基于特征步态的身份识别方法

本文提出了一种有效实用的基于步态的身份识别方法。通过提取目标行走的差分步态图像,将目标运动过程的动态信息转化为二维平面中的静态信息,利用K-L变换进行特征提取,使用标准的分类器进行分类。在中科院自动化所提供的NLPR数据库上做了大量的仿真实验,验证识别性能。     

基于Contourlet变换和SVM的SAR图像目标识别

针对SAR图像具有斑点噪声,特征提取较难的特点,提出了基于Contourlet变换和SVM的SAR图像目标识别分类算法.该算法的在特征提取时利用了Contourlet域的标准偏差进行特征提取的方法,后端用支持向量机分类器,提高分类精度.实验结果证明该分类算法能够减少SVM的特征维数,具有较好的分类性能.     

一种气体的微弱红外光谱特征提取方法

被动傅里叶变换红外遥测技术可以测量大部分污染气体,亮温光谱法能够在无需背景信息的前提下实现目标特征提取与识别。在野外进行实测时, 存在背景物体辐射、大气中成分辐射、仪器噪声等信号。当目标信号弱于这些信号时,亮温光谱法难以直接从实测光谱中提取目标特征。针对这一问题,提出了一种基于非负矩阵分解的光谱特征提取方法,在被动红外遥测模型基础上,通过对整个亮温光谱进行分析,得到目标光谱特征。实际测量以SO$_2$为目标气体进行野外实验,对该方法进行了验证,结果表明,在目标信号较弱的亮温光谱中仍然能够提取到SO$_2$的光谱特征,证明了方法的有效性。     

基于(TVAR)时变自回归模型的HRR回波建模及目标识别

本文中指出复杂目标的高分辨回波信号的非平稳性,并采用时变自回归模型(TVAR)对其建模,选取模型参数及模型误差为目标特征,利用K-L变换对模型参数矢量进行特征降维,然后和模型误差一并送入BP网络进行分类识别,获得了较好的识别效果.     

运动想象脑信号的深度置信网络分类优化

关于脑机接口（BCI）系统中的运动想象（MI）脑信号的特征提取一直是一个难题。相较于SSVEP、AEP和P300等其他BCI模式，MI的分类准确率相对较低，缺乏有效的识别方案。本文提出了一种结合深度置信网络（Deep Belief Network,DBN）和麻雀搜索算法（Sparrow search algorithm,SSA）的特征提取和分类识别算法SSA-DBN。融合SSA与DBN的优势，可以在保持较低计算复杂度的同时，提高特征提取和分类识别的准确率。本研究首先利用完全自适应噪声集合经验模态分解（CEEMDAN）方法提取信号的固有模态函数（IMF）特征。然后，将筛选出的适合分类识别的IMF分量与希尔伯特黄变换（HHT）方法相结合，提取出不同导联时频信号的特征空间向量，并进行叠加平均。最后，将特征向量输入到SSA-DBN算法进行分类处理。为确保公平性，在验证算法性能时，选取了具有代表性的BCI Competition IV Dataset 2a数据集，同时对比了其他算法的表现，并详细说明了调参方法。为了避免过拟合问题，可以考虑使用更大规模的数据集进行测试，如PhysioNet或BCI...     

基于代数特征的多光谱图像特征提取方法

多光谱图像特征提取的好坏直接关系着目标识别算法的复杂程度,也影响着最终目标识别的性能。研究了一维主成分分析（1DPCA）、二维主成分分析（2DPCA）、一维奇异值分解(1DSVD)和二维奇异值分解(2DSVD)等代数特征提取方法,并用这些方法构成图像识别框架的特征提取部分,通过识别率的大小来验证是否适合于多光谱图像特征提取。实验结果表明：①与可见光图像目标识别相比,PCA和SVD特征更适合于红外图像目标识别;②训练样本分类时,PCA和SVD特征的识别性能改善不明显;③训练样本少时,SVD重构图像、2DSVD和1DPCA特征的识别性能较好。     

基于L1范数B2DPCA的SAR目标特征提取与识别

主成分分析法(PCA)等基于L2范数最小均方准则的目标特征提取方法在合成孔径雷达(SAR)图像目标识别中得到广泛应用,L2范数易受SAR图像中野值的干扰,影响目标特征提取效果。介绍一种基于L1范数双向二维主成分分析法(B2DPCA-L1)的目标特征提取方法。L1范数对野值有较强的鲁棒性,通过在L1范数框架下实现B2DPCA,有效地改善了样本中野值对特征提取的影响,同时减少了特征矩阵维数,提高了目标识别率。实验表明,所提出方法的识别性能优于基于L2范数的特征提取方法。     

一种基于频谱细化技术的水下目标识别方法

被动声纳目标识别主要是根据目标辐射噪声的不同实现的,如何从水下目标辐射噪声中提取有效的识别特征,是实现水下目标识别的关键环节。文中在分析目标辐射噪声特点的基础上,利用一种改进的高频噪声解调分析(DEMON)方法进行目标线谱提取,在提取线谱的过程中,利用小波变换进行DEMON谱融合得到明显的DEMON线谱,再通过频域周期图法对DEMON谱进行净化,以便可靠地提取线谱。仿真及试验结果验证了所提方法的有效性和可行性。     

基于小波的SAR图像分析与解译技术研究

小波变换是一种局部细化分析,已被广泛应用到了合成孔径雷达信号处理的诸多方面,并收到了良好的效果.文中在介绍了合成孔径雷达图像解译与目标识别研究背景的基础上,就小波分析在相干斑噪声抑制、特征提取、图像分割与目标识别等方面的应用进行了分类探讨,展望了小波方法在合成孔径雷达图像解译与目标识别领域的应用潜力.     

基于中心矩特征的空间目标识别方法

目标的雷达散射截面（RCS）包含了丰富的目标类别信息,有效地利用目标RCS特征对空间目标的雷达识别具有重要的意义。该文利用空间目标回波的距离维信号来进行识别。中心矩特征具有平移不变性,是一种简单有效的波形特征提取算法。文中首先提取中心矩作为特征向量,再采用Fisher判据进一步进行特征压缩,最后利。用支撑矢量机（SVM）分类算法实现识别。基于实测数据的仿真实验结果表明,该方法具有较好的识别性能和推广能力。     

被动声纳信号检测技术研究

论文介绍了被动声纳工作原理及被动声纳信号的检测原理,分析了采用Chirp—z变换进行频谱细化的方法,并使用Matlab进行仿真。仿真结果表明,Chirp-z变换可使频谱细化,提高局部频段内的分辨能力。采用该算法对被动声纳检测线谱进行处理,使系统的整体检测性能有较大的提高。     

一种基于I/Q失配的辐射源指纹提取方法

针对现有的辐射源识别方法的不足,利用辐射源自身I/Q失配指纹特征的可检测、可重现、不变的特性,提出一种基于I/Q失配的新型射频指纹特征提取方法.该方法是一种基于信号空间的指纹特征提取方法,它需要对信号的信噪比进行估计.综合考虑,采用基于特征值分解的信噪比估计方法.实验仿真结果表明,在相同的信噪比条件下,基于I/Q失配的射频指纹特征提取方法比双谱、Hilbert-Huang变换信号特征提取方法具有更加优越的射频指纹识别性能.     

冲击噪声背景下基于KPCA和C-SVM的频谱检测算法

针对背景噪声是冲击噪声,且在低信噪比中,二级用户检测性能低的问题,提出了核主成分分析(Kernel PrincipalComponent Analysis,KPCA)和C-支持向量机(Support Vector Machine,SVM)的频谱检测方法.提取接收信号的循环谱特征,核主成分分析对信号特征进行降维,提取出信号的主要非线性特征,再结合C-SVM对接收信号进行分类.仿真结果表明,在冲击噪声背景下,低信噪比中,与PCA-SVM、SVM算法进行比较,所提算法能够提高次级用户的检测性能.     

心音信号MFCC特征向量提取方法的优化

为了提高利用梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients, MFCC）特征向量进行心音信号分类的准确率，本文提出以一种基于独立成分分析（Independent Component Analysis, ICA）及权值优化的MFCC特征向量优化方法。首先，通过消除趋势项、降噪、提取心动周期与基础心音分割等步骤对心音信号预处理；接着，对提取的基础心音信号做Mel频谱变换及倒谱分析提取MFCC特征向量，其中用ICA替代离散余弦变换去除分量间高阶量的相关性，同时采用相关系数为权值优化整体混合矩阵；最后，采用F比衡量特征向量贡献率，并以其为权值优化各维特征向量。通过提取MFCC特征向量采用支持向量机（Support Vector Machine, SVM）的分类器识别第一心音及第二心音，并与人工标注心音状态集进行对比。实验结果表明，基于ICA及权值优化的MFCC特征向量在SVM分类器中识别率得到了有效的提升，且优化算法具备一定抗噪性能。      

船舶航行辐射噪声信号仿真方法研究

船舶航行辐射噪声是被动声纳探测、声纳目标识别、听音判型等工作的重要信息源,其信号仿真是解决上述研究工作中噪声样本类型少或数量不足的有效方法,前提是所仿真信号必须满足逼真度要求。提出了一种基于实测信号重构的船舶航行辐射噪声信号仿真方法。通过谱估计提取信号的连续谱、线谱、调制谱特征,根据谱估计数据合成满足信号谱特征要求的船舶航行辐射噪声,并通过听觉感受调整调制谱参数。仿真结果显示所合成船舶航行辐射噪声信号能够从谱估计和听觉感受两方面逼近实测辐射噪声信号。      

Communication emitter individual identification via 3D‐Hilbert energy spectrum‐based multiscale segmentation features

Specific emitter identification can detect emitters automatically by extracting and analyzing features. A novel specific emitter identification method based on 3D‐Hilbert energy spectrum‐based multiscale segmentation (3D‐HESMS) is proposed. First, the time‐frequency energy spectrum is derived via the Hilbert‐Huang transform, that is, a complicated curved surface in a 3D space, namely, the 3D‐Hilbert energy spectrum. The differential box dimension, multifractal dimension, lacunarity change rate, and 3D‐Hilbert energy entropy are extracted to compose the feature vector under multiscale segmentation using fractal theory. Subsequently, communication emitter individual identification is obtained using the 4 features. Finally, the performance and complexity of the 3D‐HESMS method are compared with those of 2 existing methods. Experiments show that the performance of the 3D‐HESMS method is better than those of the 2 other methods. The extracted features with high stability, sufficiency, and identifiability can overcome the negative effects of the changes in signal‐to‐noise ratio and the number of training samples.     

基于Contourlet域K-L变换的SAR图像相干斑抑制

针对SAR图像相干斑噪声去除问题,提出了一种基于多尺度分解的Contourlet域K-L变换的SAR图像去噪的新方法。方法首先对源图像进行Contourlet分解,在不同频段的子带图像中,利用K-L变换进行能量保持即提出信号的主要特征,用重构图像来进行去噪,最后通过Contourlet逆变换得到去噪之后的图像。在SAR图像上的实验结果表明,方法不仅较好地保持了图像的纹理和细节特征及边缘特征,且信噪比也较高。     

Detection of landmines and underground utilities from acoustic and GPR images with a cepstral approach

This paper introduces a cepstral approach for the automatic detection of landmines and underground utilities from acoustic and ground penetrating radar (GPR) images. This approach is based on treating the problem as a pattern recognition problem. Cepstral features are extracted from a group of images, which are transformed first to 1-D signals by lexicographic ordering. Mel-frequency cepstral coefficients (MFCCs) and polynomial shape coefficients are extracted from these 1-D signals to form a database of features, which can be used to train a neural network with these features. The target detection can be performed by extracting features from any new image with the same method used in the training phase. These features are tested with the neural network to decide whether a target exists or not. The different domains are tested and compared for efficient feature extraction from the lexicographically ordered 1-D signals. Experimental results show the success of the proposed cepstral approach for landmine detection from both acoustic and GPR images at low as well as high signal to noise ratios (SNRs). Results also show that the discrete cosine transform (DCT) is the most appropriate domain for feature extraction.