复杂环境下辐射源信号分类算法

为提高复杂电磁环境下辐射源信号的分类精度,提出了一种基于邻近传播(Affinity Propagation,AP)聚类和支持向量机(Support Vector Machine,SVM)的联合决策分类算法。该算法通过AP聚类剔除电磁干扰信号,同时获取空间信号初始类别数和聚类簇。为获得更好的分类效果,引入基于概率模型的SVM对聚类簇中的样本进行再分类,然后联合样本类别概率和该类别中样本个数在原聚类簇中的占比,对输入信号类别进行判别,并确定样本威胁等级。仿真结果表明,该算法在电磁信号特征交叠和复杂体制辐射源背景下可以有效地提高信号分类精度,提升武器系统在复杂环境中的适应能力。

基于改进三重训练算法的高光谱图像半监督分类

高光谱数据维数高,有标签的样本数量少,给高光谱图像分类带来困难。本文针对传统三重训练(tri-training)算法在初始有标签样本数量较少的情况下分类器间差异性不足的问题提出了一种基于改进三重训练算法的半监督分类框架。该方法首先通过边缘采样策略(margin Sampling,MS)选取最富含信息量的无标签样本,然后在训练每个分类器之前通过差分进化算法(differential evolution,DE)利用所选取的无标签样本产生新的样本。这些新产生的样本将被标记并且加入训练样本集来帮助初始化分类器。实验结果表明,该方法不仅能够有效地利用无标签样本,而且在有标签数据很少的情况下能够有效地提高分类精度。

结合经验模态分解和Gabor滤波的高光谱图像分类

针对传统实施于原始数据空间的纹理提取方法的不足,采用经验模态分解理论提取高光谱图像中空间结构明显的固有模态分量,并在提取出的分量上进行Gabor滤波操作,将传统纹理提取方式转移到变换域上进行,提出了一种基于二维经验模态分解融合空间信息的高精度纹理提取算法。对两个数据集进行仿真实验,实验结果表明改进算法有效地提高了高光谱图像分类精度且抗噪性能良好,提出算法性能明显优于传统Gabor-PCA算法,能够更大程度挖掘高光谱图像空间信息。

WiFi智能安全卫士

WiFi智能安全卫士利用非常成熟的WiFi无线网络为数据载体。实现控制数据，音视频双向数据交换而达到远程控制小车和视频监控等功能。

基于自适应滤波技术的被动协同跟踪算法

为增强被动协同跟踪系统对复杂环境的适应性,提高跟踪精度和系统鲁棒性,提出了一种基于自适应滤波技术的目标跟踪算法。该算法通过基于Sage-Husa自适应噪声估计的无迹卡尔曼滤波对多站被动协同定位结果进行状态估计,并利用残差量的局部动态统计对噪声估计器进行改进,以提高噪声估计的准确性和稳定性。同时,引入协方差自相关量匹配判据来保证噪声方差阵的正定性,防止滤波发散。仿真结果表明,该方法可有效提高噪声估计精度,增强目标跟踪系统对环境的适应性,大幅提升跟踪性能。