基于自更新置信分类网络的雷达点迹识别算法

多雷达协同组网进行目标探测识别时,受复杂战场环境影响,获取的数据富含大量杂波和不确定信息,传统雷达点迹识别算法在处理此类数据时具有一定局限。为了解决上述问题,提出一种基于自更新置信分类网络的雷达点迹识别算法(radar plots recognition algorithm based on self-updating confidence classification network,RPR-SCCN)。首先,构建置信分类网络,获取各轮迭代下雷达点迹隶属目标、杂波和不确定的初始置信度。然后,基于点迹的空间分布特性构造决策证据并进行修正融合,融合结果进行点迹类别更新,更新点迹则再次驱动置信分类网络训练学习。优化后的置信分类网络继续进行下一轮次的点迹置信更新、决策证据构建以及类别标签更新等,此过程一直循环迭代,直至前后两轮次的雷达点迹类别标签不再变化时停止。实测雷达点迹的实验验证结果显示,点云分形网络(point fractal network,PF-Net)、基于全连接神经网络的雷达点迹分类算法(radar plot classification based on fully connected neural network,RPC-FNN)、粒子群优化概率神经神经网络(particle swarm optimization probabilistic neural network,PSO-PNN)和基于卷积神经网络的雷达点迹分类算法(radar plot classification based on convolutional neural networks,RPC-CNN)典型雷达点迹智能识别算法的识别正确率为82%~90%,所提算法则可以达到93%,提升3%~10%。此外,所提算法对训练样本数目依赖较小,便于推广应用。

高比电容MOF衍生的介孔球状Co_(3)O_(4)/NiO/CuO

通过溶剂热合成了CoNiCu-MOF金属有机框架化合物,并通过后续的煅烧制备了Co_(3)O_(4)/NiO/CuO电极材料。对材料的形貌和比表面积进行表征,并测量了材料在不同扫描速率下的循环伏安曲线和不同电流密度下的恒流充放电曲线以及循环稳定性。将所得材料作为正极,活性炭作为负极组装了超级电容器器件,测量了器件的电化学性能。结果表明:Co_(3)O_(4)/NiO/CuO材料具有多孔结构和较大的可用比表面积(50.24 m2·g^(-1))。当电流密度为1 A·g^(-1)时,Co_(3)O_(4)/NiO/CuO的比电容高达3682.2 F·g^(-1)。所组装的Co_(3)O_(4)/NiO/CuO//AC非对称超级电容器的能量密度在1.45 V的电势窗口内达到186.8 Wh·kg^(-1),功率密度高达7249.8 W·kg^(-1)。Co_(3)O_(4)/NiO/CuO是一种性能优良的超级电容器电极材料,具有广阔的应用前景。

一种基于置信函数的分类器自优化雷达点迹识别算法

雷达组网协同探测中,受不同探测精度、观测维度及环境噪声影响,信息系统获取的传感数据包含一定不精确、不确定信息,导致无法对目标点迹准确分类识别。为此提出了一种基于置信函数的分类器自优化雷达点迹识别算法。首先,基于置信函数理论创建目标、杂波、不确定数据的证据识别框架,并设计可实时给定目标数据类别隶属度的深度神经网络模型分类器。然后,依托当前迭代轮次分类结果进行辅助决策证据构建,并根据点迹分布特性进行证据修正融合。最后,基于全局融合结果进行点迹类别标签更新,并重新驱动网络模型分类器进行在线学习与更新,如此迭代循环直至所有的雷达点迹数据类别标签不再发生改变。基于雷达实测数据集对算法性能进行验证分析,结果表明与传统算法相比新算法能够有效提升雷达点迹的分类正确率,而且随着样本数据的丰富算法收敛时间可急速减少,便于在后续工程中推广应用。