雷达辐射源的序贯识别方法

针对雷达信号环境,依据已知的模板信息,提出了一种雷达辐射源序贯识别方法。通过理论推导和仿真分析验证了该算法的可行性,并与传统的统计分析识别[1]方法相比,该方法能够更充分地利用辐射源的脉冲信息,提高复杂电磁环境下的辐射源识别能力。仿真结果显示该方法的识别效果优于统计分析识别方法。

一种多尺度目标的序贯识别新方法

提出了一种基于分级特征模型的多尺度目标序贯识别新方法；研究了不变矩特征的尺度变化规律；建立了多尺度目标不变矩的分级特征模型，进而完成多尺度目标的序贯识别．多尺度舰船目标的模拟实验表明，这种基于不变矩分级特征模型的序贯识别算法，能有效地完成多尺度目标的识别，从而证实了分级特征模型符合多尺度目标特征的变化规律，有利于表达多尺度目标的特征，提高目标的检测、识别概率，减少计算复杂性．

基于极化重构的弹头识别方法研究

极化特性是弹道目标识别的重要特征之一,针对复杂突防环境下弹头快速识别需求,提出了一种基于分时极化重构和特征压缩的弹头识别方法。利用微动目标的极化散射矩阵暗室测量数据,分析了动态目标的极化散射特性。结合弹道轨道模型,仿真了弹道目标的动态极化散射矩阵雷达回波信号。基于运动参数和极化互易性对极化矩阵进行相位补偿重构;然后利用重构的极化矩阵提取极化不变量特征和庞加莱球点的变化等特征,并采用多维特征投影变换实现特征压缩,去除无用冗余信息;最后通过软判支持矢量向量机进行序贯识别,从而实现对弹头、碎片和发动机等弹道目标的快速稳健识别。

地震属性在沉积相预测中的方法研究—序贯随机模式识别

沉积相揭示了目的层段的沉积环境、储集岩成因及其分布规律.通过沉积相的研究,油藏工程师对储层的认识更加细致.对于钻井资料较少的研究区域,如何用地震信息研究沉积相是一个值得探讨的问题.传统的沉积相预测方法主要包括地质统计学和模式识别等方法.首先,地质统计学方法使用井点数据进行插值,考虑到数据空间变异性特征,但是忽略地震数据.其次,模式识别多变量预测方法通过井、震多变量信息建立识别模式,但是识别建立过程中忽略空间数据的结构特征.针对传统方法在识别过程中存在的问题,本文以苏里格气田苏10区块盒8下段为例,提出一种综合考虑地震属性和空间变异性特征的序贯随机模式识别方法,将此方法应用到沉积相预测过程中.首先提取多种地震属性,然后利用降维和属性优选等方法筛选出对沉积相较敏感的地震属性,利用变差函数分析工具进行空间结构性分析,最后通过井、震结合建立识别模式开展沉积相研究.研究实例表明,相比最邻近法和序贯指示模拟,其沉积相预测精度分别提高24%和8%.因此,综合空间结构特征和多变量信息融合识别沉积相,使得平面沉积微相展布研究更为精确.