共查询到18条相似文献,搜索用时 171 毫秒
1.
2.
为解决利用单一特征进行通信辐射源个体识别识别率不高的问题,提出一种基于多域特征融合的通信辐射源个体识别方法。提取通信辐射源发射信号的多个变换域特征,并组合这些特征为多域特征。构建多通道卷积神经网络,利用多通道卷积操作对多域特征进行深层次提取。通过神经网络的分类器,完成对通信辐射源个体的分类。在低信噪比和瑞利信道条件下,使用所提方法对20个CC2530设备进行识别。研究结果表明:与基于单一特征的辐射源个体识别方法相比,该方法充分利用了通信辐射源发射信号的多个变换域特征,结合神经网络的强大细微特征挖掘能力,实现了对通信辐射源个体的有效识别;该方法能够显著提升在低信噪比的识别准确率和时效性,在0 dB条件下的识别效果仍可达到91.01%。 相似文献
3.
4.
5.
D-S证据理论在目标识别中的应用 总被引:10,自引:0,他引:10
根据地面目标运动引起的地震动信号的特征信息,应用多传感器信息融合的方法将目标正确分类。首先根据地震动信号在频域和时频域的多种特征,应用BP神经网络模式识别法,将地面车辆目标分为轮式车、轻型履带式车和重型履带式车。设计了一种以神经网络正确识别率作为基本概率赋值的方法,并应用D-S证据理论进行识别信息融合,训练样本和识别样本分别取自外场实验所获得真实有效的数据,通过对识别信息融合,以较高的可信度得到与识别样本相一致的识别结果,这表明所设计的获取基本概率赋值的方法及信息融合算法是有效的,该方法可以推广应用于其他多传感器或多信息源的探测识别系统中。 相似文献
6.
7.
针对传统依赖于人工经验提取辐射源个体特征的不足,提出一种基于深度强化学习的雷达辐射源个体识别方法。利用发射机非理想信道造成的辐射源信号包络在信号变化时呈现的不同瞬态信息,以信号包络前沿作为深度神经网络的输入状态,以辐射源类别作为当前输入状态的可选动作,通过卷积神经网络自动提取辐射源包络个体特征,并拟合当前状态动作对的Q值,进而以强化学习模型完成雷达辐射源个体识别任务。讨论了深度Q网络模型、深度双Q网络模型以及Dueling Network模型3种深度强化学习模型在辐射源识别任务中的应用。实测数据仿真实验表明:传统机器学习算法的识别率不足80%,而深度强化学习网络的识别率高达98.42%. 相似文献
8.
9.
10.
基于神经网络与改进D—S证据理论的目标识别 总被引:1,自引:0,他引:1
研究基于神经网络(NN)和D—S证据理论相结合对多传感器多测量周期进行数据融合的目标识别方法.采用中心式融合算法,利用神经网络对单个传感器不同周期的目标进行融合识别;利用D—S证据理论对识别信息进行全局融合,得到综合的目标识别,达到对目标识别的目的,并通过实例证明了该方法的有效性. 相似文献
11.
12.
13.
针对协同侦察数据级融合识别中通信量大的问题,利用压缩感知可用少量测量值表征完整信号的特点,提出了一种基于压缩感知的数据级融合识别方法。接收终端采用确定测量阵对侦察信号的Gabor时频特征进行压缩测量,通过传输少量的压缩测量值以减轻通信压力,融合中心根据多源测量数据间的相关特性,采取相关性融合规则直接对多源压缩测量数据进行融合,最后再计算融合压缩测量值在不同类信号字典下的重构误差,最小重构误差对应的信号类别即识别结果。分别对融合识别方法识别性能和相关性融合规则融合效果进行仿真分析,实验结果表明:所提方法在保证识别率的同时大幅减小了数据通信代价,在低信噪比时识别性能突出、抗噪声干扰性能好;相比于其他融合规则,基于测量向量相关性的融合规则可保留更为全面的信息。 相似文献
14.
15.
16.
基于KPCA-HSMM设备退化状态识别方法的研究 总被引:1,自引:0,他引:1
为消除多通道观测信息冗余,压缩高维故障特征,提出了基于核主元分析( KPCA)多通道特征信息融合的隐半马尔可夫模型( HSMM)设备退化状态识别的新方法。首先,对采集的单通道振动信号进行小波相关滤波处理,构造单通道振动信号的小波相关特征尺度熵向量;然后,利用KPCA方法对多通道的小波相关特征尺度熵向量进行冗余消除和特征融合,得到多通道的融合小波相关特征尺度熵向量;并以此融合特征向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器,从而卖现设备退化状态的识别。实验结果表明,该方法能有效的识别设备的退化状态,从而为多通道特征信息融合设备退化状态识别开辟新的途径。 相似文献
17.
针对传统神经网络在实际信息融合过程中存在的一些缺陷,提出一种基于自组织增量学习神经网络(self-organizing incremental neural network,SOINN)的信息融合方法.对不同类型传感器接收到的异构数据,使用增量式正交分量分析(incremental orthogonal component analysis,IOCA)方法进行数据自适应降维和特征提取,将提取出的不同类型特征输入到SOINN中,根据不同数据类型生成相应的神经元连接区域,建立神经区域间的联想记忆,从而实现在数据层、特征层以及决策层 3 个层面上的信息融合.实验结果表明:该方法能够实现对机器人传感器采集到的多源异构数据进行自适应降维和自组织学习,形成机器人的决策判断和行为指令. 相似文献
18.
研究了将平移、缩放与旋转变化(TSRI)的不变性模糊特征信息融合技术用于红外目标图像识别分类的方法,通过提取红外目标图像奇异值与不变矩的平移、缩放与旋转变化(TSRI)的不变性特征,结合模糊特征融合的模式识别方法,并应用模糊判决准则进行分类。实验结果表明,基于红外图像的TSRI不变性多特征信息融合的目标识别方法比不具有TSRI不变性多特征信息融合的识别方法具有更好的稳定性、准确性和可靠性,能够有效地提高红外成像末制导识别系统的精确度,并增强了系统的容错性能。 相似文献