基于复高斯模型的雷达高分辨距离像目标识别新方法

为了利用雷达高分辨距离像(HRRP)中的相位信息改善识别系统性能,提出了一类针对复距离像的目标识别新方法。分析了复距离像的统计特性,将识别领域常用的三种高斯模型———自适应高斯分类器(AGC)模型、联合高斯(JG)模型和概率主分量分析(PPCA)模型推广至复数域对复距离像统计建模。研究表明,这三种模型及其参数估计结果均不受距离像初相的影响。此外,为了解决噪声环境中的稳健识别问题,进一步提出了噪声稳健的模型修正方法。实验结果显示:在识别过程中加入距离像相位信息能够获得更高的正确识别率;且经过噪声稳健修正后的模型大幅改善了低信噪比下的识别性能。     

基于统计特性的激光雷达距离像噪声抑制算法

激光成像雷达在工作时会受到噪声干扰,因此需要滤除距离像中无法反映真实信息的异常点。根据激光成像雷达距离像噪声的分布,推导出距离像中非异常值的分布特性,并提出了一种距离像异常值的判定条件。将判定条件表示为小范围内抽样分布的函数,利用稳健统计中的中位值法可估算出判定条件的取值,从而可以移除异常点得到噪声抑制后的距离像。利用该算法分别对激光雷达距离像进行仿真和实际获得的激光雷达距离像进行处理并进行数学分析,并与中值滤波进行了比较,结果表明基于统计特性的噪声抑制算法同时具有很强的噪声抑制能力和保护目标细节信息能力,可以满足激光成像雷达距离像噪声抑制的要求。算法充分利用了激光成像雷达较高的测距精度,可以应对多种场景下的需求,具有很强的实用性。     

基于三维光谱角统计的光谱图像信息提取方法

提出了一种新的基于三维光谱角统计的光谱图像信息提取方法。通过对影像上横向、竖向和对角方向相邻像元间采用光谱角计算相似度,构成一个三维的信息统计模型。该模型反映了相邻像元间所代表物质的相似度,通过在统计模型中设置不同的阈值和提取不同轴向的切片,可以从影像中提取代表同种物质的均匀区域和边缘信息,用于监督分类中训练样本的采集。该统计方法与直方图、散点图等传统统计工具相比,鲁棒性和可靠性更高,提取的信息更丰富。     

基于光谱相似性度量的光谱成像干扰效果定量评估

利用一种宽波段伪装网和超光谱成像仪进行了光谱成像伪装干扰试验,基于实施干扰前后光谱图像数据光谱特性的变化,利用光谱相似性度量指标,提出了一种用于评估光谱成像干扰效果的光谱距离准则,结合光谱成像伪装干扰试验结果,对该准则的适用性进行了验证分析.结果表明,在试验条件下,有效伪装区光谱图像像元在伪装前后光谱向量之间的光谱距离可达0.14~0.5,具体幅值大小因伪装前的目标特性、伪装网层数、超光谱成像仪增益等因素而异,而非伪装区和无效伪装区光谱图像像元的光谱距离都在0.05以下,可见在对目标实施有效的伪装干扰前后,伪装区像元的光谱距离通常会显著大于非伪装区,而且伪装效果越显著,光谱距离就越大.因此,光谱距离可以定量反映干扰对像元光谱特性的影响,并能鉴别不同干扰效果之间的细微差别,所以可用于定量、客观评估光谱成像干扰效果.     

采用多种红外视距模型的子弹辐射探测系统作用距离分析

本文基于子弹飞行过程中的红外辐射特性和热成像模型,结合大气对红外辐射吸收和散射衰减,在不同距离处将子弹热成像模型视为扩展源目标和点源目标,利用最小可探测温差(MDTD)、最小可分辨温差(MRTD)和噪声等效功率(NEP)分别给出了相应红外视距模型的估算方法。根据红外热像仪常用参数以3种蒙皮温度给出了3种不同模型下子弹辐射作用距离的计算实例及结果:MDTD模型下得到的作用距离最长,MRTD模型计算所得的作用距离约为MDTD模型的2/3,由NEP模型计算所得的作用距离最短,不到MDTD模型视距的1/2。研究表明,实际设计时应根据不同的系统性能选择作用距离模型。     

基于相干探测的目标激光一维距离像特性分析

为了实现对空间目标的远距离、高分辨率激光一维距离像探测及特性分析,在建立点目标激光一维距离像光外差探测模型的基础上,进一步通过三维建模的方式获取了三维目标的激光一维距离像。比较了圆锥体目标光外差探测获取的一维距离像与其距离分辨激光雷达散射截面、脉冲激光一维距离像之间的区别和联系,分析了目标尺寸、姿态、调频带宽以及表面材质对目标激光一维距离像的影响。实验结果验证了目标一维距离像能够反映目标外形特征,可为目标特性分析及识别提供参考。     

基于散射介质成像理论的微光夜视系统研究

描述了一种基于大气散射特性分析的微光夜视系统设计。通过分析大气对光学辐射的散射作用,在理想光电成像系统探测方程的基础上,建立了散射介质成像的探测模型,表明大气散射会严重衰减目标对比度,而目标对比度的传递特性即系统调制传递函数将直接影响观察的作用距离。通过选择应用响应光谱主要集中于0.6μm~1.0μm的三代像增强器,优化设计光学系统的MTF,实现了大气环境下的微光系统作用距离的提高。完成的两种焦距分别为250mm和320mm,采用了三代像增强器的夜视仪.野外试验表明,实现对空目标作用距离最大13.7km~18.3km发现、8.0km~8.1km识别。     

在变值测量模拟中的条件概率统计分布

针对常见的两类量子交互干涉实验,Young 氏双缝干涉和超低强度长时间曝光量子交互结果显示出的明显波动统计分布特性,本文基于另一种经典概率测量模型Bayes统计依据的条件概率方法,提出条件概率变值测量模型,建立了测量模拟方法,给出了不同参量的测量公式,并对相关的重要条件进行描述.通过2个具体例子按每个函数形成四组16个直方图统计分布进行比较,对给定例子中的重要特性进行了分析.分析表明,在同步/异步、对称/反对称的作用下,条件概率测量模拟系统能针对左路、右路、双路粒子和双路波动交互作条件形成两类8种不同的统计分布.从不同的侧面显现了双路粒子同左/右路异步加算符信号之间的直接耦合关系,以及左/右路同步加算符信号与双路波动之间的干涉输出关系.在条件概率模型的条件下,单路/双路、粒子和波动的区别非常明晰,可以从中看到Feynman提炼的经典和量子统计之间的区别,统计判据直接从直方图分布中即可区分. 这类特性从基础层面显示了波/粒二重性的怪异特性,可以通过粒子性的模型完整描述.     

室内两步法监督式学习双耳声源距离估计

提出一种室内环境下两步法监督式学习双耳声源距离估计算法,该算法通过预先估计声源方位角信息以克服声源方位角的变化对声源距离估计性能的不利影响.该算法第1步利用深度神经网络模型估计声源的方位角,并将不同方位角的双耳信号分类;第2步中对每个方位角的双耳信号采用独立的深度神经网络模型进行声源距离估计,其中距离特征选用双耳信号的一些双耳特征和统计特性。在仿真和实际环境下,本文提出的两步法声源距离估计算法的距离估计准确率比现有算法提高了3%~5%左右,并且在各种不匹配环境下的距离估计准确率比现有算法高出5%~10%左右。实验结果表明利用声源方位角信息可以有效提高双耳声源距离估计算法的性能。     

基于高阶统计的水声信道盲辨识

本文给出了基于ARMA模型的水下通信系统模型,将一种基于三阶统计的算法应用到水声信道盲辨识领域,在不需要训练序列的条件下估计得到信道传输函数。与基于二阶统计特性方法相比,该算法具有较强的抗噪性,更适合信噪比低于12dB条件下水声信道的辨识。通过对水声信道盲辨识的计算机仿真,验证了该算法具有较高的辨识精度。     

Fuzzy logic classifier design for air targets recognition based on HRRP

The paper describes a fuzzy logic classifier (FLC) to achieve the recognition for air targets. We first acquire the high range resolution profiles (HRRP) of three types of air targets from the measurements. We extract two typical features, namely, the length of the air targets and the difference between adjacent two HRRP based on HRRP from the measurements. Then we design the FLC to synthesize the two characters and identify the type of air targets. Simulation results show that our FLC can achieve the function of target recognition with a high ratio of recognition and also show a robust performance to some extent.     

A novel virtual samples-based sparse representation method for face recognition

A limited training set usually limits the performance of face recognition in practice. Even sparse representation-based methods which outperform in face recognition cannot avoid such situation. In order to effectively improve recognition accuracy of sparse representation-based methods on a limited training set, a novel virtual samples-based sparse representation (VSSR) method for face recognition is proposed in this paper. In the proposed method, virtual training samples are constructed to enrich the size and diversity of a training set and a sparse representation-based method is used to classify test samples. Extensive experiments on different face databases confirm that VSSR is robust to illumination variations and works better than many representative representation-based face recognition methods.     

A sparse representation method based on kernel and virtual samples for face recognition

To improve the classification accuracy of face recognition, a sparse representation method based on kernel and virtual samples is proposed in this paper. The proposed method has the following basic idea: first, it extends the training samples by copying the left side of the original training samples to the right side to form virtual training samples. Then the virtual training samples and the original training samples make up a new training set and we use a kernel-induced distance to determine M nearest neighbors of the test sample from the new training set. Second, it expresses the test sample as a linear combination of the selected M nearest training samples and finally exploits the determined linear combination to perform classification of the test sample. A large number of face recognition experiments on different face databases illustrate that the error ratios obtained by our method are always lower more or less than face recognition methods including the method mentioned in Xu and Zhu [21], the method proposed in Xu and Zhu [39], sparse representation method based on virtual samples (SRMVS), collaborative representation based classification with regularized least square (CRC_RLS), two-phase test sample sparse representation (TPTSSR), and the feature space-based representation method.     

基于实时样本采集的个性化手写汉字输入系统设计

手写汉字识别是手写汉字输入的基础。目前智能设备中的手写汉字输入法无法根据用户的汉字书写习惯,动态调整识别模型以提升手写汉字的正确识别率。通过对最新深度学习算法及训练模型的研究,提出了一种基于用户手写汉字样本实时采集的个性化手写汉字输入系统的设计方法。该方法将采集用户的手写汉字作为增量样本,通过对服务器端训练生成的手写汉字识别模型的再次训练,使识别模型能够更好地适应该用户的书写习惯,提升手写汉字输入系统的识别率。最后,在该理论方法的基础上,结合新设计的深度残差网络,进行了手写汉字识别的对比实验。实验结果显示,通过引入实时采集样本的再次训练,手写汉字识别模型的识别率有较大幅度的提升,能够更有效的满足用户在智能设备端对手写汉字输入系统的使用需求。     

利用汉明距离优选神经网络学习样本

鉴于学习样本对神经网络模型的模式识别性能有很大的影响 ,提出学习样本的选择应与识别模型所利用的特性相结合 ,并利用汉明 (Hamming)距离对用于旋转不变识别的级联模型的学习样本进行优选 ,计算机对三个很相似的飞机模型进行识别 ,识别结果表明对学习样本进行有效的选择不仅可以减少系统的学习训练时间而且可以提高模型的识别能力。     

A palmprint recognition method based on multi-step representation

Sparse representation uses all training samples to represent a test sample only once, which can be regarded as a one step representation. However, in palmprint recognition, the appearances of palms are highly correlated which means the information provided by all the training samples are redundant while using the representation-based methods. Hence, how to obtain suitable samples for representation deserves exploring. In this paper, we devise a multi-step representation manner to extract the most representative samples for representation and recognition. In addition, the proposed sample selection strategy is based on contributions of the classes, not merely the effort of a single sample. Compared with some other appearance-based methods, the proposed method obtained a competitive result on PolyU multispectral palmprint database.     

Integrating the original face images and “symmetrical faces” to perform face recognition

Using the original and ‘symmetrical face’ training samples to perform representation based face recognition was first proposed in [1]. It simultaneously used the original and ‘symmetrical face’ training samples to perform a two-step classification and achieved an outstanding classification result. However, in [1] the “symmetrical face” is devised only for one method. In this paper, we do some improvements on the basis of [1] and combine this “symmetrical faces” transformation with several representation based methods. We exploit all original training samples, left “symmetrical face” training samples and right “symmetrical face” training samples for classification and use the score fusion for ultimate face recognition. The symmetry of the face is first used to generate new samples, which is different from original face image but can really reflect some possible appearance of the face. It effectively overcomes the problem of non-sufficient training samples. The experimental results show that the proposed scheme can be used to improve a number of traditional representation based methods including those that are not presented in the paper.     

基于经验模态分解和支持向量机的车型声频识别

车型自动识别是智能交通系统的重要组成部分。针对现有车型识别存在的问题,提出利用经验模态分解和支持向量机的车型声频识别方法。将车辆行驶的声音信号进行分解,以分解不同模态的能量作为特征向量,并以此作为训练样本对支持向量机构成的车型识别器进行训练,通过对小汽车和卡车的声音信号处理结果表明:利用车辆声音信号能够正确识别不同的车型,识别准确率达95%,是车型识别的有效方法。     

基于SVM的混合气体分布模式红外光谱在线识别方法

针对混合气体组分浓度分析中海量训练样本的获取、分析精度及实时在线分析等问题,将支持向量机这一新的信息处理方法和红外光谱分析法结合,提出了混合气体分布模式的概念。在此基础上,采用先进行混合气体分布模式识别,然后再进行混合气体分析的思路,在大量调查的基础上,研究探索了实际应用中可能出现的混合气体分布模式,确定60种混合气体分布模式,共计6 000个混合气体红外光谱数据样本用于模型的训练与检验。采用SMO算法实现了减量和增量的在线学习,最终建立了基于SVM的混合气体分布模式红外光谱在线识别模型。模型由模式识别和结果输出2层组成,模式识别层完成混合气体模式分布模式识别任务;结果输出层由60个SVM校正模型组成,完成具体的浓度分析任务。实验结果表明,该方法对混合气体分布模式的正确识别率不低于98.8%,可在小样本条件下对混合气体的分布模式进行在线识别,可在线实时加入新的混合气体分布模式,具有实际应用价值。     

基于波网络的相位敏感光时域反射系统模式识别方法研究

针对相位敏感光时域反射系统中传统人工特征提取和模式识别方法实时性差、准确率低的问题,提出一种波网络模式识别方法.该方法通过因果空洞卷积结构充分分析光纤振动信号的时序因果性,通过残差块结构使模型更快收敛,以实现更高的识别准确率和效率.实验结果表明,在对手拍、脚踩、棒击三种信号识别时,与一维卷积神经网络结构和长短期记忆网络...