激光雷达信号的舰船识别研究

舰船是一种海上军事目标,对其进行高精度识别具有重要的研究意义,传统舰船识别方法通用性差,无法识别所有类型的舰船型号,导致舰船的误识概率相当高,为了有效降低舰船误识概率,提高舰船识别的精度,提出了基于激光雷达信号的舰船识别方法。首先对激光雷达的工作原理进行分析,并通过激光雷达信号成像技术获取舰船图像,然后从舰船图像中提取识别特征,并根据特征进行舰船图像匹配,从而实现舰船识别,最后进行激光雷达信号的舰船识别性能测试,实验结果表明,本文方法可以有效地识别舰船类型,舰船的误识概率要明显少于对照舰船识别方法,提高了舰船识别率,实验结果验证了本文方法的先进性。     

舰船监控图像拼接与识别研究

针对当前舰船监控图像拼接与识别存在的弊端,如拼接错误率高、识别正确率低等,为了提高舰船监控图像拼接与识别效果,设计了一种神经网络的舰船监控图像拼接与识别方法。首先提取舰船监控图像拼接的特征,并根据拼接关键点方向直方图建立舰船监控图像拼接模型,然后引入神经网络构建舰船监控图像识别的分类器,最后进行了舰船监控图像拼接和分类仿真模拟测试实验。相对于其它舰船监控图像拼接方法,本文方法的舰船监控图像拼接正确率得到了提升,同时本文方法的舰船监控图像识别正确率超过了90%,使得舰船监控图像的误识率大幅度减少,具有一定的实际应用价值。     

舰船数字图像局部模糊特征智能识别方法

当前舰船数字图像识别方法存在明显不足,如识别成功率低、识别过程太复杂等。为了改善舰船数字图像识别准确性,提出一种舰船数字图像局部模糊特征智能识别方法。首先收集舰船数字图像,并进行噪声除去处理,以获得更优的舰船数字图像识别特征;然后提取舰船数字图像识别的局部特征,并引入主成分分析算法对特征进行分析,减少特征数量;最后引入模糊聚类算法计算舰船数字图像特征之间的距离。根据距离划分舰船数字图像的类型,在Matlab环境中的舰船数字图像识别测试结果表明,本文方法解决了当前舰船数字图像识别方法的局限性,舰船数字图像的平均识别率超过92%,舰船数字图像的误识率极低,识别结果明显好于当前几种重要的舰船数字图像识别方法,具有实际应用前景。     

基于小波包分析和深度学习的舰船辐射噪声识别

为提高舰船辐射噪声识别的准确率,针对辐射噪声这种非平稳、复杂的信号,提出一种基于小波包分解与多特征融合的特征提取方法.同时,引入深度学习模型,将提取到的特征作为识别分类的依据,采用卷积神经网络和长短时记忆神经网络作为分类器.对单一特征的分类结果与融合的多特征分类结果进行比较,对直接提取的特征分类结果与基于小波包分解提取的特征分类结果进行比较,对卷积神经网络、长短时记忆神经网络和机器学习的识别分类结果进行比较,结果表明,采用基于小波包分解与特征融合的特征提取方法和基于深度学习的分类识别方法能显著提高舰船辐射噪声识别的准确率.     

无线网络的舰船识别方法

舰船识别依赖特征参数与待分类数据的联系,现有识别方法未挖掘信号隐性特征,影响可识别范围,基于无线网络提出一种舰船识别方法。对舰船信号进行预处理,计算短时能量和过零率,判断信号起始点。利用卷积神经网络挖掘样本信号的显性和隐性特征参数,并构建舰船识别模型对特征参数进行训练,得到最优分类面即为识别结果。实验结果表明,本文提出的识别方法能实现一对一的舰船识别,并且可识别范围大于基于SAR图像和基于稀疏信号分解算法的识别方法,基本上可覆盖全部的目标识别区域,有助于实际海洋环境的舰船监测。     

基于模糊数学模型的舰船红外成像目标智能识别方法

利用传统基于SVM和基于神经网络的方法对舰船红外成像目标进行智能识别,识别距离较短,导致识别范围受限。针对上述问题,提出基于模糊数学模型的舰船红外成像目标智能识别方法。该方法分为3步:1)对舰船红外图像进行预处理,包括图像滤波、图像增强、图像分割;2)利用基于几何特性方法提取处理后的图像特征;3)以图像特征作为模糊数学模型特征因子,构建模糊集合,并利用贴近度原则对被识别对象进行归属判决,完成目标识别。结果表明:与基于SVM和基于神经网络的方法相比,利用本方法进行舰船红外成像目标智能识别,识别距离延长10 m和20 m,识别范围扩大。     

基于深度学习网络的舰船识别方法

合成孔径雷达SAR由于穿透力强,可全天候工作,目前在海上目标探测等领域获得了非常广泛的应用,SAR图像的舰船识别技术也成为一项热点研究。本文研究侧重于利用深度学习算法和卷积神经网络,实现海上舰船SAR图像的快速、准确识别。首先介绍深度学习和卷积神经网络的原理,然后基于深度学习网络建立了SAR图像船舶快速识别算法,最后结合海上SAR图像数据进行了舰船识别的仿真试验。     

BP神经网络的舰船辐射噪声识别

当前舰船辐射噪声识别方法存在识别率低,对环境鲁棒性差等缺陷,为了对复杂环境下的舰船辐射噪声识别进行准确识别,提出了BP神经网络的舰船辐射噪声识别方法。首先采集舰船辐射噪声,并提取舰船辐射噪声识别有效特征参数,然后采用BP神经网络建立舰船辐射噪声识别模型,从而实现对舰船辐射噪声信号的分类和识别,最后进行舰船辐射噪声识别的仿真测试。结果表明,相对于已有的舰船辐射噪声识别方法,BP神经网络提高了舰船辐射噪声识别率,可以对各种舰船辐射噪声信号进行准确分类。     

舰船目标图像不变特征快速识别方法

传统舰船目标图像不变特征的识别方式,图像特征识别的稳定度较低,舰船图像表面特征瑕点较多。对此提出了一种新型舰船目标图像特征快速识别技术。通过图像转化和背景帧差法对船舶目标图像进行灰化处理,提取局部特征点;再对舰船图像局部特征点的稳定度、重复度和匹配度的3项参数进行求取,并对其进行维数分析,实现舰船目标图像不变特征的快速识别。仿真实验表明,新型舰船目标图像不变特征快速识别方法与传统识别方法相比,Rtc图像离散度更低,在5 T目标图像下,最多可以减少27×106 T的瑕点,可以证明新型目标图像不变特征快速识别方法识别稳定度更高,图像产生的瑕点更少。     

舰船物联网异常入侵行为的识别研究

舰船物联网异常入侵行为复杂多变,当前方法存在舰船物联网异常入侵行为误识率高等不足,为了改善舰船物联网异常入侵行为识别效果,设计了基于证据理论的舰船物联网异常入侵行为方法。首先采用多个单一方法对物联网异常入侵行为进行识别,每一个识别结果作为一种证据,然后采用证据理论对单一方法的物联网异常入侵行为识别结果进行融合,最后对物联网异常入侵行为识别效果进行测试。本文方法能够对物联网异常入侵行为进行准确识别,降低了物联网异常入侵行为的误识率,验证了本文方法用于物联网异常入侵行为识别的有效性。