基于支撑矢量机的智能目标识别方法

支撑矢量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法 .文中将支撑矢量机的概念引入雷达的目标一维像识别中 ,对其机理作了详细地分析 ,建立了相应的支撑矢量机分类器算法 .对雷达目标的回波数据进行目标特征提取与分类的实验结果表明 。

基于深度学习的光电系统智能目标识别

智能目标识别技术是光电系统多维立体侦察体系的重要支撑,是实现多角度、全方位目标定位、感知分析的基础。为满足复杂环境下光电系统中基于深度学习的目标识别需求,聚焦数据、算法和计算能力三大挑战,提出一种基于多源信息融合的智能化目标识别方法,对多个传感器融合得到的图像进行学习和训练,从而提高目标识别的能力。基于多维图像融合的目标识别技术,将多波段融合图像数据进行标注、训练学习,用来自动识别出图像中的多个目标。实验结果表明,所提算法能够实现对融合目标的精确识别与定位。

低分辨雷达目标智能识别的最新进展

低分辨雷达目标智能识别一直是雷达目标识别研究领域的难点。本文分析了低分辨雷达目标智能识别的难点和要解决的关键技术 ,综述了国内外低分辨雷达目标智能识别研究的最新进展。提出了发展低分辨雷达目标智能识别能力的设想。

基于UKF航迹滤波的干扰目标智能识别算法研究

针对雷达导引头末制导阶段抗干扰技术,建立了典型的距离-速度拖引干扰模型,采用无迹卡尔曼滤波(UKF),研究了基于速度、加速度、过载等指标的干扰目标智能识别技术。首先建立距离-速度拖引干扰模型,通过引入弹目相对距离、径向速度、高低角与方位角建立了系统跟踪模型。其次,给出了基于UKF实现目标跟踪与识别的滤波框架。在此基础上,以径向速度、径向加速度、角加速度与过载为评价指标,建立了目标智能识别指标体系。最后,通过典型的目标运动模型(目标跃升),对目标施加的四次距离-速度拖引干扰(两次前拖、两次后拖)进行目标识别。仿真结果表明,利用UKF滤波信息能够有效实现对距离-速度拖引干扰下的干扰和目标智能识别,仿真结果验证了该识别方法的可行性与有效性。

基于雷达回波视频信号的目标智能识别方法研究

为了提升常规雷达目标识别的能力,以含有更多目标原始信息的回波视频信号为基础,研究了目标回波视频信号的特征提取,提出一种基于支持向量机的目标识别方法.最后通过仿真实验验证了本文方法的有效性.仿真结果表明,采用本文方法对目标大小识别的准确率与信噪比、采样率有关;对目标机型识别能得到较高的准确率.

多体制协同目标智能识别技术发展综述

多体制协同目标智能识别是武器高效打击的关键前提。首先介绍了多体制协同和智能识别的国内外研究现状,然后介绍分析了多体制协同目标智能识别技术发展的关键技术,包括协同探测任务规划技术、多传感器信息融合技术、目标智能识别技术;最后,提出了相关建议,为多体制协同目标智能识别总体架构设计与关键技术攻关提供重要参考。

基于深度学习神经网络的SAR星上目标识别系统研究

实现对地面目标的智能识别,对一种基于深度学习的卷积神经网络(CNN)的星载合成孔径雷达(SAR)星上目标识别系统进行了研究。系统由星上和地面两部分组成。其中:地面部分进行网络结构设计、SAR图像数据预处理、CNN模型训练、模型压缩及上传;星上部分接收上传模型并解压缩、目标识别、识别后粗筛图像下传地面;地面进行人工筛查,筛查后的正确图像作为训练数据对CNN模型进行再训练,逐步获得精度更高的模型。提出的CNN架构为卷积层2个、下采样层2个、Dropout层3个、Flatten层1个、全连接层2个,最终输出标签11类。为使训练后的CNN模型能部署到卫星上使用,采用数据精度压缩和剪枝两种数据深度压缩方法以减小数据存储量和减低网络复杂度。在Keras深度学习开源库环境中实现设计的CNN模型,对运动和静止目标获取与识别(MSTAR)数据库中的11类军事目标识别的实验结果表明:识别和分类的效果良好,整体识别成功率达96.29%;模型能压缩至原来的1/13,精度损失小于2%。

基于智能芯片的舰船目标智能识别系统设计及实现

传统的海面目标检测识别方法在复杂背景下存在目标检测率低、目标特征依赖人工设计等问题,很难满足实际应用的要求。本文以深度学习、智能芯片等技术为基础,针对可见光、遥感等多波段传感器成像,基于主流深度学习框架建立图像识别、目标检测网络模型,实现智能目标位置检测、目标分类及关键部位识别,采用通用智能芯片NPU(Neural Process Unit)搭建完成嵌入式环境下可见光场景舰船目标智能识别系统,实现智能目标识别算法在硬件资源受限环境下的高效处理,初步验证智能技术在飞行器上应用的可行性。

基于改进级联Gentle Adaboost分类器的支柱绝缘子红外图像AI识别

支柱绝缘子是变电站中重要的部件,在复杂工作环境下极易出现故障,而传统人工检测难以对大量支柱绝缘子红外图片快速多目标识别。为此,提出了基于改进级联Gentel Adaboost分类器的支柱绝缘子红外图像人工智能(artificial intelligence,AI)识别方法,使用现场采集的大量红外图片,构建支柱绝缘子红外数据集,然后计算支柱绝缘子数据集样本的Haar-like特征值,并将不同特征值构建成若干个弱分类器;通过改进Gentel Adaboost算法,将弱分类器训练集成为强分类器,得到级联Gentel Adaboost分类器,实现红外图像中支柱绝缘子多目标准确识别。研究结果证明,所提方法在不同背景下对红外图像支柱绝缘子识别的准确率达到了93.9%,在正确识别定位的同时,还能保留支柱绝缘子的红外温度特征,可为支柱绝缘子智能识别和故障诊断提供有效途径。

高性能探测成像与识别的研究进展及展望

高性能探测成像与识别是现代信息科学领域发展最为迅速的前沿学科之一,近年来对其应用的迫切需求加速推动了该学科的发展.本文针对高性能探测成像与识别的4个重点领域,即多维度微波探测成像、微弱信号检测与识别、多模态成像理论与信息重建、计算成像理论与方法,较系统地阐述了这几个领域的概念与内涵、发展脉络与国内外研究现状、当前的研究热点与难点、典型应用及未来发展趋势,并对其中的一些科学问题进行了探讨和总结.尽管各个领域面临的具体问题各有不同,但均存在着一些共性基础性问题有待深入认知,主要表现在探测成像手段与目标之间的相互作用机理、探测成像的数据获取机制、探测成像后的目标参数特征提取与重建等几个方面.