基于最小平方误差的辐射源识别

针对测量参数不确定所造成的辐射源不能正确识别问题,提出一种基于最小平方误差模型的识别方法。该方法首先计算辐射源的特征参数相对于数据库中相应特征参数的平方误差,然后利用最小平方误差来确定辐射源隶属度。该模型与几何距离度模型、云模型相比,在识别辐射源类型时,增加了雷达特征参数（重复频率、脉宽和天线扫描周期）的多值性和相关性,仿真结果表明,该方法的正确识别率比前2种方法分别高出5%和40%。     

云模型在分布式传感器辐射源识别中的应用

针对辐射源识别中的参数模糊交叠问题,提出了基于云模型的辐射源样本隶属度获取方法,结合分布式传感器的优势,构建云模型在分布式传感器辐射源识别中的应用系统。首先介绍云模型的有关概念,其次分析分布式传感器的特征,再由云模型区间型和离散型辐射源样本隶属度,并进行单传感器时域融合和分布式传感器信息融合,利用判决规则完成决策。仿真结果说明基于云模型的辐射源识别率高。     

一种基于云模型理论的雷达辐射源识别方法

针对雷达辐射源识别问题,建立了基于云模型和信息融合的识别系统.利用云模型对区间型参数和离散型参数建模,计算被测辐射源的隶属度并将其作为基本概率赋值,运用时域和空域信息融合算法完成辐射源识别,给出了辐射源识别算法步骤,并建立了相应的辐射源识别系统,仿真结果表明所提出的识别算法和所建系统是有效的,并且识别率较高.     

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。     

基于云模型和改进灰关联算法雷达辐射源识别

针对由辐射源特征参数的不确定性所带来的区间型特征参数辐射源识别问题,提出了一种基于云模型的改进灰关联算法,该算法利用云模型和动态加权算法,有效地解决了特征参数区间交叠的雷达辐射源识别问题。仿真实验表明,该方法是可行的。     

基于优化算法的雷达辐射源信号识别方法及性能

针对基于支持向量机(SVM)的雷达辐射源信号识别方法中SVM模型参数对识别性能影响较大的问题,提出基于优化算法的雷达辐射源信号识别方法,并选择遗传算法、蚁群算法和粒子群算法三种典型的优化算法应用于新的识别方法进行优化识别.通过不同条件下计算机仿真实验,验证了新方法的有效性,并分析了三种典型优化算法在新方法中的综合性能,为对雷达辐射源信号进行更好的识别提供一定的依据.     

基于脉间特征深度学习的雷达辐射源识别

多功能雷达在复杂程序调度下,发射信号参数呈现取值范围宽、捷变速度快、变化随机性强等特点,非合作接收方难以对其建立有效的信号模型,给电子侦察系统的雷达辐射源识别带来严峻挑战。本文提出一种基于深度学习的复杂体制雷达辐射源识别方法,利用大样本全脉冲数据形成脉间参数变化的图像特征表示,从宏观上揭示雷达辐射源隐含的波形设计机理,并设计了基于AlexNet网络的图像特征深度学习网络开展辐射源识别,实测数据实验表明了本文的方法对一定时间跨度内的有限部同型多功能雷达具有良好的识别性能,为多功能雷达辐射源智能个体识别提供了新的解决思路。      

一种基于精细极化目标分解的舰船箔条云识别方法

用于干扰舰船目标的箔条云通常具有与舰船目标相近的尺寸和雷达散射截面积,这使得舰船与箔条云的识别成为一个非常有挑战性的问题.该文提出一种基于精细极化目标分解的识别方法.为了能够有效地识别舰船目标与箔条云,该文首先结合3种精细化散射模型,提出了一种基于精细散射模型的七成分分解方法.通过这种分解方法可以有效地刻画舰船目标的散...     

基于不确定非线性智能电网感知网络控制系统方法研究

针对传统的不确定时滞的鲁棒控制系统不能满足现代电力系统发展的需求,提出一种基于不确定非线性智能电网感知云网络化控制识别方法。使用传统的数据值和基于电力网络到网络系统模型作为电力感知网络到网络模型的电力云网络,控制数据优化使用电源感知网络,而不是利用控制节点的预测值,突破了鲁棒控制的不确定时滞系统的控制效果。运用感知模型中的正向云算法修正加权系数,仿真实验证明,该识别方法能够很好地优化传统的不确定时滞鲁棒控制电力系统,具有良好的适应性和鲁棒控制性,进一步提高了智能电网传感云网络控制的各项性能指标。     

基于云模型联合几何覆盖算法的雷达信号分选新方法

提出了一种基于云模型联合几何覆盖算法的雷达信号分选识别新方法.该方法首先采用几何覆盖算法对具有参数先验信息的雷达信号样本进行学习,将信号划分到不同的覆盖领域,然后用云模型描述各领域与待测脉冲信号之间的隶属度关系,实现待测信号的分选识别,解决当前电子侦察环境中,信号参数交叠的密集雷达信号的实时准确分选问题.仿真结果表明,与传统的信号分选识别方法相比,该方法是有效的.     

利用三维点云的圆锥状弹头目标参数估计

以激光雷达三维点云对弹头目标形状、姿态、位置估计与目标识别为应用背景。针对导弹弹头的形状特点,将其近似建模为一个圆锥,并可通过6个参数来表征。提出了基于激光成像雷达得到的三维点云与Levenberg-Marquardt(L-M)算法的圆锥状目标参数估计方法,并指出这种方法也可用于对圆锥状目标的识别。通过仿真实验,给出了弹头参数估计误差与三维点云的距离分辨率、点云规模的关系。仿真和实测数据的实验结果表明:该方法在一定的观测距离分辨率下可以较精确地估计出圆锥状弹头目标的参数,并可以根据得到的参数以及对目标函数的优化结果,对目标进行识别。     

基于逆向云模型的雷达目标识别

提出了一种基于逆向云模型的雷达目标识别方法。首先,基于模-1距离准则建立了云滴确定度,对高分辨距离像(HRRP)距离单元进行正态逆向云模型建模;然后,定义逆云隶属度表征待测样本属于某个训练类别的概率。对目标模板库中5种飞机高分辨距离像数据的仿真结果表明,该方法具有识别率高、对训练样本量的要求较为宽松和方位角划分不敏感等优点,是一种有效的雷达目标识别方法。     

CPEF:一种用于人脸识别的图像择优方法

针对人脸识别的输入图像信息量高低不均的问题,提出了一种多参数图像择优的评分机制CPEF主要有三点贡献:第一点是提出了一种新颖的基于主动形状模型(ASM)定位的人脸水平旋转程度评估方法;第二点是采用递归的方式计算权重;第三点是提出了一组参数定量地描述了图像择优方法.过程如下:首先,计算图像质量;其次基于二分类器判断人眼是否处于睁开状态;然后以颜色直方图信息判定人是否处于张嘴状态;最后,综合水平旋转程度及其他参数,配合权重,给出评分.在FERET人脸库上的实验结果证明,CPEF有效地将人脸图像按照入主观感受做出排名,准确率高达92％.并且按得分高低排序采用Gabor配合SVM做人脸识别对比测试,对比实验证明,经CPEF处理后的图像在人脸识别中的准确率显著提升.     

基于深度学习的云参量反演方法研究

有效的云检测与云相态判识对于农业、气候及人类生活具有重要意义, 而这些数据的获取离不开卫星遥感。 卫星遥感数据在当今社会的生产和生活中都扮演着至关重要的角色, 众多领域的发展都离不开卫星遥感数据的支持。 随着高精度传感器的发展, 传统研究方法无法满足大规模、高维度数据的高效挖掘与处理, 因此深度学习技术在遥感 领域得到了快速的发展。基于深度学习技术提出了一种结合多波段遥感影像的云检测及云相态判识的方法。该方法 采用 MODIS 云产品影像作为样本, 将不同波段信息作为特征值, 分别建立针对云检测与云相态判识研究任务的多个 数据库, 并采用 DeepLab V3+ 模型进行训练并预测, 从而完成高精度的云检测及云相态判识任务。与传统方法相比, 该方法高效便捷、特征提取能力较强, 将多波段作为特征值输入模型进行预测时, 该方法展现了良好的结果。     

国产卫星多角度偏振传感器的光谱特征云检测方法研究

在卫星遥感研究中, 云检测是基础环节, 其结果影响大气、地表各种参数的定量遥感, 同时也影响云微物理特 性的反演。本研究针对多角度偏振卫星载荷(高分五号DPC 传感器), 建立了一种改进的光谱特征云检测算法。该算 法综合利用云像元和非云像元在可见光反射率光谱、氧A 波段吸收、蓝光偏振反射率以及偏振虹等特性上的差异, 分别提出了陆地、海洋上空的云检测方案, 并进一步建立了多角度云检测融合策略以标记云、晴空和未定像元。在 陆地检测中, 通过增加表观压强检测和偏振虹检测分别改进了高层薄云和低层薄云的识别; 在海洋检测中, 利用表观 压强与云层的退偏特性改进了耀光区云像元的识别。全球云检测结果示例显示该算法整体检测效果较好, 同时典型 区域的检测结果与MODIS 云产品也具有较好的一致性。该研究可为高分五号02 星上的多角度偏振传感器云检测提 供方法基础。     

基于随机有限元与神经网络的传热参数的智能辨识

传热学参数之间的关系是非常复杂的,如何建立这种复杂的非线性关系,以便于对传热参数进行合理的辨识和预测,是一个值得深入思考的问题。传统的传热参数辨识方法繁琐复杂,适用条件极为苛刻。而利用神经网络进行参数的辨识,又面临着样本的构造和选取的一个“瓶颈”。为此,本文提出将随机有限元法和神经网络相结合,进行传热参数的智能辨识。其中随机有限元法用于构造神经网络所需的样本集,对神经网络进行训练和测试,神经网络则进行参数的推广辨识,收到了比较满意的效果。     

基于码流的G-PCC压缩点云无参考感知质量评估

为了实现对采用G-PCC编码的点云质量的实时监控,提出一种基于码流的无参考点云感知质量评估模型。首先根据主观实验的结果分析确定几何无损时点云的感知质量与纹理量化参数之间的关系,然后使用纹理量化参数和纹理比特率来预测纹理复杂度,结合空域掩盖效应建立几何无损时的点云质量评估模型。然后研究位置量化尺度对点云下采样质量的影响,发现纹理量化参数与位置量化尺度对点云质量的影响相互独立,并最终得到完整的点云质量评估模型。对该模型在WPC4点云数据库中进行测试,其SRCC为0.9447,PLCC为0.9465,RMSE为6.8252,表明该模型有良好的性能,与现有性能最好的GraphSIM客观指标相比,该模型指标的PLCC和SRCC分布分别提高了0.0223和0.0238,RMSE降低了1.1898。