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。     

基于多基站雷达协同的船只监控系统

国内的海事雷达可以对目标船只进行监控和定位,但无法做到实时成像,因而无法对船只进行识别和分类。基于逆合成孔径雷达技术(ISAR)的多基站雷达监控系统可以做到对目标船只的全覆盖成像监控。本文提出了基于多基站ISAR技术的雷达系统用以监控海面船只并公布了在某海域的对船成像结果。     

变精度粗糙集模型在空袭兵器类型识别中的应用

针对经典粗糙集模型解决空袭兵器类型识别问题时的不足,文章提出了一种改进的相似度,建立了基于改进相似度的变精度粗糙集模型并提出了基于重要度的属性约简算法。最后利用一组测试样本对模型进行了检验,结果表明模型准确、可靠。     

船用SDN传输网非法入侵行为的识别研究

由于非法入侵行为产生的数据较多,传统方法受到数据冗余性较高的影响,导致识别准确性较低,为此设计一个船用SDN传输网非法入侵行为的识别方法。首先对传输网中的数据进行降维,然后对网络中的冗余数据去除,寻找数据之间的频繁项集,并对数据之间的关联规则生成,以对数据关联性计算。最后采用粗糙集算法对异常行为识别,主要通过奇异值计算与阈值比较实现。实验以识别准确率与识别时间作为对比对象,结果表明所研究的识别方法有效提高了识别的准确率,并减少了识别时间,实际应用意义较强。     

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。     

舰船通信网络感知层异常入侵行为集成识别方法

为了缩短异常入侵行为集成识别的时间,提高舰船通信网络感知层异常入侵行为的识别能力,提出了舰船通信网络感知层异常入侵行为集成识别方法。采取短时过零率与短时能量相结合的方式,得到了舰船通信网络感知层异常入侵行为特征的提取流程,完成了舰船通信网络感知层异常入侵行为的特征提取;又结合异常入侵行为集成识别流程的设计,实现了舰船通信网络感知层的异常入侵行为集成识别。对比实验结果证明,提出的异常入侵行为识别方法与基于数据挖掘的识别方法相比,异常入侵行为的识别能力提高了56.8%。     

基于GA-SVM模型的水上事故严重程度分类

为降低水上交通事故发生概率,从人、船、环境及事故属性的角度分析不同因素对事故严重程度的影响,提出基于支持向量机的水上事故严重程度分类模型,利用粗糙集理论对水上事故数据进行约简预处理,最后利用样本数据对基于支持向量机的分类模型进行训练和测试。结果表明,该模型的测试精度达到85%,能较好地识别海事事故严重程度。     

船舶导航轨迹识别中智能算法研究

以船舶导航作为研究对象,对船舶导航航行轨迹识别方法进行研究,给出一种智能航迹识别算法。在该算法中,首先通过聚类算法进行航迹图谱的挖掘,得到历史航迹图谱,然后根据航迹图谱,利用卡尔曼滤波方法对航迹异常行为进行识别与预测。实验结果表明,本文给出的船舶导航轨迹智能识别方法具有较好的识别效果。     

雷达辐射源信号识别研究综述

介绍雷达辐射源信号识别的过程,概述和分析国内外雷达辐射源识别研究的现状,阐述基于粗糙集理论的雷达辐射源信号识别方法,指出雷达辐射源信号识别的发展趋势,为今后相关研究提供了有益的思路。     

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。     

浅谈舰船目标识别的方法和技术

针对海洋环境中的舰船目标识别问题,对现有方法和技术进行研究。从基于非成像技术和成像技术2个角度对现有舰船目标识别方法展开介绍。对于基于非成像技术进行舰船目标识别的方法,分析算法的一般性框图,并对国内外的研究历史和现状进行介绍。而对于基于成像技术的方法,从红外成像、合成孔径雷达成像和卫星遥感成像3个方面展开,对每类方法的原理做简要介绍,并阐述每类方法的技术发展和优缺点,给出简单的比较。     

粗糙集理论在编队电子战信息融合中的应用

针对编队电子战中截获的敌方雷达辐射源数据数量超载、不完整及不确定等特点,本文提出一种基于粗糙集理论对雷达辐射源数据融合的方法.首先从包含重复和冗余信息的原始数据出发,利用粗糙集的分类能力对数据进行初步融合,形成编队辐射源识别编号;再利用粗糙集理论的可分辨矩阵概念进行信息的再融合,导出分类识别规则,得到最简决策集合.仿真分析表明,该方法是有效的.     

基于智能视觉的船体焊接坏点识别方法

传统的船体焊接坏点识别方法会受周围因素的影响,无法得出准确的识别结果,为了解决这个问题,提出基于智能视觉的船体焊接坏点识别方法。利用智能视觉技术采集船体焊接图像,并对图像进行二值化处理,得到经过去燥处理的船体焊接图像,在完成上述步骤后,利用智能视觉船体焊接坏点识别模型对船体焊接坏点结构进行故障识别,为确保识别结果的准确性,应用映射计算法对其进行进一步处理。由此,完成基于智能视觉的船体焊接坏点识别方法的设计。在实验中,随机选取800张船体焊接坏点结构图像,分别对这2种方法进行实验分析,实验结果表明,所提方法的准确性更高,更适合推广使用。     

基于粗糙集的船舶主机轴系故障诊断

船舶主机轴系的故障诊断对船舶正常航运具有重要意义.将粗糙集理论应用到船舶主机轴系故障诊断中,建立了基于粗糙集的船舶主机轴系故障诊断模型.采用NaiveScaler方法对故障数据离散化处理,利用基于属性重要度的启发式算法进行属性约简,获取故障诊断相关规则.算例验证了该模型的有效性.     

船舶电气系统故障识别的建模方法研究

为了改善船舶电气系统故障识别结果,提出基于机器学习算法的船舶电气系统故障识别方法。首先采集船舶电气系统工作状态的数据,并提取船舶电气系统故障识别特征向量,然后利用机器学习算法对船舶电气系统的训练样本进行学习,建立船舶电气系统故障识别模型,最后进行船舶电气系统故障识别方法有效性测试实验,测试结果表明,本文方法能够获得较高正确率的船舶电气系统故障识别结果,同时船舶电气系统故障识别整体结果显著好于其他船舶电气系统故障识别方法。     

基于条件熵约简和粗糙集规则匹配的反辐射无人机作战目标威胁识别

文章采用粗糙集的方法来处理威胁识别中的不确定、未知信息,利用条件熵度量威胁识别属性的重要程度,并提出了一种新的规则匹配方法识别威胁等级。通过实例分析与对比,证明此方法能够为反辐射无人机作战目标威胁等级的判断提供了一种可行的途径。     

船载远程电子通信设备异常信号识别方法

传统的船载远程电子通信设备异常信号识别方法存在着识别性能差的缺陷,为此提出船载远程电子通信设备异常信号识别方法研究。利用比较判别法对采集的船载远程电子通信设备信号进行判别,对异常信号特征进行提取并组成异常信号特征集合,以异常信号特征集合为依据采用异常信号识别算法对异常信号进行识别,实现了船载远程电子通信设备异常信号的识别。通过实验得到,提出的船载远程电子通信设备异常信号识别方法识别正确率比传统方法高出24%,说明提出的船载远程电子通信设备异常信号识别方法具备更好的识别性能。     

基于星载SAR的海上主要溢油风险源遥感识别方法

针对现有的船舶自动识别系统(AIS)或船舶交通管理系统(VTS)在监测船舶方面都存在准确性不足等问题,提出基于星载合成孔径雷达技术对海上两大主要的溢油风险源,进行遥感识别和提取的方法。以渤海海域为例进行试验和案例分析,结果表明,该方法能够对海面船舶和石油平台进行快速准确的遥感识别,是对传统溢油风险源识别方法的有效补充。     

复杂场景下港口水域船舶异常行为智能识别方法

传统的船舶异常行为识别方法在识别复杂场景下港口水域船舶行为时,识别准确率过低。针对这一问题研究了一种新的船舶异常行为智能识别方法,设定了识别模板,由数据库模块、匹配模块和识别模块3部分组成,给出了识别模板内部算法的计算流程,同时计算港口信息和船舶信息,得到背景值和目标值后进行比较,判断船舶行为是否存在异常,以此实现异常行为的智能识别。与传统识别方法进行实验对比,结果表明,所研究的识别方法准确率更高,识别效果更好。     

基于机器视觉的大规模船舶航行数据自适应识别方法

传统船舶航行数据识别方法,存在瞬态识别数据规模局限性大,超规模阈值下的数据识别准确率过低的问题。在当前船舶航行数据处理规模下,无法高效准确完成船舶航行数据的处理任务。为了在根源解决上述问题,引入机器视觉技术,提出基于机器视觉的大规模船舶航行数据自适应识别方法。首先基于机器视觉技术,对航行数据的识别标准进行定义,同时完成对相关不符识别量进行修正;接着对全局航行数据对应的轨迹信息进行机器视觉结构处理;最后完成对数据的自适应识别计算。通过与传统方法的多组航行数据模拟测试发现,采用提出识别方法的航行数据识别结果,相较传统识别方法具有识别速度快、准确率高、数据规模自适应性强的特点。