基于分类区间小波网络的雷达目标识别研究

介绍了一种区间小波的构造方法,并将区间小波与神经网络相结合,提出了一种用于信号分类的的分类区间小波网络,利用它可以解决以往小波网络的基底空间与被学习信号所属空间不匹配的问题。实验结果表明,将区间小波网络应用于雷达目标识别,可以减少神经元的数目,提高网络的收敛速度,能够获得较好的分类效果。     

一种基于小波分析的雷达目标多重变换特征提取方法

在非相参雷达目标识别方法中,基于ＦＦＴ－ＭＥＬＬＩＮ的多重变换的特征提取方法,在消除由于雷达回波视角和时延所引起的目标特征不稳定性方面有较好的应用效果。本文针对飞行目标的具体特性,运用小波分析方法提出了一种新的多重变换特征提取方法,经实际数据验证,在飞行目标的架次识别中取得了良好的识别率和实时性。最后文中通过该方法对三类水声目标的分类实验结果分析,证明了其广阔的应用前景。     

基于小波能谱系数的舰船目标分类与识别

由于舰船目标发声机理的复杂性及多样性,导致表征其辐射信号特征的数据量较大且维度较高,带来巨大的处理运算量。因此提取可靠、有效的舰船目标信号特征是水声界研究的难点之一。本文提出基于小波能谱系数的舰船目标信号特征提取方法。首先利用小波变换对舰船目标的波形信号进行分析,获取其时域、频域特征;然后采用小波能谱系数描述信号能量在每个频率范围的分布情况并提取特征向量,以区别3类目标信号;最后以BP神经网络作为分类器对3类目标进行识别与分类。对实验数据的处理结果表明,该方法可以有效获得舰船目标的特征信息,具有较好的分类效果和较高的可靠性。     

基于小波神经网络的舰载雷达目标识别方法

介绍了用于雷达目标识别的小波神经网络的结构与算法。该方法基于子波变换进行特征提取和识别,在最小均方能量准则下,用共轭梯度算法求解子波函数线性组合的尺度和延时参数,以及神经网络的权值。结果表明,该方法的实际结果具子波的非线性,可有效解决雷达目标的识别问题。     

面向识别的船舶目标雷达回波技术研究

雷达系统在船舶导航控制中具有非常重要的作用,其不光能够实现目标探测,同时也能够对目标的运动状态进行识别,因此,本文重点优化了船舶雷达的目标探测能力。本文首先介绍船舶雷达信号自动检测系统的工作原理,通过加入抗干扰算法,提高了雷达对目标的识别能力,在对回波技术进行优化的过程中,主要通过优化调制模型实现,首先将雷达回波中的各项干扰噪声进行滤除,保证了回波信号的正确率,这样在目标检测时,优化后的雷达回波中包含了更多的有用信息,提高了其目标检测能力。     

基于改进小波能熵的水下目标识别

文章研究了基于改进小波能熵和概率神经网络的水下目标识别方法。首先对水下目标辐射噪声信号进行小波变换多分辨率分解和重构,然后引入滑动时间窗,提取各分解子带在滑动时间窗内的改进小波能熵值作为目标识别的特征矢量,最后将特征矢量输入到概率神经网络中实现水下目标识别。对信号进行小波多分辨率分解可反映信号在不同频域上的特征,而引入滑动时间窗并在此基础上定义改进的小波能熵可反映信号的时域特征,因此改进小波能熵方法能同时反映信号的时频特征,更适合于水下目标特征提取。仿真结果表明了该方法的有效性。     

基于小波变换和概率神经网络的水下目标识别

由于水下环境的复杂性,水下目标的检测和识别是水声信号处理领域中的一个难题.本文研究了基于小波变换和概率神经网络的水下目标识别方法.利用小波变换得到水下目标辐射噪声信号在不同尺度下的能量分布作为特征矢量,并输入到概率神经网络中以实现目标分类.利用小波变换能量特征值可有效区分不同的目标辐射噪声.概率神经网络无网络训练过程,适合于信号分类.实验结果表明该方法的有效性和可行性.     

自适应小波网络在船舶噪声识别中的应用

本文基于自适应小波网络理论,构造了一个应用于船舶辐射噪声识别的自适应小波网络分类器。仿真结果表明,该方法具有良好的目标识别性能,且收敛速度快,是一种有效的目标识别方法,从而为研究自适应小波网络理论在声呐信号目标识别领域中的应用有着极其重要的实际意义。     

自组织特征映射网络在船舶雷达目标识别中的应用

针对船舶雷达目标识别存在的问题,研究了基于聚类的自组织特征映射网络(SOM网)的船舶识别。对SOM结构进行了设计,特别是在输出层设计、数据处理、数据聚类等方面进行重点的讨论。通过实验,SOM网络在船舶雷达目标识别中,具有较好的识别效果。     

基于SVM的雷达目标一维距离像识别

基于支持向量机的雷达目标一维距离像识别研究。一维距离像揭示了目标径向结构的分布特性。支持向量机基于经验风险最小化原理,适用于小样本学习问题。通过对三种目标分类进行仿真实验,结果表明：该分类方法具有较高的识别性能。     

声纳浮标网络目标定位算法研究

声纳浮标网络可用于对潜艇等水下目标进行定位。针对声纳浮标节点的特性,提出一种新的时间加权质心算法。新的时间加权质心算法将各个节点探测的信号强度反映到节点发送探测信息的等待时间中,利用等待时间的长短对各节点位置进行加权,因此权重体现了各节点到目标的距离,提高了目标定位精度,而通信量与一般质心算法相同。仿真结果验证了算法的有效性。     

雷达跟踪目标的残差检测自适应多模型算法

提出了一种基于残差的自适应多模型算法，通过残差的大小来分配多模型中单个模型在整体估计中的权重。本算法无须机动检测，从理论上避免了延迟。通过Monte Carlo仿真表明本算法的有效性。     

基于学习矢量量化网络的人脸识别

提出利用主元分析(PCA)和学习矢量量化神经网络(LVQ)相结合的方法进行人脸识别。在ORL人脸库上的实验证明，这种方法的识别效率高，对表情和姿态的变化具有一定的鲁棒性，在识别性能上优于传统的Fisherfaces脸方法和eigenfaces方法。     

一种被动声纳目标识别数据融合方法的研究

文章首先对目标噪声信号采用五种不同的方法提取特征矢量,然后采用基于自适应遗传BP算法的神经网络分别对五种特征矢量并发地进行分类,再采用遗传算法对分类器组合过程中的多参数进行优化,最后由五种分类结果最优组合产生最终的分类结果。实验结果表明该系统具有很好的分类效果。     

基于一维距离像的雷达目标识别

论文主要基于一维距离像研究了模式识别新技术在雷达目标识别中的应用,研究了一维距离像(HRRP)强度和平移敏感性,结合相对对准和绝对对准算法原理,对强度敏感性进行能量归一化处理,用滑动最大相关法进行目标识别.最后对各种功能及算法用C语言实现,并对最后的识别结果进行分析.     

基于高阶谱的水下目标识别

利用高阶谱估值法,对具有很强非高斯性和非线性的舰船辐射噪声信号进行分析及特征提取,并通过结构自适应神经网络作为分类实验,表明基于高阶谱的特征提取具有较强的类别可分性,在无源声纳目标识别中特具潜力。     

基于权值优选粒子滤波的雷达目标跟踪

本文详细分析了粒子滤波的特点,给出了基于权值优选的粒子滤波算法,对雷达目标进行了跟踪。仿真结果表明,基于权值优选的粒子滤波算法在N值较小的情况下较标准粒子滤波算法具有更明显的优势。     

基于加速度的多目标联合跟踪与分类

针对多个机动目标的联合跟踪与分类的问题,文章考虑两类空中目标：商业机和战斗机。采用模糊数据互联（FDA）来完成两个目标的跟踪;采用多模型粒子滤波来处理目标的多个运动模型问题;通过由跟踪器得到的速度量测来完成分类任务。仿真结果表明该方法能提供可靠的跟踪和正确的分类。     

基于线谱特征提取的被动声纳目标识技术研究

该文针对被动声纳目标识别,着重研究了线谱特征提取方法,提出了一种自适应遗传BP算法,并用该算法训练神经网络目标分类器。经对上海上实录三类目标噪声分类识别实验结果表明,所设计的被动声纳目标识别系统具有很好的分类效果。