水下目标信号的结构化稀疏特征提取方法

为了提取具有噪声鲁棒性的水下目标信号特征用于水下目标识别,通过分析实测水下目标辐射噪声的时频谱,发现其时频谱中往往存在稀疏分布的具有目标区分性信息的强能量窄带线谱。结合稀疏分解理论,利用窄带线谱的结构化稀疏特点,提出一种稀疏特征提取方法。该特征提取方法借助稀疏贝叶斯学习模型,利用相邻帧样本间的相关性信息,能够有效增强窄带线谱成分,提高特征的噪声鲁棒性。并用一组实测数据对该特征的分类性能进行了测试,结果表明该特征在训练样本和测试样本噪声条件不匹配的情况下,能够保持较高的识别正确率,是一种具有噪声鲁棒性的特征。     

融合词法和句法特征的汉语谓词高精度识别方法

为了对汉语谓词进行系统的研究,提出一种融合词法和句法特征、结合C4.5机器学习和规则进行谓词识别的方法.该方法对句子的词法信息和句法信息分别进行特征提取,通过词法特征提取得到句子中可疑谓词及其个数,使用人工总结规则对词法特征进行规则过滤,对符合规则条件的样本直接给出结果,融合不符合规则样本的词法和句法特征,使用C4.5进行分类得到谓词识别结果.实验中,采用谓词总量达到20 000条以上的BFS-CTC标注语料库进行特征和参数选择、句法特征验证、训练数据量选择和算法准确性等一系列的实验,对谓词识别效果的影响进行研究.结果表明:句法特征能有效提升谓词识别效果,随着训练数据量的增加谓词识别准确率趋于平缓,达到了99%的高准确率.     

时频域滤波沉底目标亮点特征提取方法研究

主动声呐探测沉底目标时,由于存在严重的海底混响干扰,使得拷贝相关方法不能有效地提取目标回波亮点特征,大大降低了主动声呐的目标识别性能。针对该问题,研究了时频域滤波Hough变换的目标回波亮点特征提取方法。该方法采用互魏格纳变换将接收信号与拷贝的发射信号变换到时频域,依据目标回波与混响及噪声能量的时频聚集特性不同,采用时频域脊波变换滤波滤除混响及噪声,最后利用Hough变换提取目标回波中各亮点峰,并进行投影计算形成目标回波的亮点特征。同时研究了Hough变换域中的峰值位置与目标亮点对应的数学关系,给出了基于时频滤波提取沉底目标亮点特征的算法步骤,并采用支持向量机对比分析了该方法与拷贝相关方法提取亮点特征的识别效果。结果表明,该方法能够在较低的信混比下有效抑制混响干扰提取亮点特征,从而提高沉底目标的识别性能。     

两种倒谱特征提取技术在水声目标识别中的应用

按照声纳员的感受,被动声纳目标被看作为一个发声体,目标噪声信号表示为激励噪声源与发声体冲激响应的卷积,在这一模型下,使用倒谱分析水声目标噪声的时域特征.提出利用线性预测倒谱和考虑人耳听觉特点的美尔倒谱分析发声体的冲激响应在倒谱域中的表示,据此对水声噪声信号提取这两种倒谱的特征,进行分类识别.设计了神经网络分类器,利用实测数据对三类目标进行分类.分析比较两种方法的分类结果,验证了基于倒谱的水声目标特征提取方法的可行性.     

基于多区域最优选择策略的声呐图像目标检测

为了解决侧扫声呐图像目标检测受噪声和阴影区域影响,难以准确检测目标的问题,提出一种谱聚类结合熵权法的多区域最优选择策略的目标检测方法。根据先验知识提前设定谱聚类的聚类数,将声呐图像的像素聚类为多个不同的区域;提取每个区域具有的平移、旋转和缩放的不变性特征,用于构建多区域的特征准则矩阵;利用熵权法对该特征准则矩阵计算各特征的权重以及每个区域的综合加权分数,即可得到最终的目标区域。实验结果表明,所提方法不仅能够有效地克服侧扫声呐图像中的噪声和阴影区域带来的不利影响,还可以在图像聚类后的多个区域中实现最优目标区域的选择,验证了所提方法的可行性和有效性。     

一种空中运动多目标形心跟踪方法

空中运动多目标识别与跟踪技术是武器电视跟踪系统中的关键技术．本文根据武器电视跟踪系统服务目标的特点，提出了一种基于形心的空中运动多目标跟踪方法、首先通过对图像进行分割、贴标签，前景区域面积和几何中心计算等处理，接着依据面积和几何中心这两个特征参数对目标进行粗识别和噪声滤除、选择跟踪对象，并以这两个特征为判别依据，实现了对空中运动多目标的选择跟踪、实验结果表明，该方法可以快速有效的对任意形状的运动多目标进行选择和跟踪，并能够准确的计算出系统所需要的数据．     

基于离散小波变换的水下回波信号尾波包络特征提取

提出一种水下目标回波的特征提取方法．该方法在离散小波变换的基础上。基于回波信号中的散射成分可以对水下底质进行分类的理论基础，提取水下回波信手尾波包络特征作为识别特征矢量，构成基于尾波包络特征的特征空间，再采用最佳鉴别矢量法将特征空间进行特征压缩，最后利用最小距离分类器对目标回波进行分类．实测数据结果表明，采用这种方法得到的包络特征是一种稳健、有效的特征，能够获得较高的正确识别率．     

水下目标识别中样本选择与SVME融合算法

水下目标识别中训练样本集含有冗余样本、噪声样本及无关样本,且特征提取、特征选择和决策系统设计过程分离而导致系统识别性能的下降,为此提出了基于加权最近邻收缩样本选择的SVM集成算法(SVME-WRNN)和基于加权免疫克隆样本选择的SVM集成算法(SVME-WICISA)。这2种集成方法通过样本选择来构建精度高、差异大的子分类器,并将其集成。利用4类水下目标实测数据进行了分类仿真实验。实验结果表明:SVME-WRNN算法和SVME-WICISA算法与SVME算法(无样本选择)相比较,在识别率相当的情况下,大幅度地降低了训练样本数目,得到的综合分类器具有良好的分类精度。     

机动车声信号特征提取方法及在目标识别中的应用

使用谐波集法和小波子空间能量法，对目标识别中的声信号特征量提取技术进行了较为深入的研究，介绍了两种用于被动声信号特征提取的方法——谐波集法和小波子空间能量法，谐波集法是提取不同的频域特征作为特征矢量，小波子空间能量法是将不同尺度小波子空间能量作为目标识别的特征矢量；并采用k近邻(kNN)分类器对机动车目标的声信号和非机动车目标的声信号进行分类,经过对实测数据的计算机仿真结果表明，这两种方法都能达到较高的正确识别率，且小波子空间能量法性能更优。     

一种有效的SAR图像目标识别方法

根据不变矩特征提取和支撑矢量机分类的优势,提出了一种有效的SAR图像目标识别方法.首先对样本SAR图像进行预处理。然后提取目标区域的不变矩特征并计算灰度均值,将其组成特征向量训练SVM分类器,最后用训练好的SVM分类器对要识别的SAR图像进行目标识别.采用该方法对一些含有桥梁和坦克的SAR图像进行目标识别实验,取得了较好的识别结果.     

基于高阶谱的LOFAR谱图特征在被动声纳信号自动识别中的应用

水下目标的特征提取一直是水声信号处理的难题。由于实际的声纳目标的发声机理和反射声波的机理十分复杂,成份多样,造成水声信号具有较强的非平稳性和非高斯性。为了提高对水下目标识别的正确识别率,突破以往研究中关于信号平衡性的假设和高斯性的假设,本文在简要介绍了ＬＯＦＡＲ谱图和高阶谱（ＨＯＳ）估计方法之后,提出了一种基于高阶谱的ＬＦＡＲ谱图和高阶谱（ＨＯＳ）估计之后,提出了一种基于高阶谱的ＬＯＦＡＲ谱图特征     

一种用于雷达HRRP功率谱的加权特征压缩方法

针对雷达高分辨距离像的平移不变特征——功率谱特征,提出了一种基于Fisher判决率的加权特征压缩方法．该方法利用目标功率谱特征的Fisher判决率迭代搜索最优权向量,并根据最优权值的大小对特征向量降维．与直接使用原始功率谱特征及基于Fisher可分性判据的几种现有的特征压缩方法相比,加权特征压缩方法在降维的同时可提高识别性能,且运算简单,在基于外场实测数据的识别实验中对测试数据具有良好的稳健性．     

常规声压与声矢量信号非整数维谱性能比较研究

为解决高阶谱算法复杂、计算量大和声压信号有限的抗干扰能力问题,提出了声矢量信号非整数维谱分析方法.利用可抑制高斯和对称分布噪声的高阶累积量非整数维谱对目标辐射噪声声压信号和声矢量信号进行了特征分析.分别采用功率谱图和三维动态谱图方法对常规声压和声矢量信号非整数维谱性能进行了直观比对.为获得定量分析结果,分别对不同背景噪声环境条件下,不同输入信噪比的常规声压与声矢量信号非整数维谱的轴频PBR及PD进行了详细计算.结果表明,声矢量信号非整数维谱特征提取与轴频检测能力优于常规声压信号,为高阶统计量应用于声矢量信号处理提供了一条途径.     

侧扫声纳目标自动探测研究

为了解决水声图像因受到噪声、多途、混响的影响,使水声图像特征难以提取的问题,针对海底目标的识别,通过对图像处理算法的研究以及大量的实验分析,给出了侧扫声纳图像目标自动识别的有效方法。其中包括图像的增强、二值化、二值开闭操作、特征提取、特征计算及目标识别等内容。通过对面积特征的提取和计算实现了对水下目标的自动探测。     

基于连续小波变换的湖底回波特征提取

提出了以多尺度连续小波变换值矩阵的奇异值作为识别特征矢量的方法,并利用该方法对湖底回波实测数据进行特征提取与分类。理论分析与仿真试验结果表明,相对于时间-小波能量和尺度-小波能量特征提取法而言,该方法可得到更好的类内紧致性和类间可分性,以及更佳的分类效果。     

改进的无监督同时正交基聚类特征选择

提出了一种改进的同时正交基聚类特征选择(Improved Unsupervised Simultaneous Orthogonal Basis Clustering Feature Selection,ISOCFS)方法。为有效地对无标签数据进行特征选择,利用目标矩阵来设计正则化的回归模型。目标矩阵通过正交基聚类,获取投影数据点的潜在聚类中心,引导投影矩阵选择判别性的特征。与先前的无监督特征选择方法不同,ISOCFS并不使用数据点预先计算局部结构信息描述目标函数,而是利用目标矩阵进行正交基聚类直接计算潜在的聚类信息。其次,为了减少噪声信息对估计目标矩阵和投影矩阵的干扰,在先前方法基础上,该方法增加了噪声项。另外,该方法利用简单的优化算法即可求解。最后,通过四个常见的微阵列基因表达数据集及五种最近的无监督特征选择方法进行对比实验,证明了ISOCFS方法可以获得更好的聚类效果。     

桥梁裂痕检测与识别方法

桥梁裂痕图像检测过程中,采集的桥梁裂痕图像容易出现模糊,且桥梁裂痕本身具有裂痕特征不明显、杂质干扰大等特点,为了达到对桥梁裂痕准确、快速检测的目的,提出了一种桥梁混凝土结构裂痕病害的自动检测识别方法.首先对采集到的桥梁裂痕图像进行去模糊处理,在此基础上利用非负特征提取桥梁裂痕目标信息,然后利用方差特征去除特征结果图中的伪特征,并使用特征图像中目标特征象素的圆投影特征来增强目标裂痕信息,同时进一步去除虚假特征.分别对不同的桥梁裂痕图像进行了多种不同类型的处理实验,包括裂痕图像去模糊前后的目标裂缝检测结果对比实验,特征图像的方差特征去噪实验,以及圆投影进行特征目标特征增强同时进一步去噪的实验.结果表明,该方法对桥梁裂痕的提取与检测有效,有一定的实际意义.     

空间锥体目标微动特性分析与识别方法

空间锥体目标在大气层外飞行过程中存在不同的微动,目标的微动为进动,诱饵的微动为摆动或自旋.根据目标与诱饵的微动差异,提出了应用特征谱作为识别特征的分类方法.基于多散射中心信号模型,分析了进动、摆动以及自旋调制信号的微多普勒特性.分析结果表明,进动、摆动与自旋目标的微多普勒谱虽然均可以近似为线谱,但是存在明显差异.应用谐波和的形式描述回波信号,并采用特征值分解提取特征谱作为识别特征.仿真结果表明,该方法能够有效地识别目标与诱饵.     

基于小波变换和径向基神经网络的签名识别

主要研究利用小波变换和径向基神经网络进行签名图像的分类识别.它包括不同签名图像和相似签名图像的分类识别.所提出的方法包括小波域的图像特征提取和利用径向基神经网络的模式分类.采用小波的多分辨分析方法对签名图像进行时频分析特别有效.熵和能量相关特征的概念用于小波域.径向基神经网络具有快速的收敛速度和分类能力.实验仿真证实了...     

损伤声发射信号小波包神经网络特征识别方法

在材料损伤的检测和评价时,为了在大量接收信号中识别有效声发射信号,提出了一种基于小波包特征提取的损伤声信号神经网络识别方法,首先利用小波包全局分解的优势,准确提取非平稳信号的特征信息,建立相应特征向量,对有效声发射信号和干扰噪声信号进行表征;然后根据特征向量和识别输出要求,建立了3层结构的反向传播神经网络对信号进行分析和识别,滤除噪声信号,保留有效声发射信号;最后,在玻璃钢复合材料的声发射实验中,采集了400组信号对该方法进行验证,准确性达到97.5%,能够满足工程需要.