nm的金,金的厚度足以支持THz传播。利用这种方法可以打印出直波导、三维弯曲面、三维Y劈和U型波导等多种结构。3D打印THz波导除传输损耗略高外,其传输模式及其特性与传统的金属波导基本一致,这种额外的传输损耗归咎于商业3D打印机的精度。     

基于主动学习的支持向量机算法

针对支持向量机（svM）模型不能有效处理海量数据挖掘的问题,提出一种改进的基于主动学习的支持向量机（AL_SVM）方法。该方法首先将训练集随机划分为多个独立同分布的子集,并选择其中一个子集作为初始训练集来训练SVM得到初始分类器和支持向量集,然后根据已经得到的分类器信息在剩余样本集中选择对于分类器改进作用最大的有价值样本。并与已得到的支持向量集合并构成新训练集,以更新分类器,从而在保留重要支持向量信息的前提下,去除大量不重要的支持向量,一定程度上避免了过学习问题,提高了学习效率。实验表明,AL_SVM方法能够在保持学习器泛化能力的同时提高其学习效率。     

基于支持向量机的说话人辨认研究

支持向量机是统计学理论的一个重要的学习方法，也是解决模式识别问题的一个有力的工具，本文提出了用支持向量机来解决说话人辨认问题。结合语音信号的特点，解决了大数据量情况下支持向量机的训练问题。支持向量机对两类的分类问题有着突出的优势，本文用两种判决规则将两类问题应用到多类的识别问题。用支持向量机实现了一个与文本无关的说话人辨认系统，实验表明，本方法有良好的效果。     

基于改进的蛙跳算法与支持向量机的实用语音情感识别

支持向量机是一种基于统计学习理论的新型机器学习算法,在高维特征空间中寻找最优分类超平面,具有很好的分类精度和泛化性能。支持向量机的训练需要求解一个带约束的二次规划问题,针对数据规模很大情况下经典训练方法变得很困难的缺点,提出一种基于改进混合蛙跳算法的支持向量机分类器参数优化方法,既提高了混合蛙跳算法的收敛速度和精度,又能借助混合蛙跳算法的全局随机搜索能力,为支持向量机参数的优化选择提供一条有效途径。本文提取情感语句的韵律特征、音质特征和混沌特征参数,提出一种基于改进蛙跳算法的数据融合方法,并利用基于改进蛙跳算法的支持向量机进行实用语音情感的识别研究。在实验中比较了PCA方法、BP神经网络和数据融合方法用于语音情感识别的识别率,研究结果表明本文所提的各项改进机制能有效提升情感识别率,为实用语音情感的识别提供一种新方法和新思路。      

利用密度聚类支持向量机的气象云图云检测

为了提高气象云图云检测的判识精度和计算效率,提出一种基于密度聚类支持向量机(DC-SVM)的云检测方法。分析了MTSAT气象云图的特征提取和选择方案,建立了云和下垫面的分类样本集;在SVM学习中,通过引入样本集的纯度及充足度,选择关键样本,减少了噪声和异常样本的干扰,从而降低了计算复杂度,提高了分类精度。实验表明,该算法的分类正确率较BP神经网络及传统SVM的方法分别提高了2.54%和0.21%,训练时间及测试时间也明显减少;而且,该方法还克服了传统云检测方法需要根据先验知识确定阈值的缺点,检测结果与人工解译结果基本吻合。     

基于深度学习的机载激光海洋测深海陆波形分类

机载激光雷达的海陆波形分类对于沿海地区及其变化性质的研究至关重要。提出了一种在原始的机载激光雷达回波上使用深度学习进行分类的方法。构建全连接神经网络和一维卷积神经网络（CNN）,在一个测量海域的数据集上进行训练和测试,最优模型获得了99.6%的分类精度。该最优模型对来自不同测量海域的数据进行分类,分类精度达到了95.6%,相比支持向量机方法,处理速度提高了约52%。结果表明:深度学习方法对机载激光雷达回波波形的分类具有较高的精度和速度,它可以进一步作为通过机载激光测深技术对海底种类进行分类的候选方法。     

决策可靠性分析及在SAR图像目标识别中的应用

决策融合是提高合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别性能的重要手段,然而,可靠性较弱的决策往往会导致最终决策融合的效果变差。将可靠性分析引入基于决策融合的SAR目标识别方法中,分别计算各个决策的可靠性系数并选取可靠性的决策参与最终的决策融合。为了验证方法的有效性,分别将提出的可靠性分析应用于多特征决策融合以及多分类器决策融合并基于MSTAR（Moving and Stationary Target Acquisition and Recognition）数据集进行了目标识别实验。在基于主成分分析、线性鉴别分析和非负矩阵分解三种特征进行多特征决策融合的条件下,所提方法和直接进行决策融合的方法的识别率分别为97.47%和96.50%。在基于K近邻、支持向量机和稀疏表示分类器的多分类器决策融合中,所提方法和直接进行决策融合的方法的识别率分别为97.10%和96.28%。实验结果充分证明了所提方法的有效性。     

Light field imaging based on a parallel SVM method for recognizing 2D fake pedestrians

It is novel to apply three-dimensional (3D) light field imaging technology to recognize two-dimensional (2D) fake pedestrians. In this paper, we propose a parallel support vector machine (SVM) method based on 3D light field imaging (light field camera) and machine learning techniques. A light field (LF) camera with robust sensors, which is able to record rich 3D information, is used as hardware equipment. Histogram of oriented gradient (HOG) feature extraction algorithm and SVM classification method are used to recognize the real and 2D fake pedestrians efficiently. Besides, we carry out an experiment on our improved LF pedestrian dataset. The experimental results of parameter optimization study show that in the case of 400 training samples (200 positive samples and 200 negative samples), 120 to 420 testing samples, and an HOG cellsize as 8×8, the best recognition accuracy with polynomial kernel function is improved by more than 2% compared with the previous method. The best accuracy is 99.17%. Otherwise, the recognition accuracy of more than 98.00% will be obtained even under other experimental conditions.