Intelligent recognition and information extraction of radar complex jamming based on time-frequency features

In modern war,radar countermeasure is becoming increasingly fierce,and the enemy jamming time and pattern are changing more randomly.It is challenging for the radar to efficiently identify jamming and obtain precise parameter information,particularly in low signal-to-noise ratio(SNR)situations.In this paper,an approach to intelligent recognition and complex jamming parameter estimate based on joint time-frequency distribution features is proposed to address this challenging issue.Firstly,a joint algorithm based on YOLOv5 convolutional neural networks(CNNs)is proposed,which is used to achieve the jamming signal classification and preliminary parameter estimation.Furthermore,an accurate jamming key parameters estimation algorithm is constructed by comprehensively utilizing chi-square statistical test,feature region search,position regression,spectrum interpolation,etc.,which realizes the accurate estimation of jamming carrier frequency,relative delay,Doppler frequency shift,and other parameters.Finally,the approach has improved performance for complex jamming recognition and parameter estimation under low SNR,and the recognition rate can reach 98%under−15 dB SNR,according to simulation and real data verification results.

空中交通态势感知研究综述

空中交通系统作为典型的复杂系统,解决空中交通的拥挤、航班延误等问题是当下的研究难点和热点,需大力发展空中交通态势感知这一关键技术,为此对空中交通态势感知技术进行了详细的综述。对空中交通态势识别算法的国内外研究做了概述,随后重点分析了空中交通态势预测技术,依据应用方法不同,将空中交通态势预测分为交通流模型预测、人工智能算法预测以及复杂网络预测,以技术更迭为时间线,对研究成果进行分析,最终基于研究阐述现存问题并对未来研究方向做出展望。

基于二值神经网络的辐射源信号识别方法

针对用于辐射源信号识别的神经网络存在参数冗余、运算量庞大等问题,提出一种基于二值神经网络的辐射源信号识别方法。该方法指出利用卷积层效用值衡量神经网络卷积层的重要性,根据卷积层效用值的大小,将重要的卷积层保留为实值,其余卷积层进行二值化处理。实验结果表明,在信噪比大于-9 dB时,采用该方法得到的二值神经网络的信号识别准确率相比于实值卷积神经网络降低了0.5%,而网络参数内存大小降低了83.4%,网络运算次数降低了83.8%,网络运算复杂度降低了85.8%,易于部署在各种硬件平台上。

复杂环境下基于深度学习的声音识别研究

针对复杂环境下的声音识别问题,提出一种基于深度学习的声音识别方法。首先,通过自适应滤波降噪和梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficient,MFCC)提取等方法提取声音特征。其次,采用L2正则化的卷积神经网络(Convolutional Neural Network,CNN)识别声音,以提高模型的泛化能力和准确性。最后,使用ESC-50数据集对所提方法进行验证和测试。实验结果表明,该方法的精确率、准确率及召回率均优于对比方法。

复杂网络下机械零件三维轻量级识别方法

为精准获取机械零件尺寸,明确产品质量是否达到安全标准,提出一种复杂网络下机械零件三维轻量级识别方法。将机械零件三维信息转换为复杂网络下加工数据,利用邻接矩阵描述网络节点与边的内在关联,创建机械零件三维模型;把零件数据点拟作局部多项式曲面,推算各点在曲面内的投影残差,计算特征点相关指数,使用折线生长技术提取模型特征线;将三维模型变换成体素矩阵,确立不同三维特征间的差异,通过二维典型视图训练卷积神经网络,在正、反向传播运算后输出三维轻量级识别结果。仿真结果表明,所提方法有效提升了机械零件三维模型识别精度与效率,鲁棒性强,为机械零件的高质量生产提供可靠数据支持。

基于改进YOLOv3的复杂环境下西红柿成熟果实快速识别

针对西红柿成熟果实快速识别问题,采集并标注西红柿成熟果实的图像数据集,用于深度神经网络模型的训练,并基于实际应用对经典的YOLOv3目标检测算法进行模型轻量化改进,使其方便地部署到采摘机器人的嵌入式控制器上,同时对激活函数、锚框的聚类、非极大值抑制和损失函数等进行优化,提高算法运行的效率和稳定性。经测试集的验证,所提出的改进型YOLOv3目标检测算法在包括不同密集程度、不同光照条件和不同遮挡程度情况的复杂环境下最终检测精度为92.11%,召回率为86.21%,F_(1)得分为89%,mAP为84.58%,即试验结果证明所提方法的可行性、准确性和鲁棒性。

基于深度学习的复杂场景下车牌识别算法研究

随着汽车保有量日益增多,车牌识别已经成为智能化交通系统不可分割的一部分,在道路交通控制方面发挥着重要作用。由于实际交通环境的复杂性,传统的车牌识别算法易受到光线明暗不均、天气恶劣多变、倾斜角度大等诸多因素的干扰,具有很大的局限性。针对这一问题,本文提出了一种基于深度学习的复杂场景下车牌识别算法。从车牌识别的一般流程出发,设计基于HOG+SVM目标检测定位算法,实现对车牌的定位与筛选,最后利用CNN卷积神经网络对车牌字符实现识别。实验结果表明,在复杂多变的应用场景下,本文所提出的基于深度学习的车牌识别算法精度高、鲁棒性强。

复杂背景下多特征结合的深度学习手势识别

科学技术的快速发展使得基于深度学习的人机交互已经得到广泛的应用。手势识别作为人机交互领域的重要组成部分,同样具有重要的研究意义和应用价值。通过对传统的手势识别方法进行研究,发现主要是利用肤色检测算法实现手势识别和分类,但是传统方法在针对具有复杂背景的手势图像时会出现识别效果差等问题。为解决这一问题,提出一种基于卷积神经网络的肤色特征和边缘特征结合的手势识别方法。首先,在YCrCb颜色空间采用椭圆肤色模型和Otsu阈值肤色识别算法获取手势肤色特征,经算法判断后,对手势肤色图像采用改进Canny边缘检测算法获得手势边缘特征。其次,提出一种边缘填充方法对手势边缘图像处理,得到手势轮廓完整的手势边缘图像。最终,采用逻辑运算和形态学运算得到手势分割图像,并输入卷积神经网络进行训练和识别。实验结果表明,该方法在复杂背景下具有较好的手势识别效果,在NUS-II数据集上的平均识别率为98.83%。

复杂环境下通用的手势识别方法

用来解决手势识别中光照变化、背景干扰等问题的方法,往往计算量大,耗时长。针对这一问题,提出了一种复杂环境下通用的手势识别方法。该方法利用二进制方式实现支持向量机(SVM)模型并且使用位运算代替滑动窗口从而完成目标快速筛选,然后用统一计算设备架构(CUDA)实现卷积神经网络对初筛区域进行二次判断和识别。该方法不依赖于动态手势识别技术,可以应用于动态和静态的手势识别,能够同时处理光照变化、背景干扰的问题。实验结果表明所提算法的计算效率相比基于滑动窗口的算法有100至1000倍的提升,处理一幅图片的时间约为0.01 s。在修正后的Marcel数据集上实验结果达到了96.1%的准确率和100%的召回率。效率上的提升使得算法能够实时进行复杂环境下的手势识别。

偏最小二乘法-人工神经网络用于复氧化物形成条件的判别

本文应用人工神经网络算法结合偏最小二乘算法,对两元氧化物系化学键参数进行模式识别分析,用计算机对两不同的氧化物间是否有复合氧化物生成进行分类和预报,得到满意的结果。为了确定两氧化物间是否有复氧化物生成,本文首先用PLS回归算法初选化学键参数,通过样本点在PLS正交分解矢量平面上的投影图,按形成与不形成对两元氧化物进行分类,从而确定一组对复氧化物形成影响最大的化学键参数,实现对能否生成复氧化物进行判别。最后,用选出的化学健参数训练人工神经网络,训练好的网络就可以对复氧化物的形成与否进行预报。

基于粒子群优化BP神经网络的心电信号分类方法

为了提高心电信号的分类精度,实现心电信号的智能诊断,该文提出了一种粒子群优化BP神经网络的心电信号分类算法。从正常、左束支传导阻滞、右束支传导阻滞3种心电信号中提取5组特征值作为特征向量,利用粒子群算法修正BP神经网络的初始权值和阈值,并对心电信号样本进行分类识别。实验结果表明,与BP神经网络相比,优化后的BP神经网络对心电信号分类精度更高,准确率达到了98.20%,同时收敛速度更快,明显提高了BP神经网络的全局寻优能力。

基于非线性时序模型的神经网络图形识别方法

提出了复数域非线性指数自回归（ＣＮＥＡＲ）图形轮廓建模方法．构造了用于ＣＮＥＡＲ模型参数估计的神经网络模型，利用该网络可解决非线性参数的估计问题．ＣＮＥＡＲ模型参数具有平移、旋转和比例不变性并与计算起始点的选择无关．基于模型参数构造了特征向量，并设计了复数神经网络分类器，给出了复数神经网络学习算法．实验结果表明ＣＮＥＡＲ模型在较低阶次即能获得较高的识别率，ＣＮＥＡＲ模型对带噪声图形及形状差别较小图形的识别效果要好于复数域自回归模型方法．

基于Hopfield神经网络的交通标志识别

Hopfield神经网络是经典的人工神经网络之一,本文利用离散型Hopfield神经网络来对各种道路交通标志进行识别,并讨论在加噪、旋转等条件下对交通标志识别率的影响。同时,对图像的复杂度、识别率、图像识别前后的信噪比进行了讨论与分析。

一种特定问题多目标识别系统的设计

在图像多目标实时跟踪系统中,多目标的快速识别是至关重要的.采用多帧相差,将运动目标与静态背景分离;根据图像中亮度不同的区域,采用动态查表法选择阚值,进行二值化;对各个目标提取复杂度、长宽比、紧凑度、复数矩等具有良好不变性的特征;利用神经网络对多目标快速有效的识别.经过实践证明该方法识别准确,速度快,效率高.

基于卷积神经网络的复杂光照变化车牌图像识别

为解决车牌图像识别因复杂光照变化,导致车牌图像识别质量差的问题,提出基于卷积神经网络的复杂光照变化车牌图像识别方法。先采用复杂光照变化下车牌图像核心目标增强方法,对车牌图像核心目标进行有效聚类增强;再将复杂光照变化下核心目标增强后的车牌图像,作为基于深度可分离卷积网络的车牌图像识别方法的输入样本,导进卷积神经网络中,获取车牌图像特征图,然后将其变换为特征序列,通过双向循环神经网络,学习与预测车牌图像特征序列,实现对复杂光照变化下车牌图像的识别。实验结果表明,所提方法的识别精度高达0.99,比同类方法的识别精度高;在车牌图像数量逐渐增多时,该方法识别耗时仍低于2 s,识别效率显著。

复杂背景下回转体目标识别方法研究

提出了基于改进BP神经网络的复杂背景下的回转体目标识别方法,实现了对目标的准确提取。采用中值滤波滤除图像噪声,用改进最大类间方差阈值法进行图像分割。提取回转体目标7个不变矩特征作为神经网络输入的特征向量,建立了基于BP神经网络的目标识别系统,进行回转体目标识别,模拟实验结果说明,所提出的图像预处理方法可有效去除复杂背景图像噪声、准确地分割图像,选择7个不变矩特征作为回转体目标识别特征是合理的,基于BP神经网络的回转体目标识别方法具有较高的识别率。

基于遗传BP神经网络的油气识别

为了建立一种有效的油气储层识别模型,使得能够处理大信息量、复杂样本空间油气信息,本文提出遗传BP神经网络模型,利用遗传算法全局搜索问题解的特性对BP神经网络的权值和阈值进行快速优化,约束BP神经网络训练学习过程。研究表明,相对于传统BP模型,遗传BP模型具有效率高、收敛速度快、适应复杂样本空间和大样本空间训练学习等优点。

基于复杂性测度的柑橘病虫害识别

为进行柑橘病虫害的机器识别,提出了柑橘病虫害为害状特征的复杂性测度表达与病虫害识别方法。首先,对柑橘病虫害为害状主要色调区间[0,120°]进行长度为1°的等分割,形成120个色调子区间;其次,统计各色调子区间像素分布密度,以此作为柑橘病虫害为害状复杂性测度的结构性序列;再次,依据此结构性序列计算病虫害为害状统计复杂性测度,并将其作为病虫害特征值;最后,将Shannon信息熵和统计复杂性测度作为输入变量建立3层前馈神经网络柑橘病虫害识别模型来识别柑橘病虫害。柑橘蓟马、褐圆蚧、柑橘树脂病、糠片蚧各30个测试标本最低正确识别率、最高正确识别率、平均正确识别率分别为93.3%、96.7%、95%。试验结果表明,柑橘病虫害为害状的复杂性测度较充分地表达了柑橘病虫害的典型特征,能用此方法进行柑橘病虫害识别。

复数Hopfield神经网络在路牌识别中的应用

本文介绍了多态神经元模型和复数Hopfield神经网络,给出了网络权值确定的两种方法:复数Hebbian学习规则和内积法构造厄米矩阵。另外借助于二维离散傅立叶变换给出了灰度图相位变换和反变换的方法,实现了复数Hopfield神经网络对灰度图的存储。在此基础上借助于网络的联想记忆特性,将其应用于交通路牌的识别中。

基于PR的雷达抗复合干扰中神经网络特征提取

由于复合干扰环境存在多种干扰方式,传统的抗干扰方法不是十分有效.本文在研究雷达抗欺骗干扰信号处理模型的基础上,提出用Kohonen神经网络进行特征提取来实现雷达抗复合干扰的新方法,最后通过仿真验证了基于Kohonen神经网络特征提取方法的优越性.