基于神经网络和D-S证据理论的船舶类型识别

针对目标识别中基本可信度分配需要专家知识在实际中难以实现的问题,提出一种基于神经网络和D - S证据理论相结合的多传感器目标识别算法.该算法利用神经网络得到各目标的基本概率赋值,然后使用D - S证据理论对其进行时间域和空间域的融合.利用该算法对几种船舶目标进行身份识别仿真,结果表明,该算法能够有效提高目标身份识别率,具有一定抗干扰能力.     

基于优势关系粗糙集的空袭兵器判别

提出一种基于优势关系粗糙集的方法来抽取空袭兵器识别的主要因素与主要类型之间规则。所提出的优势关系粗糙集方法综合考虑了序值属性和常规属性,具有更为广泛的应用前景。利用实例说明所提出方法的有效性。这里将优势关系粗糙集应用于空袭兵器识别问题中,并且充分考虑了常规属性和序值属性。     

采用粗BP神经网络和D-S证据理论的目标识别

为克服传统的目标识别方法的不足,提高目标识别的实时性和准确性,提出将粗BP神经网络与D-S证据理论相结合的识别模型.在多传感器数据融合中利用粗集理论对大量的传感器数据进行处理,对输入信息进行约简,剔除冗余信息,简化了生成规则和BP神经网络模型结构,提高了网络训练速度和运行速度.以BP神经网络输出作为证据,后端对不同传感器的证据用D-S证据理论进行融合,得到待识别目标的识别概率.实验表明该模型减少了识别的主观因素,简化了BP神经网络结构,提高了运算速度和识别效果.该混合模型有比较好的应用前景.     

基于小波神经网络的信号调制识别

采用小渡分析与神经网络相结合的思想进行数字通信信号调制类型的识别.首先利用小波分析对信号进行分解,根据小波系数进行特征提取,然后利用概率神经网络对4种常用数字通信信号进行识别.仿真结果表明,小波分析和神经网络相结合,可以很好的实现数字通信信号调制类型的识别.     

基于信息熵和概率神经网络的海战场目标识别

海战场目标识别是态势评估的基础,采用信息熵进行属性的约简,去除冗余属性,减少无关属性对识别的干扰。利用概率神经网络综合使用RBF神经网络和竞争神经网络进行目标识别。信息熵与概率神经网络结合可以过滤掉传感器信息中的冗余信息,有效地对海战场目标进行识别,并具有一定的泛化能力。通过仿真证明了本方法的有效性。     

基于RS优化的电力变压器故障诊断方法

针对现有的故障诊断技术应用在电力变压器故障诊断中存在的冗余信息过多,诊断结果不准确等问题将粗糙集理论与概率神经网络相结合,先利用粗糙集理论对故障系统前期数据进行最大限度的约简,再经概率神经网络进行故障模式分类,可简化故障诊断网络规模,且相比于单一的概率神经网络的诊断方法,能够更精确地诊断出变压器故障类型,其研究成果在油浸式电力变压器故障诊断方面具有广阔的应用前景。     

RS理论在自组织调制识别技术中的应用研究

通信信号处理中最主要的问题是调制样式自动识别,其实质就是通过对输入信号的判别和归类进而理解该信号的结构和属性.本文研究了将粗糙集理论应用于自组织调制识别中的技术.它利用粗糙集理论进行信号的属性约简,求出约简和核;神经网络利用最简决策表构建分类器和提取主要特征参数.二者结合实现了信号自动调制识别,这不仅简化了网络结构和缩...     

一种创新性激光图像三维目标识别算法

针对径向基神经网络在激光图像分类识别中识别率低及训练时间长的问题,提出粗糙集与神经网络相结合的方法,将粗糙集算法简约后的样本特征作为神经网络的前置输入。首先建立不同视点的激光主动成像三维仿真图像,然后提取17个目标特征,并采用粗糙集算法选择分类的属性,从17个特征中筛选出5个影响决策的特征属性,最后选用4层径向基神经网络作为基本的网络结构,并采用在各层节点上与粗糙集相结合方法识别目标。仿真结果表明,结合粗糙集的集成神经网络方法识别正确率保持在80%以上,与未结合粗糙集的神经网络相当,但训练与识别时间缩短10倍以上。     

基于模糊神经网络的空袭兵器类型识别模型

针对防空作战中空袭兵器类型识别问题进行了研究,给出了空袭兵器的主要类型和主要识别因素以及识别因素的隶属函数,在此基础上建立了模糊神经网络模型。最后对模型进行了仿真实验,实验的计算结果表明模型的可行性和有效性。     

基于多CPU并行结构的神经网络集成算法研究

给出了一种用于自动目标识别(ATR)的神经网络集成算法，并结合算法设计了基于多CPU并行结构的多目标识别神经网络系统。该算法是运用不同规模和初始条件下形成的同种类型的神经网络分类器，主要运用的网络是BP神经网络，并把每一个神经网络输出映射为后验概率，然后进行加权平均判决，最后利用设计的神经网络系统进行了实时识别。实际测试表明，对9种目标的统计识别率达到95％以上，且在40ms之内给出识别结果，满足了实时性要求，识别率明显比单一的神经网络高。     

粗神经网络在雷达目标识别中的应用

将粗集理论与神经网络结合起来设计出粗神经网络,用于对雷达目标数据进行融合,特别是对雷达目标进行识别。研究表明这种网络可以接受定性输入,即输入是一个范围或在观测时间内输入是变化的,从而大大提高雷达目标的识别率。粗集理论和神经网络结合起来将在雷达数据融合方面有着很好的应用前景。     

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。     

YOLOv5与Deep-SORT联合优化的无人机多目标跟踪算法

针对无人机平台下小目标检测性能差、目标尺度变化较大、复杂背景干扰等导致跟踪失败的问题,该文提出一种联合优化检测器YOLOv5(You Only Look Once)和Deep-SORT(Simple Online and Realtime Tracking with a Deep Association Metric)的无人机多目标跟踪算法。该算法使用改进的CSPDarknet53(Cross Stage Paritial Darknet53)骨干网络重新构建检测器中的特征提取模块,同时通过自顶向下和自底向上的双向融合网络设计小目标检测层,采用无人机航拍数据集训练更新优化后的目标检测网络模型,解决小目标检测性能差问题;在跟踪模块中,提出结合时空注意力模块的残差网络作为特征提取网络,加强网络感知微小外观特征及抗干扰的能力,最后采用三元组损失函数加强神经网络区分类内差异的能力。实验结果表明,优化后的目标检测的平均检测精度相比于原始YOLOv5提升了11%,在UAVDT数据集上相较于原始跟踪算法准确率与精度分别提高了13.288%、3.968%,有效减少目标身份切换频次。     

D-S证据理论和粗集理论在数据融合中的应用

提出了一种由粗集理论和D S证据理论结合的多传感器数据融合方法 ,并将其应用于目标识别中。在目标识别的数据融合中 ,利用粗集理论对大量的传感器数据进行处理 ,判断出冗余传感器 ,得到传感器的最简组合 ,从而简化特征数据。然后利用D S理论实现目标的分类 ,改进分类的效果。因此 ,将两种方法结合起来应用于数据融合技术中来进行目标识别 ,为解决传感器数据超载以及不完整传感器信息融合提供了一种方法 ,且提高了识别的速度和效果     

一种粗逻辑神经网络研究

该文基于粗逻辑理论,研究了粗逻辑意义下的粗集神经网络的设计,分析和比较了粗逻辑神经网络和模糊逻辑神经网络的性质。在重庆地区Landsat TM 遥感图像的地物分类实验中,验证了粗逻辑神经网络的有效性,同时可以发现其在网络结构和收敛性方面的优势。     

基于神经网络的典型地物的偏振多光谱图像分类（特邀）

相比传统的多光谱成像探测,偏振多光谱成像探测方法可以探测目标表面的粗糙度、含水量等更多信息,给目标检测带来了很大便利,但目前主要用于目标探测,尚未广泛应用于目标分类。BP神经网络是目前常用的一种典型神经网络,可以建立从端到端的映射,在训练样本集足够大的前提下,训练完毕且效果良好的神经网络是一种高效、精确、快速的工具。首先,利用基于旋转偏振片和滤波片的偏振光谱成像探测系统获取了典型地物的偏振多光谱图像,对图像进行了预处理,建立了数据集;其次,在该数据集上进行了神经网络的训练,训练后的神经网络可以处理未知的偏振多光谱图像,并实现了对几种典型地物的分类;最后,对神经网络分类的效果进行了评价,并与其他几种典型分类方法的效果进行了对比,发现神经网络方法具有更好的分类精度和效果,相比典型的最大似然分类算法,其总体分类精度可从91.7%提升至94.2%,Kappa系数可从0.851提升至0.898。研究结果表明:基于神经网络的偏振光谱图像分类方法对于改进和优化现有的偏振多光谱图像数据处理方法具有一定的研究意义。     

粗糙集-遗传神经网络在挖掘机故障诊断中的应用研究

针对当前单一的故障诊断方法不能满足实际需求的问题,提出了一种粗糙集-遗传神经网络分类器模型,实现对挖掘机故障分类.该模型首先利用粗糙集理论对神经网络的输入进行属性约简,以减少神经网络的工作量;利用遗传算法优化BP神经网络,解决神经网络易陷入局部极小和收敛速度慢的问题;最后利用约简结果和优化的BP网络进行网络训练.实验结果验证了该方法用于故障诊断的有效性.     

基于雷达距离象序列的循环神经网络飞机目标识别

本文应用雷达目标瞬态高分辨距离象序列来识别目标,提出了一种基于距离象序列的实时循环神经网络分类方法,并进行了三类飞机目标的分类实验研究,结果表明,该方法可以得到高的识别率。