基于径向基函数神经网络的飞机目标识别法

通过将自适应小波神经网络 (AWNN)中的小波基函数直接替换为 Gauss径向基函数 ,提出了一种适于对目标一维距离像信号直接进行分类的径向基函数神经网络(RBFNN)。对用于信号分类的 RBFNN网络结构的确定、RBFNN的训练以及最终判决规则的确定等问题 ,进行了深入的讨论。对 6个目标不同信噪比下的分类结果表明 ,提出的 RBFNN对距离像信号具有很强的分类能力 ,对于开发更加实用化的目标识别算法显示了很大的潜力     

利用高分辨距离像的雷达目标识别

雷达高分辨距离像和相关滤波器在识别目标中的联合应用中具有研究潜力。其中相关滤波器的作用是使回波相干峰的期望值最大化,本文在实验中利用3种不同地面目标的雷达模拟距离像的相关滤波器数据验证其有效性。结果显示,利用目标的方位信息是可以进行可靠的目标识别的,并且识别是以多个滤波器为基础的。     

用于HRRP多类目标识别的D距离分类器

在雷达自动目标识别（radar automatic target recognition,RATR）领域,为了保证基于高分辨距离像（high-resolution range profile,HRRP）的目标识别算法在进行小样本多类目标识别时仍然具有优异的识别性能,需要提出一种同时具备优异泛化性能与低运算复杂度的识别算法。利用比值计算两个向量之间的比值距离,并将比值距离应用于距离分类器中,称之为D距离分类器。然后利用八类地面目标实测数据将D距离分类器与其他一些RATR统计模型进行比较,分别分析其在小样本与多类目标时的识别精度。最终结果验证出D距离分类器在训练样本有限且多类目标识别时仍然具有优异的泛化性能与很低的运算复杂度。     

基于小波和神经网络的目标识别方法

基于高分辨一维距离像，对雷达信号目标识别的小波分析和神经网络方法进行了理论研究和实验分析。小波变换起到了数据压缩作用，并且用不同的小波得到不同的结果。ISAR获得的三种飞机目标真实回波数据所形成的一维距离像作为实验数据，并且用神经网络对目标分类器进行了设计。     

高分辨雷达目标的RELAX与MRELAX参数特征

用RELAX算法和改进的MRELAX算法对实测雷达数据分别进行处理,从高分辨雷达回波距离像中提取目标特征参数并进行比较分析.仿真实验证明,用MRELAX算法对高分辨雷达目标数据进行处理与用RELAX算法处理的结果比较,MRELAX算法得到了更加清晰的目标特征.     

角点特征在目标识别中的应用

针对在视点变化情况下进行目标识别这一问题,作者结合主分量变换提出了一种基于Hausdorff距离的目标匹配算法,该算法在噪声和遮挡下性能稳定,时间代价较小.作者还提出了一种具有平移、旋转、尺度不变性以及对噪声有抗干扰能力的角点特征构造方法,通过BP网络实现目标分类.与其他三种形状特征进行实验对比,结果证明该方法在视点发生变化时对目标的识别更为有效.     

基于多特征融合的飞机目标识别

为了提高地面背景图像中目标识别的可靠性,提出一种基于多特征融合的飞机目标识别方法.该方法的基本思想是将基于显著性特征提取的目标识别方法与序贯融合方法相结合.首先用最小错误概率准则来描述目标各个特征的显著性,由此得到按显著性从大到小排列的特征序列,再采用序贯的融合方法计算并更新目标的置信度.当置信度大于等于0.9时识别其为真目标.给出了运用此方法识别机场图像中的飞机目标的实例,证明了该方法的有效性.     

HRRP自动目标识别方法综述

雷达高分辨距离像自动目标识别是近年来雷达目标识别广受关注的一个研究领域. 基于国内外HRRP自动目标识别方法的研究现状,指出目前研究工作中亟待解决的两个问题:非合作目标的识别与分类超平面的获取;针对待解决问题提出目前研究工作中的3个重点:信噪比失配问题的研究,少量不完备样本的研究以及分类超平面获取方法的研究;对每个研究重点的研究思路进行详细划分,包括移除噪声成分、特征提取以及支持向量等,并归纳每种思路的研究现状;最后,对3个重点的研究现状进行总结评述并指出未来的发展方向.      

Gabor原子网络法在雷达目标高分辨距离像识别中的应用

针对飞机目标的分类问题 ,介绍了一种称为 Gabor原子网络的高分辨雷达目标距离像识别算法。 Gabor原子网络的输入层采用 Gabor原子变换作为预处理单元 ,完成对特征的提取。Gabor原子网络的隐层和输出层组成一个多层前馈网络 ,采用改进的反向传播算法对权值进行调整。文中同时给出了网络在训练过程中自动调整 Gabor原子节点的特征参数的算法。对 3种缩比模型飞机的微波暗室转台数据进行了分类 ,结果表明三维空间内的 Gabor原子网络方法比一维空间内的原始距离像或 Fourier幅度方法和二维空间内的 Gabor变换或小波变换方法更适合高分辨雷达目标距离像的识别     

基于卷积神经网络的高分辨率雷达目标识别

提出一种基于卷积神经网络(Convolution Neural Network,CNN)的高分辨率雷达目标识别方法.首先针对小样本应用于深度CNN时训练过程中损失函数值收敛速度慢的问题,利用结合批归一化算法的改进CNN网络对高分辨距离像(High Resolution Range Profile,HRRP)进行自动特征提取;再利用支持向量机(Support Vector Machine,SVM)对距离像特征进行分类.使用军事车辆高保真电磁仿真数据对提出的方法进行验证,识别结果证明了该方法的有效性.     

使用特征匹配的三维目标识别方法

提出了一种基于特征匹配的三维自动目标识别方法．首先使用均匀采样选择特征点和自旋图描述子提取特征,定义相似度度量并且使用最近邻方法得到初始的匹配;其次使用向量场一致性算法消除错误的匹配;最后根据算法保留的正确匹配数目进行目标识别．针对目标识别的实际应用需求,进一步研究了点云的空间分辨率、激光雷达测距误差对目标识别性能的影响,可以为激光雷达三维目标识别系统的设计提供参考．     

基于CWT自相似特性的飞机目标HRRP分类法

为了解决高分辨率距离像 (HRRP)分类的姿态敏感和距离像对齐问题 ,基于连续小波变换 (CWT)的自相似特性 ,构造了能量尺度分形维数。分别在 3个极化测量通道和两个尺度区间上 ,从 HRRP的 CWT能量随尺度的演化过程中提取了原始特征集。采用 Fisher可分性准则作判据 ,进一步确定了 3维最佳特征向量。并从理论和实验上证明了 ,能量尺度分形维数特征较不敏感于噪声和目标方位角的变化 ,同时不受目标径向位移和距离像平移的影响 ,是性能良好的飞机目标分类特征     

基于像素特征的微表情识别

微表情持续时间短、表达强度低,给训练有效模型带来了挑战。针对此问题,提出了一种基于像素特征的微表情识别方法。对图像序列的面部区域进行裁剪,消除背景噪声;将每一帧的像素矩阵与第一帧(中性表情)做差处理,提取面部变化;对做差的结果累加,进一步突出面部表情;使用搭建的浅层CNN网络进行分类。在3个公共微表情数据集组成的交叉数据集上进行K折(K-fold)交叉验证实验中,所提方法的3个评价指标ACC(accuracy)、UF1(unweighted F1-score)和UAR(unweighted Average Recall)分别达到了0.830 4、0.782 7和0.794 4,表明了该方法的有效性。与LBP-TOP等8个模型的对比实验中,所提方法的指标明显优于对比模型,验证了该方法的优越性。     

一种新的基于HRRP的雷达目标识别算法

雷达目标高分辨距离像(HRRP)包含目标结构信息,是目标重要的分类特征.提出基于独立分量分析(ICA)的雷达目标特征提取方法,将雷达目标高分辨距离像(HRRP)在"基信号"域中分解,提取相应的基系数组成向量,作为目标特征向量.采用反向传播(BP)神经网络作为识别系统的分类器,对神经网络的输出进行编码,为了克服分类器对非库属目标的误判问题,引入拒识门限设计一种新的分类器.采用电磁场时域有限差分(FDTD)算法仿真了飞机的宽带回波,并用所提的方法进行实验.结果表明,基于以上算法的雷达目标识别系统在最大拒识率前提下具有较高的正确识别概率.     

kPCA特征提取算法的自动目标识别

分析了主成分分析（PCA）与核主成分分析（kPCA）的基本原理,比较了两者在处理数据方面的性能,得出了kPCA比PCA在处理非线性可分数据方面具有优势的结论．依据几何绕射理论（GTD）,通过Matlab仿真方法得到HRRP（高分辨距离像）数据,并以这些数据作为训练和测试样本,结合SVM分类方法,分别测试比较了基于4种不同核函数的分类识别性能,得出基于高斯核函数主成分分析的自动目标识别系统性能明显好于其他3种核函数的结论．     

基于主分量分析的形状特征提取及识别研究

主分量分析(PCA)是统计学中分析数据的一种有效的方法,可以将数据从高维数据空间变换到低维特征空间,因而可以用于数据的特征提取及压缩等方面。在该文的形状识别系统中,用PCA法提取图像的形状特征,能够较好地满足识别层的输入要求。在识别层研究了3种识别方法:最近邻法则、BP网络及协同神经网络方法,均取得了满意的实验效果。