基于证据理论态势估计中的目标分组方法

在态势估计问题中，战场态势目标尤其是敌方目标的分组识别非常重要，是指挥员指挥作战所关心的重要问题之一，也是对敌方作战意图识别的必要环节，以D-S证据理论为依据，采用模板匹配的方法，提出了一种识别敌目标分组的算法，最后通过算例对该方法进行了验证。     

空间测量雷达目标分类与识别算法及其能力分析

对空间测量雷达目标分类与识别算法的结构及其工作过程作了介绍，并对该雷达的目标分类与识别能力进行了分析。     

多传感器综合目标识别技术研究

描述了传感器与目标身份信息的特征，提出了多佑感器特征级综合目标识别的系统结构，并介绍了与综合目标识别相关的关键技术，重点阐述了几种目标识别融合算法。     

基于支持向量机和辐射噪声的舰船目标识别

分类器的构造和特征量的提取是目标识别的两个基本问题。鉴于舰船辐射噪声反映了同种舰船的特征，以及以支持向量机为核心的统计学习理论具有具有较好地解决小样本、非线性问题的能力，提出了一种新的识别方法，首先利用子波变换和多分辨分解算法对舰船目标的辐射噪声进行分解，得到目标的线谱和调制谱特征，然后使用支持向量机构造分类器，进行目标识别。实验表明，这种方法是可行的，且有较好的识别精度和较强的泛化性能。     

基于调制线谱特征提取的被动声呐目标识别技术研究

目标噪声特征提取和目标分类器设计是被动声呐目标识别系统的关键技术。本文针对被动声呐目标识别，首先着重研究了调制线谱特征提取方法，然后为了训练神经网络目标分类器，本文将遗传算法和BP算法相结合，提出了一种新的自适应遗传BP算法。最后，对海上实录的三类目标噪声进行了分类识别，实验结果表明本文设计的被动声呐目标识别系统具有很好的分类效果。     

一种目标综合识别能力评估方法

目标综合识别能力是C^3I系统重要指标之一。运用统计估计的基本原理和方法，分析用测试样本集估计识别正确率的可行性以及相应的估计性能，定义目标综合识别能力指标，并给出目标综合识别能力的实验室测试评估方法。可为C^3I系统目标综合识别能力测试提供参考。     

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。     

基于水下三维目标识别的视觉系统

基于水下三维目标识别的视觉系统是水下机器人实现水下自主作业和智能化的关键技术。本文叙述水下三维目标的识别机理和识别算法以及为正确识别目标提供最佳条件的前处理，硬件系统和实时处理功能，最后给出试验结果，说明识别系统的高效率与可靠性。     

基于辐射源特征信息的目标识别技术

针对舰船目标进行识别的问题,研究了基于模糊理论的辐射源类型和目标类型识别技术.首先,对探测到的辐射源信息按方位角进行分类,一类对应一个目标,然后利用辐射源特征信息和辐射源数据库对辐射源类型进行识别,再利用同一类辐射源类型的识别结果结合目标数据库对辐射源平台(目标)进行识别.     

潜艇水声对抗系统中的鱼雷报警问题

本文分析了鱼雷运动辐射噪声和鱼雷运动所具有的特征，采用新的谱估计方法和时－频谱的多普勒分析技术，对鱼雷目标被动识别问题进行了探讨，提出了以模糊模式识别理论为基础的目标识别方法。在由接收信号的特征信息所构造的论域上，建立相应的隶属函数，依据最大隶属度原则，来识别判决鱼雷目标。文中还就鱼雷报警系统中的作用距离进行了理论分析和估计。     

比例导引下的机动目标跟踪

本文在假设目标做比例导引运动，噪声为零均值的高斯白噪声的条件下，探讨了机动目标跟踪问题。把比例导引规律引入系统方程，建立了线性时变模型，用滤波－识别两步走的方法对状态进行了估计，对参数进行了识别，模拟结果表明，此方法原理是正确的，计算是可行的。     

水下机器人作业目标控制和目标识别

自主式水下机器人（ＡＵＶ）具有自主导航、自主避碰和自主作业能力，自主作业是水下机器人实现智能化的关键技术。本文着重叙述ＡＵＶ对特定作业－“水下目标探测与识别”的作业控制和实现过程，叙述水下三维目标的识别机理和识别算法以及为正确识别目标提供最佳条件的预处理、硬件系统和实时处理功能。最后给出试验结果，说明作业目标控制过程和识别算法具有实时性、高效率和可靠性。     

被动声呐目标识别技术的现状与展望

简述了被动声呐目标识别的常用技术，分析了这一领域的研究现状，并针对现阶段被动声呐目标识别存在的问题，展望了下一步的工作。     

基于BP神经网络的空袭目标识别

通过介绍BP神经网络用于目标识别的基本原理,对目标不完整或不确定数据进行分析、推理。提取空袭目标的速度、高度、机动加速度和雷达反射面积等有用特征,并运用定性、定量相接合的方法,对目标特征进行归一化处理,作为输入层数据。根据目标识别的具体要求确定各层神经元数,建立了BP神经网络目标识别模型。通过对样本数据训练、检验、输出结果的分析,表明在缺乏识别先验知识时,运用该方法识别空中目标简单有效。     

人工神经网络技术在目标识别中的应用

在多传感器信息融合的基础上讨论了目标种类识别的有关问题，并给出了直升机、固定翼飞机、导弹、水面舰艇、鱼雷、潜艇和水雷的识别准则和方法，并在此基础上提出了基于BP神经网络的目标种类识别模型。仿真计算结果表明，只要学习样本足够多，能够有效保证识别的正确性和克服基于规则的识别方法在模糊区识别效果差的问题。     

一种基于多频谱特征的舰艇识别方法

多频谱技术是红外探测中的一种重要方法。利用这种方法研究雷达信号的多频谱特征，讨论利用多频谱特征识别目标的方法，并利用神经网络的方法对这种识别技术进行验证，得到了很好的效果。     

基于径向基神经网络的侦察目标意图识别研究

针对无人机空中侦察目标意图识别的问题,提出一种基于径向基神经网络的目标意图识别模型。首先利用雷达收集空中目标相关参数;然后对收集到的数据进行处理并提取特征;最后利用知识库训练好的径向基神经网络对处理后的数据进行模式识别,得到空中目标的意图。案例分析表明,相对于BP神经网络和支持向量机的目标意图识别模型,基于径向基神经网络的空中目标意图识别模型具有更高的准确性。     

贝叶斯假设方法在水声成像声呐阵控制中的应用

在对水中目标轮廓进行水声成像时,可设计声呐阵中各声呐单体对目标分割识别,利用贝叶斯假设方法,解决多声呐单体识别结果的目标最终识别问题,实现声呐阵的有效控制。     

基于目标MFCC特征的监督学习方法在被动声呐目标识别中的应用研究

以机器学习为代表的智能技术迅猛发展,也为被动声呐目标识别提供了新的思路。利用机器学习算法挖掘水声目标信号深层特征,实现目标自动识别、辅助识别,成为被动声呐目标识别的新发展方向。本文针对水下噪声目标的信号特性,结合人耳在低信噪比、多目标环境下的优异识别性能,提取被动声呐目标经典听觉感知特征——梅尔倒谱(MFCC),并引入KNN、SVM、CNN和DBN四种机器学习算法对两类水声目标进行监督学习和识别分析。试验结果表明,监督学习方法应用于被动声呐目标识别具有可行性,且其中DBN方法对目标MFCC特征的识别性能最佳。     

一种多源信息融合的声呐综合目标识别方法

针对声呐在搜潜过程中目标识别正确率提升的问题,分析声呐目标特征及其获取手段,研究声呐目标特征提取、分析和识别方法,提出一种多信息源融合的声呐目标综合识别方法。综合运用声呐探测回波特征信息、频谱信息、音频信息、目标运动要素信息、雷达信息、AIS信息等信息进行联合识别,深层次挖掘目标特征信息,通过图谱特性、频域特征、听音识别、运动要素等多维识别,将孤立的、碎片的数据转化成信息优势,形成标准的声呐目标综合识别使用流程,从而提高目标识别正确率。