基于前向型神经网络的空袭目标类型识别模型

对防空作战中空袭目标类型识别问题进行了研究 ,给出了进行目标类型识别的指标集 ,并建立了基于前向型神经网络识别模型 ,实例证明该方法是可行的。

基于聚类分析的空袭目标类型识别模型研究

目标识别模型是防空导弹指控模型的重要组成部分。分析了目前的空袭目标基本特性,讨论了聚类分析在目标类型识别中的可行性和具体的应用问题,并进行了实例计算。运算结果表明该方法可以应用于防空导弹指控系统的目标类型识别。

基于多项式网络的空袭目标类型识别模型

给出了进行目标类型识别的指标集 ,建立了基于多项式前向神经网络识别模型。该模型具有三层结构 ,隐层、输出层分别采用多项式函数和线性函数作为激活函数 ;隐层 输出层的权值用最速下降法学习 ,输入层 隐层的权值用遗传算法进行学习。实例表明该模型是可行的。

空袭目标综合识别模型的研究

如何对空袭目标进行准确的属性识别和类型识别是防空导弹武器发射决策中的关键环节之一。为实现防空作战指挥自动化 ,必须对影响目标综合识别的各种因素进行定性和定量的分析 ,然后建立有效的模型并使用可行性的方法进行处理。结合现代防空作战的特点和指挥自动化系统的工作过程 ,给出了进行目标属性识别的准则集及类型识别的指标集 ,并建立了相应的识别模型。

基于二叉树支持向量机的空袭目标类型识别

针对现有空袭目标类型识别方法存在的不足,提出了一种基于二叉树支持向量机的空袭目标类型识别技术。该方法将二又树与支持向量机有机结合起来,充分发挥了支持向量机解决两类分类问题的优势,有效地提高了识别率。最后给出了与现有识别方法的比较结果,证明了该方法的有效性。

动态聚类在空袭目标类型识别中的应用

动态聚类根据特定指标体系,构建动态聚类原始样本集,再选取一批聚点让样品向最近聚点聚类,以得到初始分类,最后按最近距离原则调整分类结果,得到较合理的分类结果。并从防空指挥辅助决策系统实际应用背景出发,基于动态聚类算法建立空袭目标的类型识别模型,进行数据标准化变换、选择聚点、初始及修改分类等。

海防编队对海上目标类型识别模型研究

基于目标的物理和战术两方面的特征,应用D-S证据推理理论,对海上目标类型归类。根据证据推理相关理论,建立融合目标战术特征和物理特征的目标识别模型,取目标的距离特征、速度、加速度特征和回波特征4项进行具体分析。模型目标类型识别的可信分辨阈值,可根据对目标类型识别的统计数据和要求达到的准确率决定。

弹道导弹预警系统目标运动建模和类型识别

针对弹道导弹预警系统的识别任务,建立了弹道导弹和飞机类目标的运动模型,通过分析弹道导弹和飞机目标间的运动特性差异,采用灰色关联分析方法建立了目标类型识别模型,给出了进行目标类型识别的具体步骤。具体的算例验证了基于灰色关联分析的目标类型识别模型应用于目标识别的可行性和有效性。

一种基于学习模型与BoW-SURF的目标识别算法

为实现机器人的主动学习和特定目标识别,提出了一种基于学习模型与BoW-SURF的目标识别算法。基于SURF(Speeded Up Robust Features)稳定的多尺度特征描述特性,以SURF描述子作为目标的局部特征描述子,借鉴BoW(Bag of Words)模型在文档分类中的优点,按目标特征量化的框架模型生成了表达目标的特征字典。首先采用K-Means算法对训练目标SURF特征集进行聚类,得到训练集对应的聚类中心(即BoW模型中的字典);然后通过完备的特征字典基对特定目标进行统一的特征量化表达;最后使用支持向量机(Support Vector Machine,SVM)的浅层分类器对目标进行分类。研究发现,在以多类型工件为实验样本的情况下,为提升算法的鲁棒性,同类型工件应按随机姿态进行摆放。通过实验发现,这种基于学习模型与BoW-SURF的目标识别算法可以在较复杂的环境下识别预定目标,根本不受目标平移、尺度缩放和几何旋转的影响,且识别工件目标可达50多种,准确率为90%,具有较强的稳定性与实时性。

基于灰色关联方法的目标类型识别

针对目标类型识别问题,在分析影响目标类别因素的基础上,引入了利用灰色关联理论进行目标类型识别的原理,建立了目标类型识别的模型和方法。实例验证该模型能有效地解决目标类型识别的问题。

基于深度学习的危化品车辆货物类型识别技术研究

危险品运输车辆货物类型标志的自动识别对于运输效率和安全性都起着非常重要的作用,可应用于交通管理、运输安全监控、车辆身份识别等多种任务。提出一种基于YOLO模型的危化品车辆货物类型识别方法,通过建立危化品车辆货物类型数据集,实现在高速公路实时场景下对危险货物类型的自动识别,进一步提升对高速公路危险品货物运输的管理水平。