基于ICA和HMM的战场混叠声目标识别

为识别战场混叠声目标,提出一种基于独立分量分析(ICA)的声目标盲分离和隐马尔可夫(HMM)识别的混合声识别方法.建立已知声目标的HMM,实现混叠声目标盲分离,提取的线性预测系数作为声目标识别参数,通过K均值聚类得到训练和识别特征向量,通过Viterbi解码判断声目标的类别.仿真结果表明,ICA分析能有效地分离混叠声目标信号,基于线性预测系数的HMM识别率较高,混合模型识别系统在混叠声目标识别中具有可行性.     

基于改进的K-均值聚类信源数目估计算法

针对盖尔圆盘法在低信噪比和少快拍数背景下进行信源数目估计时会出现错误判断的问题,提出了色噪声背景下改进的K-均值聚类信源数目估计方法.求出数据相关矩阵后按照信号和噪声的类均值对信号特征值和噪声特征值进行K-均值聚类,然后不断更新类均值直到信号特征值收敛.计算机仿真实验证明了该方法在低信噪比和少快拍数时的估计成功概率高于盖尔圆盘法.     

超音速飞行体激波信号的主成分分析和K-均值聚类

提出一种基于激波信号的超音速飞行体的目标分类方法，通过5.56mm，7.62mm和12.7mm三种枪弹实测分析，提取信号的时域特征，用主成分分析法对信号的特征变量降维处理，用K-均值聚类算法进行聚类分析。对比直接用原始特征变量进行分类和经主成分分析处理后分类的效果，结果表明主成分分析的有效性和超音速目标分类识别的可行性。     

基于Hough变换和优化K均值聚类的反舰导弹编队识别目标选择方法

现有反舰导弹编队识别技术存在侧重于队形识别而非目标选择、对编队末端态势变化考虑不足、实时性偏弱、未考虑队列线检测区间对聚类效果的影响和聚类数优化与聚类迭代过程相互独立等问题。基于Hough变换和优化K均值聚类算法,提出反舰导弹编队识别目标选择流程,构建V形、平行和环形编队目标生成与目标选择模型,旋转、缩放、冲淡式干扰和队型变化等编队目标变化模型。仿真结果表明,聚类数优化代价函数在关键聚类数段区分度明显、聚类数优化准确,移动检测区间检测解决正常检测区间两侧边缘样本点对应机制缺失问题,采用多样本更新聚类与单样本更新聚类结合的聚类迭代、聚类数优化迭代与聚类迭代融合迭代效率高,工程适用性强,对于反舰作战模拟具有重要意义。     

基于模糊C均值聚类方法的子母弹落点识别

对子母弹落点的随机特点进行了分析,基于模糊C均值聚类方法,分析了一定面积上散布子弹的分布中心及类别,提出了由单个子弹落点特征判断识别该子弹在母弹腔体中所处位置的计算方法,该方法通过了模拟计算,识别效果较明显.     

基于多模板矢量量化的战场目标识别的算法

提出噪声背景下基于多模板矢量量化的声目标识别方法。加性背景噪声中，提取了声信号的线性预测系数（LPC）作为目标识别的参数，对不同类型，不同信噪比的声目标进行模型训练用，使每个声目标具有多个模板。最后根据矢量量化识别算法判断声目标的类别。仿真结果表明，该方法在单一噪声背景下的声目标识别中具有可行性。     

动态聚类在空袭目标类型识别中的应用

动态聚类根据特定指标体系,构建动态聚类原始样本集,再选取一批聚点让样品向最近聚点聚类,以得到初始分类,最后按最近距离原则调整分类结果,得到较合理的分类结果.并从防空指挥辅助决策系统实际应用背景出发,基于动态聚类算法建立空袭目标的类型识别模型,进行数据标准化变换、选择聚点、初始及修改分类等.     

灰关联分析法在坦克声目标识别中的应用

提出了一种基于灰关联分析的声目标识别算法.该算法提取坦克声信号的线性预测系数特征作为关联参数,通过比较声信号的灰关联值实现目标识别.在白噪声背景下,结合谱相减法,通过提取坦克声信号特征识别,仿真表明灰关联算法可以从信息不完全、关系不明确的坦克声信号中提炼主要因素进行识别,其实现方法简单,识别率较高.因此该算法在声目标识别中具有可行性.     

基于小波包和HMM的战场声信号识别

针对战场声信号复杂多变的特点,提出了一种基于小波包特征参数(WPFC)和隐马尔科夫模型(HMM)相结合的战场声目标识别方法。该方法利用小波包对信号高、低频段能进行精细划分,从而得到更能反映战场声信号特征的小波包特征参数;并利用HMM具有很强的表征时变信号能力的优点,将HMM作为训练识别模型。仿真结果表明了此方法的准确性和可行性。     

灰关联分析法在坦克声目标识别系统中的应用

提出了一种基于灰关联分析的坦克声目标识别算法。该算法提取坦克声信号线性预测系数特征作为关联参数,通过比较坦克声信号的灰关联值实现目标识别。仿真结果表明：该算法可以从信息不完全、关系不明确的坦克声信号中提炼主要因素进行识别,其实现方法简单,无噪背景下,平均识别率可达到90%。因此该算法在声目标识别系统中具有普适性和可行性。     

基于MFCC参数和HMM的低空目标声识别方法研究

提出了一种战场声目标识别方法，模拟人耳的听觉机理提取更能反应出声音信号动态特征的Mel倒谱系数（MFCC）作为识别战场低空目标的参数；利用隐马尔可夫过程具有很强地表征时变信号的能力来表现声信号随时间变化呈现出的模式演变现象，建立隐马尔可夫模型（HMM）；由K-均值聚类得出HMM模型的练和识别特征向量，识别时设定阈值判定输入的未知声信号。实际数据的分析结果表明了该识别方法的准确性与有效性。     

隐马尔可夫模型和支持向量机混合模型声识别

为弥补单一模型在识别低空飞行目标时的不足,进一步提高低空飞行目标的识别率,提出一种基于HMM和SVM混合结构的低空飞行目标声识别算法.针对战场环境下声信号的特点,算法综合考虑HMM适合处理连续动态信号及SVM小样本情况下的强分类能力,利用HMM处理待辨识的连续动态信号,将HMM易混淆的信号作为与待辨识信号较为相似的模式类,形成候选模式集,再由SVM在候选模式中对待辨识信号作最后决策.实际数据的识别结果表明相对于单一的HMM和SVM,混合模型的识别率有一定的提高.     

基于HMM机动目标跟踪算法研究

在交互多模IMM的基础上,利用时变马尔可夫链切换系数对模型进行切换,实现对未知状态转移概率的自适应调节,提高了对机动目标的跟踪精度.仿真结果表明,改进后的IMM算法比IMM算法的跟踪精度更高,具有全面自适应跟踪能力.     

一种基于单片机的声目标识别系统设计

在现有声探测技术的基础上，设计了基于PIC单片机的声目标识别系统，结合对直升机，坦克的目标识别，确定了系统的参数，最后对系统进行实验验证，证明了系统的实用性。     

基于模拟退火算法的空中目标识别

根据NMI特征和Jan Flusser提出的仿射不变矩的特点及各自的适用条件,提出了一种组合不变矩。利用所提取的组合不变矩的特征向量,实现了对空中目标的K-mean聚类分析识别。在此基础上将模拟退火机制引入其中,以克服K-mean聚类的局限性和对初始聚类中心的敏感性,最后提出了基于模拟退火的改进K-mean聚类算法。仿真实验结果表明,该方法具有较高的识别精度和较好的抗噪性。     

基于HMM模型的战场侦察多目标识别技术研究

隐Markov模型是一种用于语音识别比较成功的统计模型，战场侦察的多目标识别是战场侦察技术传感器走向实用的关键技术之一，对传统的隐Markov模型的结构和分类器进行了改进，使其初步可以实现由背景噪声环境下的多种类目标的识别。     

基于双智能雷的目标跟踪方法研究

目前被动声探测距离精度还不能满足跟踪的需要，因此，反直升机智能雷对目标的跟踪问题归结为仅有角测量的跟踪问题。对于静止观测来说，仅有角测量跟踪问题是不可观测的。针对直升机巡航时的运动特征，提出一种基于双智能雷的目标跟踪方法。首先用角跟踪算法实现目标方位角和高低角的跟踪和预测。然后融合目标在两智能雷坐标系下的角度信息，建立数学模型，解算出目标的距离和速度大小。仿真结果表明，算法的跟踪和稳定性较好，能对目标的距离、方位角、俯仰角和速度大小进行有效的跟踪和预估。