基于SVM的小样本可靠性数据分布模式识别研究

小样本数据分布模式识别是航空新装备可靠性分析中亟需解决的一个难题。采用现代统计学原理及支持向量机多分类算法提取了数据分布特征参数,构建了小样本数据分布模式识别模型。测试结果表明,模型对小样本数据分布模式具有较强的识别能力。     

空中交通服务电报智能处理系统

空中交通服务电报采用固定的信息编组方式组织报文.由于传输差错及人为因素引起了报文的非标准化,计算机自动处理困难.本文提出了基于模式识别、神经网络技术的报文处理算法,并进行了仿真实验,结果表明该算法具有较高的报文正确识别率,以及维护简单、扩充方便灵活的优点.      

SAR图像目标峰值特征提取与方位角估计方法研究

目标峰值特征是SAR图像目标识别的重要特征之一。峰值特征提取是SAR图像目标识别的一个重要步骤，为了由SAR图像快速、精确地提取目标峰值特征．本文首先研究了SAR图像目标峰值特征提取方法，提出了一种“子像素”级精度的SAR图像目标峰值特征提取方法．并通过仿真实验分析了峰值位置、峰值幅度的估计精度。由于目标SAR图像或SAR图像特征矢量对目标方位角变化的敏感性，因此，为了提高SAR图像目标识别系统的分类效率，本文还研究了SAR图像目标方位角估计方法，提出了一种利用峰值特征基于线性回归的sAR目标方位角估计方法，和现有方法相比，该方法除了计算速度快，估计精度较高之外，还能在估计方位角的同时，给出该估计的置信区间，从而更好的满足SAR ATR的实际需要。文中通过对大量实测MSTAR SAR图像目标方位角的估计实验，验证了本文目标峰值特征提取及方位角估计方法的有效性。     

BUAA-SID1.0空间目标图像数据库

随着太空竞争的加剧,空间目标监视及目标识别受到越来越多国家的重视。而空间目标图像数据库的缺乏直接影响了空间目标识别技术的研究进展。针对这一问题,建立了BUAA-SID1.0空间目标图像数据库。文章在分析空间目标图像数据库建立的背景和意义的基础上,介绍了数据库的建立方法,指出了数据库共享版本BUAA-SID-share1.0的内容,给出了两种识别算法在共享数据库上的测试结果。     

基于Huffman最优二叉树支持向量机的舱音记录器背景信号识别

飞行器舱音记录器(CVR)记录的舱音信号,通常是语音声、警告声、开关按钮声和背景噪声等混合而成.目前国内对该类信号的分析和辨别主要是计算机译码后利用人耳进行辨听,存在不易准确分辨各种独立声音信号的缺点.针对舱音信号是一种非平稳性的时频信号,提出了基于多尺度最优小波包基的CVR背景信号特征提取算法,将10种典型信号进行小波包分解,以分解得到的子带能量作为信号初始特征,再根据类间最大距离准则选取最优小波包基,从而确定待识别信号最具有代表性的特征向量,最后基于Huffman最优二叉树支持向量机进行CVR背景信号分类.仿真实验结果表明,该方法的平均识别率为94.62%,可以应用于CVR背景声音信号的自动识别.     

基于神经网络的仿真输出数据的分布识别

分布识别在仿真输出数据的分析中有着重要的理论和实际价值，但长期以来一直没有很好解决，在研究和改进神经网络的基础上，提出用多层感知机ＢＰ网格进行分布识别，给出了基于ＮＮ的分布识别模型，并进行了实验检验，实验结果表明本方法识别效率高，并具有很高的可靠性，可以辅助分析者作出准确的判断。     

视觉辅助的无人机自主空中加油建模与仿真

为准确获得插头锥套式空中加油过程中无人机与锥套的相对位姿信息,提出了机器视觉辅助的插头锥套式无人机自主空中加油仿真方案,开发了基于Open CV,Simulink及Vega Prime视景仿真技术的闭环仿真系统.研究了机器视觉识别跟踪锥套的图像处理算法,利用Kalman滤波算法估计无人机与锥套的相对位姿.仿真结果表明,机器视觉算法可以准确识别跟踪锥套,滤波器状态估计的收敛速度较快,无人机姿态角变化范围较小,保证了插头锥套式无人机自主空中加油的平稳安全对接.     

无人直升机自主着舰系统设计及仿真试验

设计了一套包含视觉目标识别单元、目标跟踪器、甲板状态跟踪器和模糊逻辑控制的无人直升机自主着舰系统.视觉系统通过对采集的图像预处理提取出可能的甲板标识区域,然后对此区域计算其仿射不变矩特征集合,对得到的特征集经过模糊识别技术实现对甲板降落区域的识别,并根据矩特征集计算出甲板运动状态信息.目标跟踪器采用了卡尔曼滤波技术,在目标二阶运动方程的基础上设计了跟踪算法.甲板运动状态跟踪器用于在无人直升机的降落期间实现对甲板尤其是触舰瞬间甲板的纵摇、横摇及浮沉状态的预测,该跟踪器采用了改进的卡尔曼多步预测算法.设计了基于模糊逻辑的比例积分控制器,由多个并行的对特定任务实施控制的子控制行为构成.仿真试验结果验证了所提出的算法.在仿真试验中,无人直升机能够正确的识别甲板目标区域,实现了对运动舰船在二维水平面内的跟踪,甲板状态跟踪器能够预测未来1~5个周期内甲板状态,控制器基于目标信息和甲板状态能够正确地引导无人直升机实现安全着舰.     

局部Bagging方法及其在人脸识别中的应用

Bagging方法无法在稳定的分类器(如最近邻分类器)上构建多样的分量分类器,因此它不适合于稳定的分类器.同时,小样本特性Bagging也很难应用于人脸识别等任务中.本文提出了一种局部Bagging(L-Bagging)方法以同时解决上述两个问题.L-Bagging和Bagging的主要区别是L-Bagging在每个事先划分好的局部区域内进行自助集的采样而不是如Bagging那样在原始的样本集上采样.由于局部区域的维数通常远远小于训练样本数,并且分量分类器又是构建在不同的局部区域上的, 因此 L-Bagging方法不仅有效地解决了小样本问题,而且产生了更多样的分量分类器.在4个标准的人脸数据库(AR,Yale,ORL和Yale B)上的实验结果表明所提出的L-Bagging方法是有效的,并且对光照、遮挡及轻微的姿态变化是鲁棒的.