快速傅立叶变换算法概述

快速傅立叶变换（FFT）属于数字信号处理中最基础的运算，已广泛应用于通讯、医学电子学、雷达和射电天文学等领域。本文对FFT的主要算法作了概述，并对其特性和运算工作量进行了分析和对比，期望对快速傅立叶变换算法有一个清晰的认识。     

基于模式间混淆关系自适应构建层次化分类器

为了解决层次化分类器的设计难点——子分类器的层属关系及其内部组成的确定,本文首先定义了模式间混淆关系,用于描述不同模式在判决域中的相互作用;进而提出了基于混淆矩阵度量模式间混淆关系的方法。设计并实现了多模式混淆关系分析机MPCRAM,将有师指派和无师自组两种常用的模式重组方法有机结合,遵循Fisher准则,自适应地产生层次化分类器结构。大量综合测试证实了该方法有效、实用,可显著提高分类器的识别性能和稳健性。     

基于视觉效果的雷达目标动态回波序列特征提取方法

特征提取在雷达目标识别中具有重要地位,提取有效、可靠的目标特征,是建立目标识别系统的基础和关键。在常规低分辨雷达目标识别系统中,难以根据电磁散射理论进行有效建模。本文在观察和分析大量实测数据的基础上,根据雷达操作员进行目标判性的思维过程和描述方法,以雷达目标动态回波序列的视觉效果为切入点,建立了一整套雷达目标特征提取方法。在多个雷达目标识别项目中的实际应用,证明了该方法的有效性、稳健性和可推广性。     

一种基于BP神经网络群的自适应分类方法及其应用

本文针对基于BP神经网络的分类系统,提出了神经网络群的概念,在此基础上给出了一种系统自适应增长算法,使得在新的目标类型加入时系统结构能够自适应调整.验证结果表明,该算法可以在增加新的目标类型时简化系统结构的调整过程,缩短重新训练网络所需要的时间,从而有效地提高网络的训练效率.     

多态关联系统结构重要度分析

多态关联系统重要度是可靠性分析的重要研究内容之一，它可用于可靠度分配，系统的优化设计和指导系统运行管理等。本文定义了５类物理意义明确的结构重要度，由实例看出，这些重要度能较好反映系统状态的性质及部件对系统状态的影响。     

基于集群的增量分布式RSOM聚类方法

对于海量和高维的大规模数据聚类问题,其数据个数以及模式种类通常处于一个动态增加的过程之中,为此进行增量、并行算法的设计,以提供更好的计算能力是十分必要的.注意到人脑增量学习的本质和RSOM(Recursive Self-Organizing Map)的层次化、分布式结构特点,本文研究了基于高性能集群并行计算环境的增量、分布式RSOM并行算法,并以视频图像特征集实例证实了算法的可行性.     

快速傅立叶变换算法概述

快速傅立叶变换(FFT)属于数字信号处理中最基础的运算,已广泛应用于通讯、医学电子学、雷达和射电天文学等领域。本文对FFT的主要算法作了概述,并对其特性和运算工作量进行了分析和对比,期望对快速傅立叶变换算法有一个清晰的认识。     

快速傅立叶变换算法概述

快速傅立叶变换（FFT）属于数字信号处理中最基础的运算,已广泛应用于通讯、医学电子学、雷达或无线电天文学等领域。对FFT的主要算法进行了概述 ,并对其特性和运算工作量进行了分析和对比,期望对快速傅立叶变换算法有一个清晰的认识。     

面向非合作目标识别的大规模类属超图建模

 针对大量不同成像条件下获得的多视图像,研究利用局部不变特征及其空间布局约束构建用于非合作目标识别的类属超图模型的方法.该方法首先将每一幅图像表示为使用选定的稳健SIFT特征构成的属性图,然后提出了一种属性图相似性传播聚类原理.在给定的F度量的约束下,利用该原理进行聚类,并根据熵函数最小化优化条件,可迭代得到特定目标属性图样本集合的最优聚类,进一步将所获得的聚类简化成以非冗余属性图作为节点的类属超图模型.本文用大量图像样本进行了试验测试.实验结果验证了模型的可扩展性和识别性能.     

基于SIFT特征的两阶段procrustes迭代匹配算法

以得到尽量准确的图像SIFT(Scale Invariant Feature Transform)特征点之间的匹配关系为目的,给出了一种基于SIFT特征的两阶段procrustes迭代匹配方法。该方法首先基于图像SIFT描述向量得到图像SIFT特征点之间的初始匹配关系,初始匹配的特征点之间存在较多的错误匹配特征点对,然后利用特征点之间全局的几何约束采用第一阶段的procrustes迭代匹配方法去除错误匹配的特征点对,这时部分正确的匹配特征点对也可能被去除,最后利用另一个procrustes迭代匹配过程找回被去除的正确匹配特征点对。仿真实验表明,本文的方法有效去除了SIFT描述向量匹配中存在的错误匹配点对,并能找回被去除的正确匹配点对,得到图像特征点之间正确的匹配关系。