结合多源特征与高斯过程模型的SAR图像目标识别

针对合成孔径雷达（Synthetic Aperture Radar，SAR）图像目标识别问题，提出结合多源特征和高斯过程模型的方法。分别利用主成分分析（Principal Component Analysis，PCA）、非负矩阵分解（Non-negative Matrix Factorization，NMF）以及单演信号提取SAR图像的特征矢量，并将它们串接为单一矢量。三类特征从不同角度描述SAR图像目标特性，从而为目标识别提供更为有效的信息。决策分类过程采用高斯过程模型进行多元分类，基于融合特征矢量获得概率意义上的最佳决策。实验中，采用MSTAR数据集设置3类目标、10类目标、型号差异以及俯仰角差异识别问题，结果验证了提出方法的优越性能。     

拖曳式雷达诱饵目标识别技术

针对拖曳式雷达诱饵易对雷达导引头造成欺骗性干扰的问题，利用雷达回波中提取的目标微动多普勒特征、极化特征和雷达截面积序列统计特征进行仿真分析，在实现载机和诱饵初步识别的基础上，采用贝叶斯（Bayes）数据融合方法，对上述3种回波信号特征进行一级融合，并进一步对不同时刻的信号特征进行二级融合，最终将目标识别率由71.5%提高到了96%。该目标识别方法能够大大减少外界因素的影响，相对于单特征识别显著提高了目标识别率。     

基于多分类器集成和特征融合的用户出境预测

准确地识别有出境意向的用户具有重要的意义,可为出境服务企业的精准营销实施、出境运营的高效管理和政策制定提供决策支持。针对此需求,提出了一种基于多分类器集成和特征融合的用户出境预测方法。首先利用用户的移动终端信息交互数据,挖掘用户的出境相关行为特征和静态特征作为样本特征;其次,通过最小冗余最大相关算法筛选最优特征,并利用贝叶斯优化算法寻找多个分类器最优超参数;最后,基于集成学习思想构建三层架构的用户出境预测模型,模型通过融合前两层分类器的输出特征生成新特征,并将其输入第三层分类器进行学习和预测。实验表明,所提方法的F1值和AUC(Area under the Curve)值分别达到了97.16%和97.21%,对于用户出境具有较高的预测精度。     

基于特征融合与规则推理的目标识别

为了在干扰电磁环境下提高辐射源和平台目标识别的可靠性,建立了特征级和决策级 的分级融合识别框架,通过特征相关和匹配置信度融合进行辐射源识别,提出了基于粗糙集 规则推理目标识别决策方法。仿真结果表明该方法能增强目标识别的容错性。     

利用曲波变换和局部线性嵌入算法的SAR图像海面油膜特征提取

溢油事故带来的海洋污染问题日益严重,SAR图像快速准确地自动识别为溢油事故的处理和决策支持提供了重要前提。为了获得更高的油膜识别准确率,提出了一种基于曲波变换（Curvelet）和局部线性嵌入（Local Linear Embedding,LLE）算法的SAR图像特征提取方法。首先,利用Curvelet对图像进行分解,选取包含了主要信息的低频分量作为新的图像矩阵;然后,利用LLE进行非线性降维,提取图像分类特征。为了验证提取特征的有效性,所提的Curvelet-LLE算法与PCA、LLE、等距特征映射（Isomap）、Curvelet变换和 Fisher 判别分析(Curvelet-KFD)、Wavelet-LLE等特征提取算法,利用K最近邻和支持向量机分类器分别进行了对比实验。实验结果表明,Curvelet-LLE算法能更有效地提取SAR图像油膜识别的分类鉴别特征,其准确率相对较高,具有较好的实用性。     

基于二维非参数特征分析的SAR图像目标识别

在分析传统Fisher线性鉴别分析局限性的基础上,由图像的行信息和列信息提出了两 种形式的二维非参数特征分析 (2DNFA)的特征提取方法,并应用于SAR图像目标的识别。直 接在SAR图像矩阵上使用非参数特征分析提取特征不仅能充分发挥非参数特征分析的性能而 且保留了图像矩阵的结构信息,大大降低了散度矩阵的维数,减小了运算量。使用美国MSTA R计划录取的数据对算法进行了仿真验证,实验结果显示两种形式的二维非参数特征分析在 较低特征维数下的识别率均可以达到98%以上,表明所提方法的有效性和正确性。     

利用信号围线积分双谱分形特征实现电台识别

信号的双谱能反映信号的细微特征,可用于电台识别中,但将它直接应用于电台识别需要计算复杂的匹配模板,增加分类器的复杂度,影响识别效率。针对此问题,提出了一种将信号围线积分双谱的分形特征作为电台特征参数的识别方法。首先由信号双谱估计值求出围线积分双谱,然后利用盒维数和信息维数定量描述围线积分双谱波形的复杂度,并将这两种分形维数作为特征向量,最后利用支持向量机(SVM)实现电台分类识别。对两部实际电台所发射的2FSK信号利用所提方法进行分析,结果表明在信噪比为7 dB及以上时,电台正确识别率能达到94.29%以上,验证了所提方法的可行性。     

基于多特征参量模糊数据融合的辐射源识别

针对多特征的辐射源识别,采用对辐射源信号特征参数的模糊化表征,建立了多特征、多目标的模糊评价矩阵以及模糊属性综合评判函数,提出了多属性判决函数的融合判决方法进行二次评判的综合识别,从而提高目标识别的准确率和可靠性。仿真结果证实了本文提出方法的有效性。     

基于CVD和Radon变换的旋翼无人机识别

在无人机的检测与识别过程中特征提取尤为重要。针对在低信噪比下由于提取特征困难且鲁棒性较差导致的识别效果不理想的问题，提出了一种基于改进的CVD（Cadence-Velocity Diagram）和Radon变换的特征提取方法应用于识别旋翼无人机。该方法通过提取目标的频率信息、峰值信息和边缘信息作为特征，运用K近邻分类器进行分类识别。仿真结果显示，在信噪比为-15 dB的条件下能够达到96.67%的识别精度。所提方法在低信噪比下识别效果明显优于SVM和朴素贝叶斯等算法。     

一种SAR与可见光图像压缩感知融合增强方法

针对机载多传感器成像战场态势感知的问题，提出了一种合成孔径雷达(Synthetic Aperture Radar，SAR)与可见光图像压缩感知融合增强方法。该方法首先对SAR与可见光图像分别进行压缩感知测量，得到压缩测量值，然后通过基于局部权值的融合方法实现对压缩测量值的融合，再利用有序度最优分割法提取SAR图像的强散射目标，最后对融合测量值重建得到初步融合图像，初步融合图像通过目标对比度增强得到最终融合图像。对多组图像进行了仿真分析，视觉及数值结果表明该方法能显著增强融合图像的目标对比度，提升了图像纹理清晰度，较大程度降低了图像融合过程中的数据计算量。     

改进的YOLO模型及其在舰船目标识别中的应用

针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进YOLO（You Only Look Once）模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,模型训练过程中引入迁移学习的概念防止模型过拟合并加速模型参数的训练。在自建舰船目标图像测试集上的实验分析结果表明,该方法能够正确识别出航母、除航母外的其余军舰及民船三类舰船目标,识别精度达到93.7%且识别效率较高,验证了所提舰船目标识别方法的有效性。     

PolSAR成像的固定极化干扰机有源诱饵目标鉴别及抑制

针对合成孔径雷达(Synthetic Aperture Radar,SAR)成像中真假目标难以区分的问题,提出了一种极化合成孔径雷达(Polarmetric SAR,PolSAR)成像固定极化转发式干扰诱饵目标鉴别方法。该方法首先通过极化熵对目标进行分类,提取低极化熵的目标并对目标进行Wigner-Ville分布(Wigner-Ville Distribution,WVD)变换,再利用Hough变换计算WVD图像中的曲线斜率,将计算出的多普勒调频率与理论调频率进行对比,进而完成真实目标与假目标的鉴别,最终通过极化对消对鉴别出的目标进行抑制。实验结果验证了该方法的有效性。     

基于回归神经网络的雷达辐射源识别算法

本文在研究带偏差单元内部回归神经网络（Internally Recurrent Net，IRN）算法的基础上，分析了雷达特征参数和雷达威胁类型的内在联系；利用统计分析和特征建模的方法获取先验知识、设计分类器并求取模糊隶属函数，结合IRN自学习特性和模糊隶属函数的分类功能识别出目标雷达辐射源可能的威胁类型，给出识别可信度。     

基于非参量累积和的合作频谱感知

针对认知无线电网络中频谱感知的检测时延降低问题，提出了基于非参量累积和的合作频谱感知算法。本地认知用户预处理频谱观测数据，获得观测数据相对于信念值的正向漂移和负向漂移。为了缩短检测延迟，认知用户只将数据的正向漂移同步传输至融合中心。融合中心融合正向漂移得到判决信息，采用非参量累积和算法依时间序列顺序累加判决信息，判断主用户是否正在使用授权频段。为了解决不传输负向漂移引起的虚警问题，改进算法提出融合中心可以保留首次判决，经过等待时间间隔后再作出最终判决。相对于传统的软融合算法，改进融合规则的合作频谱感知算法具有较低的检测延迟。     

Interval-Valued Intuitionistic Fuzzy WASPAS Method: Application in Reservoir Flood Control Management Policy

Interval-valued intuitionistic fuzzy sets (IVIFSs) are very flexible tool to cope with the uncertainty arises in multi-criteria decision making (MCDM) problems. In recent times, MCDM problems with interval-valued intuitionistic fuzzy information have achieved more attention from researchers in different areas and consequently, several MCDM methods have been extended for IVIFSs. In this paper, a novel approach based on WASPAS method is developed under IVIFSs. The developed method is based on the operators of IVIFSs, some amendments in the classical WASPAS method and a new process for calculation of criteria and decision experts’ weights. In process for calculating weights, new procedures is propoesd to compute the decision experts’ weights and criteria weights based on interval-valued intuitionistic fuzzy information measures (entropy, divergence and similarity measures) to achieve more realistic weights. Innovative information measures are developed based on the exponential function for IVIFSs to determine the weights of the criteria and decision experts. Since the uncertainty is an unavoidable feature of MCDM problems, the developed method can be a constructive tool for decision-making in an uncertain environment. Further, an uncertain decision making problem of reservoir flood control management policy is implemented with interval-valued intuitionistic fuzzy information, which reveals the effectiveness and reliability of the proposed IVIF-WASPAS method. To validate the result, comparative analysis with existing methods and sensitivity analysis are presented under interval-valued intuitionistic fuzzy environment.     

一种鲁棒的SAR图像匹配方法

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像匹配中虚假匹配和鲁棒性欠缺的问题,提出了一种鲁棒的SAR图像匹配方法。首先通过正射校正来进行预处理,从而消除SAR图像的旋转;然后利用相关匹配方法初步提取同名点;最后根据同名点的空间位置来筛选同名点并计算仿射矩阵进行匹配,提高了SAR图像匹配的精度和鲁棒性。实验证明了所提方法的有效性。