基于高斯chirplet时频原子参数自适应时频分布图的不变矩特征提取方法研究

根据时频分布性质,针对雷达目标的特征提取与分类识别问题,提出了一种基于高斯c hirplet时频原子参数自适应时频分布图的不变矩特征提取方法。首先分析了各种不变矩, 总结了它们各自的应用特点;接着把雷达信号和其时频分布图的不变矩特征结合起来分析了 目标的各种行为对时频分布图不变矩的影响,然后对提取时频分布图不变矩的算法进行了详 细的研究,识别仿真结果表明,利用信号参数自适应时频分布图像的不变矩特征进行雷达目 标识别是一个卓有成效的方法,该方法充分利用了雷达目标的散射信息,具有较高的识别率 。     

基于组合特征的航母目标识别方法

为了解决较高分辨率条件下的可见光航天遥感图像航母目标识别问题,文章提出了一套完整的识别算法。该算法通过基于最大类间方差算法(Otsu算法)的双阈值分割方法获得舰船目标,然后通过形态学闭运算去除目标图像内部的空洞,对获得的目标图像进行优化。结合航母的形态特点,文章提出了描述目标的舰首宽度比编码特征,该特征能够显著的描述航母和其他舰船之间的区别。通过长宽比和舰首宽度比编码构成组合特征向量对提取的舰船目标进行描述。最后文章采用k折交叉验证方法划分训练样本集合和测试样本集合,采用最小距离分类器进行目标识别。所有的算法都在Matlab软件上进行仿真实验,实验结果表明,相比于其他的舰船描述特征,文章提出的组合特征对航母的识别率更好。     

基于傅立叶描述子特征的红外成象GIF目标识别算法及实现

在红外成象GIF引信工作过程中,实时目标识别及分类是一个重要的环节,它对于引信在弹道终端参与目标的继续跟踪、瞄准点的选择以及炸点的控制方面有很大的帮助.本文提出一种基于傅立叶描述子特征的红外成象GIF目标识别算法,利用归一化的、表示目标完整轮廓的边界点集的傅立叶描述子特征,结合BP神经网络,完成了巡航导弹、直升机、战斗机三种类型目标的识别.通过MATLAB仿真,验证了该算法的可行性,并在DSP硬件开发平台上对程序代码进行了测试,通过傅立叶描述子特征提取程序的改进,对算法进行优化,使算法的实时性得到较大的改善.     

基于流形学习的多光谱优化波段选择算法研究

为从多光谱图像特征提取的角度进行优化波段选择,在充分描述数据结构特征的同时使提取选择的特征有明确的物理意义,对基于流形学习算法的优化波段选择算法进行了研究。用判别局部排列(DLA)算法对多光谱数据进行预处理,选取正负样本,利用样本信息,以目标分类为目的进行特征提取。利用特征提取的结果,从特征提取的角度分析当前各谱段对所提取的主特征贡献的总信息量和贡献率,给出了基于权值和基于贡献率的两种优化波段选择算法,分别基于权值和贡献率进行特征选择。用正负样本的可分性可快速高效降维,同时又能保留多光谱图像原物理特性。实测数据验证了优化降维后的5个谱段能保留原数据的物理特性,目标识别概率提高约2%,计算复杂度降低约50%。优化选择的谱段有助于新一代多光谱探测器的研制和应用。     

基于BP神经网络的景象匹配算法研究

基于BP神经网络方法对景象匹配算法进行研究，以实现导弹武器系统匹配概率的提高和定位精度的改进。讨论了BP神经网络及图像的灰度不变矩和边缘不变矩，并把灰度不变矩和边缘不变矩同时作为匹配特征应用于本文BP神经网络景象匹配中。算法分析表明该算法具有很高的匹配效率。     

基于滑坡区域颜色特征模型的SVM遥感检测

滑坡区域遥感检测与识别在灾情提取、救援决策和防灾减灾等方面都有着巨大的应用前景。针对滑坡遥感检测中目标颜色特征化模型不准确,对滑坡区域检测识别效果不够理想等问题,提出一种基于滑坡区域颜色特征模型的支持向量机(supportvectormachine,SVM)遥感检测方法。根据光谱学和色度学的基本理论,建立滑坡区域红绿蓝特征获取方法,以多光谱图像为基础,通过典型样本分析,确立目标/背景颜色特征化数字模型和有效边界。将该模型生成训练样本用于滑坡区域SVM检测模型训练,再将训练好的分类器用于滑坡区域的检测识别,在此基础上根据滑坡基础形状模型的轴向长宽比、面积参数和不变矩等典型形状特征指标对滑坡区域进行目标精确分类与识别。利用九寨沟地震后获取多光谱遥感图像进行了滑坡区域检测识别效果对比试验,试验结果表明,该方法能有效识别遥感图像中的滑坡样本点,对滑坡区域的识别精度由传统方法的90%左右提高到97.03%。     

顾及样本优化选择的机器学习云检测研究

针对云层日变化、云类型、云相态、云光学厚度等特征差异带来的光谱差异,导致传统阈值算法对云识别精度不高的问题,文章提出了一种顾及样本优化选择,耦合物理阈值方法和机器学习的云检测算法模型,利用“葵花8号”卫星（Himawari-8）数据进行日间云检测。通过样本优化选择,使样本中尽可能包括不同情形下的云特征,为机器学习模型提供良好的样本基础,增加模型泛化能力;同时输入特征除了考虑反照率、亮温、亮温差以及天顶角等因素外,还加入了基于反照率和亮温差的物理阈值方法云识别结果;最后基于极限随机树模型进行云检测。结果表明：模型云检测交叉验证精度为96.41%,总漏检率和总虚检率分别为2.08%和0.91%;通过云-气溶胶激光雷达与红外探路者卫星观测（CALIPSO）产品数据进行对比分析,结果显示云检测总体精度为97.1%。     

空间变化场景下卫星部组件域适应识别研究

针对小样本限制下卫星部组件识别域适应困难的问题,提出一种变化场景下自适应迁移的目标识别算法.卫星部组件的识别模型框架为YOLO,迁移算法包括3个策略:基于特征关联性的样本加权策略,基于模型的参数自适应策略和最优特征变换自适应迁移策略.基于以上策略,YOLO模型建立域特征空间的相似性,选择性地迁移源域知识,同时在适应过程...     

复杂环境下少样本域自适应雷达RD智能识别技术

针对复杂电磁环境下，传统基于雷达回波的目标识别方法定位精度差和识别能力不足的问题，以典型海背景环境下的雷达时频二维像目标为研究对象，提出了复杂环境下少样本域自适应雷达智能RD识别技术，通过设计基于分离注意力的偏移区间配准目标识别算法架构，实现了对目标的精确定位和识别，同时设计了域自适应技术对源域和目标域进行特征配准，解决少样本条件下算法场景适应性不足的问题。通过在雷达回波仿真数据和真实数据上对算法测试验证，取得了较优的结果，证明了该算法的有效性。     

基于目标特征模型配置的面向对象检测方法研究

针对目前遥感图像目标检测过程中过度提取特征容易导致样本特征维数过高,造成维数灾难的问题,提出一种基于目标特征模型配置的面向对象检测方法,该方法以特征的可分性为原则判断特征的真实有效性,针对不同的侦查目标,将真正有用的特征配置于该待检测的目标,达到快速、准确自动检测的目的.试验结果表明,该方法能在降低算法复杂度的同时提高目标检测的正确率,能节省样本训练所需的时间.     

基于图象矩描述和线性规划的雷达图象特征提取与目标识别

本文首先分析了雷达目标散射信号特征，在此基础上，根据雷达图象的特点，采用矩描述方法提取二维雷达图象特征；然后，通过线性规划训练识别。最后，分析了不同雷达散射信号与建库，识别的关系。     

基于分形理论的辐射源识别算法

针对复杂的战场电磁环境,提出了一种新的辐射源信号识别方法,即基于分形特征的辐射源目标识别。介绍了分形的相关理论,给出了分形维数中盒维数与信息维数的计算步骤,而后采用距离函数进行判决识别。仿真结果表明提出的基于分形特征的辐射源信号识别算法能得到较高的识别率。     

一种小天体表面阴影区的鲁棒匹配算法

鉴于软着陆小天体过程中自主光学导航的状态估计问题,提出了一种针对小天体表面阴影区的提取与鲁棒匹配算法。首先,提取出阴影区中相对稳定的区域;然后,对提取出的阴影区域进行仿射归一化;最后,对仿射归一化后的阴影区域用多角度尺度不变特征变换（Multiple Angles Sift,MA-SIFT）描述子进行特征提取,并进行匹配与错匹配去除。在试验中,本文算法与SIFT算法进行了对比,结果表明,当图像间出现较大的视角变化时,利用本文算法能得到较高的正确匹配率。     

基于小波矩特征和神经网络的灰度图像识别算法研究

小波矩结合了矩特征和小波特征,既反映了图像的全局性信息,又反映了图像的局域性信息,并且具有旋转、平移和缩放不变性。文章研究了基于小波矩的灰度图像特征提取算法,并将其与BP神经网络组合,利用神经网络的强学习能力和容错性,形成一个灰度图像识别系统。仿真实验表明,在图像失真较小的情况下识别率可达到100％,较之未提取特征的神经网络识别方法而言,网络收敛速度与识别精度都有较大的提高。     

基于矩特征的雷达信号脉内调制样式识别方法研究

相控阵雷达为了获得良好的低截获(LPI)特性,同时兼顾距离和速度分辨率,需要对信号进行复杂的脉内调制,将发射能量扩散到很宽的频率范围上,甚至与噪声水平相近。对雷达脉内调制信号进行识别,可以获取敌方雷达作战性能并制定相应的干扰策略。针对不同调制信号的时频图几何分布不同的特点,对CW、LFM、PARFM、PSK、FSK五类信号进行Choi-Williams变换,提出将不同信噪比下时频图像中最能反映图像区域几何特征的四个不变矩作为输入特征向量,利用梯度下降算法构建神经网络,对调制样式进行识别的方法。仿真结果表明,方法的识别效果良好。     

基于RCS观测序列的空间目标识别算法

针对低分辨率雷达体制下的空间目标识别问题,提出了基于RCS观测序列的空间目标识别算法.该算法首先对空间目标的低分辨雷达RCS观测序列进行离散小波变换,然后在时间-尺度平面上提取十个有效的统计特征,最后基于模糊分类来识别空间目标.应用四类空间目标的实测数据进行了仿真实验,取得了比较好的识别效果.     

基于主动特征选择的非合作航天器鲁棒视觉导航方法研究

面向非合作目标航天器近距离操作任务,针对采用自然特征的单目视觉相对位姿参数确定过程中特征提取与匹配导致的粗大误差增加导致结果不准确甚至错误,以及特征数量多增大计算量等问题,提出一种融合随机采样一致性(RANSAC)算法和主动特征选择的鲁棒视觉导航方法。用RANSAC算法剔除有粗大误差的特征点,给出了基于RANSAC的特征点选择步骤;根据不同特征点组合所计算的克拉美罗(CRLB)不同,用参数化CRLB下限选择对位姿确定精度有显著影响的点以减少参与计算的特征数量,给出了基于CRLB的特征点选择流程。仿真结果表明:综合RANSAC和CRLB的特征点选择方法可显著减少特征点数量,提高了位姿解算精度。     

航天轴承摩擦力矩的最大熵概率分布与bootstraP推断

滚动轴承摩擦力矩具有不确定的波动和趋势变化,属于概率分布与趋势规律都未知的乏信息系统。这是一个重要问题,它阻碍了对轴承摩擦力矩的小样本分析与总体把握。为了解决这个问题,根据最大熵原理,从小样本入手建立航天轴承摩擦力矩的概率密度函数。以此为基础,在讨论了摩擦力矩的时域特征与概率分布特征后,用bootstrap对摩擦力矩总体的分布参数进行统计推断。试验研究表明,推断结果和试验结果之间的误差很小,满足工程要求。因此,用小样本可以描述航天轴承摩擦力矩总体的统计特征。     

惯性组合导航系统中的快速景象匹配算法研究

在景象匹配辅助导航中,特征点的选取是提高图像匹配速度、精度和鲁棒性的关键之 一。景象匹配中要求提取出的特征是那些可靠性高、辨别性强、计算量小的不变特征。提出 了基于SIFT特征的导航用快速景象匹配算法。算法首先针对惯性组合导航的工作特点, 对SIFT特征点检测及特征点匹配进行了优化设计,然后用RANSAC方法过滤掉错误匹配点,最 后,进行最小二乘精确匹配算法获取航向和位置偏差信息。实验分析了算法对不同分辨率图 像和不同区域的匹配适应性,抗噪声性能,匹配精度以及实时性,并与基于部分Hausdorff 距离的边缘特征景象匹配算法进行了对比。实验结果表明,算法的性能优越,在匹配速度、 精度和鲁棒性方面都优于部分Hausdorff距离算法,可以满足景象匹配导航系统匹配修正的 高性能要求。
     

基于3D Zernike矩的三维地形匹配算法及性能分析

提出了一种基于面特征的三维地形匹配算法。在算法中,与三维地形具有一一对应关系的3D Zernike矩用来描述参考高程图(DEM)和恢复地形高程图(REM),三维地形匹配转化为基于3D Zernike矩的特征向量匹配。匹配按先粗后精两步进行,在粗匹配中,匹配窗口滑动步长设定为5个象素,采用较低阶数的3D Zernike矩。在精匹配中,只对3个最优粗匹配位置的邻近区域进行精匹配,匹配窗口滑动步长为1个象素,采用较高阶数的3DZernike矩。两块地形的相似度以它们的3D Zernike矩间Camberra距离来度量,距离越小越相似,反之亦然。本算法属于特征面匹配,相对于基于特征点和特征线的地形匹配,理论和实验证明该算法具有更高的匹配概率、匹配精度和更强的抗噪声能力。