基于深度学习的252Cf源驱动核材料浓度识别技术

针对核武器/核材料识别系统中核材料浓度识别的关键技术问题,采用Monte Carlo方法,通过建立252Cf源驱动核材料裂变中子信号样本库,模拟分析了随探测器距离和角度及核材料浓度变化的裂变脉冲中子信号特点,基于深度学习之卷积神经网络,构建了一种252Cf源驱动核材料浓度识别方法,实现了对测试样本浓度的识别,且还与BP神经网络和K最近邻方法进行了对比试验研究。结果表明,卷积神经网络算法进行核材料浓度识别,得到了高达92.05%识别准确率,不仅解决了因探测器距离和角度变化时对核材料浓度识别准确率影响的难题,而且还获得了优于BP神经网络和K最近邻算法对核材料浓度识别的认识,这为252Cf源驱动核材料浓度识别提供了一种新的途径。     

互相关及高阶谱核材料富集度识别方法

针对基于传统核材料识别系统中特征值易受系统噪声影响且精确度不够的问题,将高阶统计特征概念引入252Cf源驱动核系统特征提取和识别之中,提出了一种基于互相关函数与高阶统计特征的252Cf源驱动核材料富集度识别方法。通过互相关运算及高阶统计分析,得到核系统信息的三维特征图像,并在此基础上开展了待测核材料(235U)的富集度实验研究与分析识别工作。实验研究结果表明,该识别方法能够较好地降低背景辐射噪声与电子学系统噪声。与传统识别方法相比,对于核部件富集度变化,该算法的敏感性与鲁棒性均有大幅提高。     

基于K-L变换的虹膜识别方法

提出了一种基于K-L变换和最近邻分类器的虹膜识别方法。该方法采用K-L变换得到一组虹膜图像基,并利用这组基图像构造一子空间,将待识别图像在这个空间上的投影系数作为待识别图像的特征向量。采用最近邻分类器进行了分类。基于CASIA虹膜数据库的试验表明,将K-L变换应用在虹膜特征提取上可以取得较高的识别率。     

基于光谱信息的空间目标模式识别算法研究

在观测空间目标时,往往会受到地基观测仪器等因素的制约,导致无法利用目标图像信息从外形上进行识别。根据不同空间目标表面组成材料不同,其产生的反射光谱会存在差异这一特性,可利用空间目标特有的光谱信息进行识别分类。基于此,从光谱学角度对空间目标识别算法进行研究,在K最近邻算法(KNN)的基础上,采用了一种自适应权重局部超平面方法(AWKH),算法主要在计算预测样本与超平面距离时加入对特征权重的考虑,构建了以样本特征组间差与组内差的比值作为特征权重值的超平面模型,从而提高了分类效果和分类效率。为验证算法的分类效果,本文进行了四组验证实验,第一组实验将美国地质勘探局数据库中提取出的九种常用材料光谱随机选出三种混合成多类进行识别;第二、三组实验将四种常用空间目标材料的光谱作为纯物质光谱,分别从可见光和近红外波段对其混合物质进行分类;第四组实验通过实测四个方形模型样本六个面的光谱对其进行识别分类。实验过程中将实验结果与目前常用的支持向量机(SVM)进行对比,对比结果表明改进后的AWKH算法在识别精度和样本适用范围上具有更高的优越性。     

利用自相关函数与平稳小波变换的252Cf源驱动核材料质量识别方法

 以²⁵²Cf中子源驱动噪声分析测量法为依据,利用中子脉冲信号自相关函数与被测核材料(²⁵²U)质量的关系,设计了一种基于神经网络的核材料质量识别方法,探索借助时域特征进行质量识别的有效性。利用平稳小波变换抑制中子统计涨落对自相关函数带来的影响,利用分布式Elman神经网络对不同质量核材料的自相关函数样本进行训练和识别,并研究了有限样本前提下不同子网个数对最终识别结果所造成的影响。对4种核材料质量共计120组样本进行的实验,结果表明：在理想实验条件下,平稳小波变换抑制了统计涨落对信号自相关函数的影响;分布式Elman神经网络能够较好地识别自相关函数的特征,分辨不同质量的核材料,平均识别误差小于0.1。     

主成分分析重建误差掌纹识别方法

主成分分析(PCA)法在掌纹识别方面可以取得较好的效果.但是随着掌纹图像库的扩大,PCA转换矩阵训练时间迅速增长;注册新掌纹时,需要重新训练PCA转换矩阵.添加注册掌纹的代价随着掌纹库的增大迅速增加.如何能够在保持PCA识别效果的情况下提高使用的便捷性成为PCA广泛应用的主要障碍.提出了一种以PCA重建误差为分类依据的PCA重建误差学纹识别方法.该方法与PCA法基于相同的原理,在采用最近邻分类器时可以取得与PCA法相等的性能;同时可以有效减少掌纹图像库的识别时间,可以以极少的代价扩展掌纹库.     

融合声纹信息的能量谱图在鸟类识别中的研究

常用的梅尔倒谱系数结合高斯混合模型(MFCC+GMM)方法的鸟鸣声识别技术难适应噪声环境,模型难以收敛,且计算复杂度高。该文提出一种融合声纹信息的能量谱图的鸟类识别方法(VPS-BR),该方法利用鸟类鸣声在能量谱图上所表现的多维差异性,定量识别鸣声声纹特征。通过对分贝能量进行颜色映射得到能量谱图,提取其视觉特征所表达的声学特征,分析归纳得到鸟类特有鸣声模式。在特征提取步骤中,选用识别速度快的局部二值模式、识别鲁棒性高的方向梯度直方图两个参数表征鸟鸣声谱图的边缘声纹;在识别步骤中,用局部二值模式和方向梯度直方图两种特征分别与支持向量机、K最近邻和随机森林3种分类器算法进行两两组合构建识别模型测试。对15种原始带噪鸟类鸣声数据集进行交叉验证,VPS-BR模型的平均识别率比MFCC+GMM组合模型高出11.3%,方向梯度直方图特征与K最近邻分类器的组合模型识别率达90.5%,表现出较好的抗噪性能和识别性能。最后针对样本数据集缺乏问题,使用生成对抗网络进行图像增强,进一步将识别率提升1.48%。     

基于最近邻方法的类星体与正常星系光谱分类

随着高质最CCD传感器技术的日渐成熟与广泛应用,以及许多大型巡天计划的相继实施,天体数据量极大,因此天体观测数据的自动识别、分析问题首当其冲.文章在原始测量空间使用最近邻方法(NN)研究了正常星系与类星体光谱的识别问题.正常星系和类星体属于河外天体,一般距离地球较远,其观测光谱会受到许多干扰,所以这两类天体光谱的分类在...     

基于压缩残差网络的雷达辐射源识别方法研究

针对低信噪比条件下,现有的雷达辐射源信号识别方法存在识别正确率低、时效性差的问题,提出了一种基于压缩残差网络的雷达辐射源信号识别方法。首先,利用Choi-Williams分布的时频分析方法将时域信号转换为二维时频图像;然后,根据应用场景特点,选择卷积神经网络（Convolutional Neural Networks, CNN）“压缩”范围;最后,构建压缩残差网络来自动提取图像特征并完成分类。仿真实验结果表明,在同等体量的设计下,与当前较为常用的标准CNN以及ResNet模型相比,所提模型能够降低信号识别运行时间约88%,在信噪比为-14 dB条件下对14种雷达辐射源信号的平均识别率高约5%。提供了一种高效的雷达辐射源信号智能识别方法,具有潜在的工程应用前景。     

水下目标亮点拓扑特征提取及自动识别方法

针对水下目标逆合成孔径声呐(Inverse Synthetic Aperture Sonar,ISAS)图像识别问题中观测角度随机多变,目标结构相互遮挡问题,提出一种基于多亮点拓扑矢量特征的ISAS水下目标识别方法。通过分析ISAS成像过程中散射点位置由三维空间向二维成像平面的投影关系,表明了横向定标后的声呐图像中强亮点之间的距离仅由目标散射结构之间的物理距离决定,据此基于强亮点之间的相互距离,构造能稳定描述不同观测角度下目标的拓扑矢量特征。然后通过K-means聚类获取多聚类中心以克服目标结构互相遮挡造成的亮点缺失问题。最终采用最近邻分类器实现目标识别。水池缩比模型实验表明,该方法对于水下目标的识别率达到84.0%。      

变分模态分量降噪后重构的水声弱信号检测

针对能量检测法在低信噪比下对非合作水声探测信号的检测性能显著下降的问题,提出了一种组合变分模态分解和小波变换降噪重构的信号检测方法。以信号分解出的各个本征模态函数的近似熵与互相关系数比值作为分量分类参数,将所得分量分为信号分量、含噪信号分量与噪声分量,然后利用第二代小波变换对含噪信号分量降噪后与信号分量组成重构信号,最后对重构信号进行检测。数值仿真结果表明该方法可以在无先验信息的情况下对CW和LFM信号自适应降噪,信噪比0 dB以下时CW信号重构后信噪比提升约12 dB,宽带LFM信号信噪比提升约8～9 dB,有效提升了低虚警概率下信号的检测概率。湖试结果表明,虚警概率为0.1时检测概率可提升至0.9以上,验证了该方法的有效性。     

基于EMD-AWPP和HOSA-SVM算法的分布式光纤振动入侵信号的特征提取与识别

针对传统的信号处理方法无法有效区分不同振动入侵信号,提出一种基于EMD-AWPP和HOSA-SVM算法的振动信息特征提取与识别方法,用于解决分布式光纤振动入侵检测系统的高精度信号识别问题。处理不同振动类型时,该方法首先利用基于经验模态分解的自适应小波包处理算法,不仅对信号的低频部分进行了分解,而且对高频部分即信号的细节部分也进行了更好的时频局部化处理,改善了信号特征提取精度,减少传感信号异常值的影响; 其次采用高阶谱分析中的双谱和双相干谱,精确提取包含不同振动入侵信号类型的特征矢量; 最后在BPNN参比模型的基础上,用粒子群算法优化SVM的识别参数,使识别模型具有更强的自适应和自学习能力,克服了神经网络易陷入局部最优的不足之处,实现不同振动入侵信号的特征矢量识别。分析结果表明,针对不同类型的入侵源识别,该方法可以有效剔除随机噪声的影响,提取传感信息的特征矢量,降低异常值的影响,算法的预测类别与输出类别几乎一致,振动识别的精确率达到95%以上,识别效果明显强于BPNN网络的检测算法,提高了信息分析的准确性。     

强噪声下已知信号的模糊神经网络识别

以计算机模拟为基础研究了用模糊神经网络方法对被噪声严重污染的已知信号进行识别的问题,研究表明,将模糊隶属函数和BP神经网络相结合对信噪比极低的信号有较强的识别能力,本文还从实用性角度讨论了这一识别方法的可行性,这为强噪声下的磁共振信号识别问题提供了新途径.     

基于PCA和SVM的高光谱遥感图像分类研究

支持向量机(SVM)是根据统计学习理论提出的新的研究方法,它在解决小样本、非线性及高维模式识别问题中表现出了许多特有的优势,在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。由于高光谱图像波段数目多,各波段间具有较强的相关性,因此通过主成分分析(PCA)方法对高光谱数据进行预处理,达到了降维的目的,同时也去除了噪声波段。用支持向量机方法对高光谱遥感图像进行分类,可实现图像的分类识别。     

基于可见光波段的色彩概率聚类模型的玉米杂交种子识别

由于同一种玉米杂交种子籽粒的粒型多样、色彩随贮藏时间不同而不同,仅靠其形状和单一区域色彩的机器视觉方法识别种类较为困难,且现有识别算法多以高光谱特征作为分类基础,对于不同时期、不同种类的玉米杂交种子要分别训练分类识别器,识别前需要大量的训练工作。为提高玉米种子品种识别方法的适用性,根据花粉直感色彩遗传现象,提出以可见光波段玉米种子的多区域小波色彩特征作为识别参数,建立多模型的概率聚类模型进行玉米杂交种子种类识别。该方法首先采用专有设备采集单粒玉米种子的无胚芽侧和顶端两部分色彩信息,包括RGB,HIS和Lab色彩信息,对该色彩信息进行增强和特征优化选择,通过小波包分解提取优化出21维细节识别向量;其次采用不同聚类模型对优化后色彩特征进行聚类识别,建立基于SOM、K-means、两步法三种聚类识别模型;最后以多种聚类模型结果为基础,建立基于概率模型的玉米种子品种识别。通过对郑单958、先玉335、郑58(郑单958母本)、昌7-2(郑单958父本)、PH6WC(先玉335母本)、PH4CV(先玉335父本)的试验,发现该方法可有效识别非亲缘关系和父本亲缘关系的玉米种子,识别率可达到98%以上;而对于亲缘关系母本识别率可达到75%。采用可见光波段玉米种子多区域色彩特征,结合概率聚类模型的方法可为玉米杂交种子纯度在线检验识别提供科学依据。     

基于双尺度相关运算的拉曼谱峰识别方法

拉曼谱峰识别是拉曼定性分析中的关键技术之一, 针对现有拉曼谱峰识别方法中存在的缺陷和不足提出了一种双尺度相关拉曼光谱谱峰识别方法,即采用两个尺度下的相关系数与局部信噪比相结合来实现拉曼谱峰识别。利用MATLAB对所提算法与传统的连续小波变换法进行了对比分析,并通过实测拉曼光谱进行验证。分析结果：双尺度相关法识别一幅拉曼谱的平均时间为0.51 s,连续小波变换法为0.71 s;当谱峰信噪比≥6时(现代拉曼光谱仪器均可达到较高的信噪比),双尺度相关法的谱峰识别准确率高于99%,连续小波变换法的谱峰识别准确率小于84%,且双尺度相关法谱峰位置识别误差的均值与标准差均要小于连续小波变换法。通过仿真对比分析和实验验证表明：双尺度相关法具有无需人工干预,无需做去噪及去背景等预处理操作,识别速度快,识别准确率高等特点,是一种切实可行的拉曼谱峰识别方法。     

Detection of nuclear resonance signals: modification of the receiver operating characteristics using feedback

The performance of a nuclear resonance detection system can be quantified using binary detection theory. Within this framework, signal averaging increases the probability of a correct detection and decreases the probability of a false alarm by reducing the variance of the noise in the average signal. In conjunction with signal averaging, we propose another method based on feedback control concepts that further improves detection performance. By maximizing the nuclear resonance signal amplitude, feedback raises the probability of correct detection. Furthermore, information generated by the feedback algorithm can be used to reduce the probability of false alarm. We discuss the advantages afforded by feedback that cannot be obtained using signal averaging. As an example, we show how this method is applicable to the detection of explosives using nuclear quadrupole resonance.     

空间平移不变和角度受限下转动不变的特征识别与滤波器的设计

徐原能等人曾提出借助于circular harmonic expansion(圆谐波展开),设计空间平移不变和转动不变的滤波器系统,用于特征识别。本文在他们的基础上提出一种实现空间平移不变和在一定的角度范围内转动不变的特征识别方法,给出相应的滤波器设计具体公式。虽然转动不变的角度范围受到限制,但能够提高系统的信噪比,同时,不需要通过测量靶与待识别图象之间的相关函数的相位因子,来判定转动角度,而是代之直接测量相关函数的绝对值,由此推算转动角度。本文还列举一个具体的例子,来演示滤波器的设计方法,并与徐原能方案 关键词：     

基于NIR分析和模式识别技术的玉米种子识别系统

模式识别技术及数据挖掘方法已成为化学计量学的研究热点。近红外(NIR)光谱分析以其快速、简便、非破坏性等优势广泛应用于光谱信号的处理和分析模型的建立。基于五种不同的模式识别方法:局部线性嵌入(LLE),小波变换(WT),主成分分析(PCA),偏最小二乘(PLS)和支持向量机(SVM),利用NIR技术建立了玉米种子的模式识别系统,并将其应用于108玉米杂交种和母本178种子的近红外光谱样品。首先利用LLE,WT,PCA,PLS进行消噪或降维,然后运用SVM进行分类识别,而一模支持向量机(1-normSVM)算法直接进行分类识别。三个不同NIR光谱范围的数值实验显示:PCA+SVM,LLE+SVM和PLS+SVM识别效果甚佳,而WT+SVM和1-norm SVM方法也有较高的分类精度。实验结果表明了本文提出方法的可行性和有效性,为利用近红外光谱和模式识别技术进行种子识别研究提供了理论依据和实用方法。     

基于Contourlet变换的遥感图像去噪新算法

提出了一个新的有效的基于Contourlet变换的遥感图像去噪方法。对有噪图像进行Contourlet分解;对Contourlet变换系数引入一个几何先验模型,结合噪声和有用信号的条件分布进行贝叶斯估计,得到每一系数作为有用信号的后验概率,以之作为修正因子修正小波萎缩因子;对重构图像进行递归循环运算处理。仿真实验结果表明,去噪后图像去除了常见的伪吉布斯现象,峰值信噪比提高了1~2 dB。