智能傳感器偵察網(wǎng)絡(luò)中的地面目標(biāo)識(shí)別算法研究.pdf

1、本文結(jié)合中科院知識(shí)創(chuàng)新工程重大項(xiàng)目,針對(duì)智能傳感器偵察網(wǎng)絡(luò)中的地面目標(biāo)識(shí)別問題展開研究工作。研究對(duì)象主要是利用被動(dòng)式聲(陣列)傳感器實(shí)現(xiàn)戰(zhàn)場(chǎng)環(huán)境下的地面目標(biāo)識(shí)別。圍繞信號(hào)的特征提取與選擇、分類器設(shè)計(jì)、多目標(biāo)識(shí)別這三個(gè)內(nèi)容進(jìn)行了深入研究,主要研究?jī)?nèi)容和成果如下:
　　對(duì)地面目標(biāo)聲信號(hào)識(shí)別中的特征提取和選擇算法進(jìn)行了全面、深入、系統(tǒng)的討論。首先從地面目標(biāo)聲信號(hào)的物理產(chǎn)生機(jī)理入手,結(jié)合實(shí)測(cè)信號(hào)的時(shí)頻分析,定性分析了地面目標(biāo)聲信號(hào)的分類特

2、征;接著對(duì)目前應(yīng)用于地面目標(biāo)聲信號(hào)識(shí)別中的特征提取算法進(jìn)行了歸納和總結(jié);重點(diǎn)研究了基于小波包分析的特征提取方法。在基于小波包能量特征提取算法的基礎(chǔ)上,討論了其分解層數(shù)、分解形式對(duì)特征維數(shù)和特征分類性能的影響,并基于類別可分離性判據(jù)對(duì)小波包分析中的相關(guān)參數(shù)進(jìn)行了優(yōu)化,得到了一種以信號(hào)各子帶能量分布為特征的最優(yōu)特征提取方法。提出了一種新的基于計(jì)算智能方法的地面目標(biāo)聲信號(hào)識(shí)別算法。針對(duì)地面目標(biāo)聲信號(hào)不確定性對(duì)系統(tǒng)識(shí)別性能的影響,首次將智能計(jì)算

3、方法引入到地面聲目標(biāo)識(shí)別的研究中。將地面目標(biāo)聲信號(hào)的產(chǎn)生視為一個(gè)動(dòng)態(tài)過程,利用其信號(hào)特征在一定時(shí)間內(nèi)的變化范圍作為分類特征;然后基于粗神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)分類器,使得分類器的輸入不僅可以是單值數(shù)據(jù),而且可以是一個(gè)輸入范圍,具備了處理定性或混合性輸入信息的能力。
　　通過相關(guān)實(shí)驗(yàn)結(jié)果證明,比較于現(xiàn)有的分類算法,基于智能計(jì)算方法的分類器明顯的提高了系統(tǒng)的正確識(shí)別率和穩(wěn)定性。首次將單類分類算法引入到地面目標(biāo)聲信號(hào)識(shí)別的研究中,并提出了兩種新的單

4、類分類算法,以解決現(xiàn)有識(shí)別算法存在的系統(tǒng)誤識(shí)別率高、學(xué)習(xí)樣本數(shù)目不均衡情況下性能惡化的難題。首先對(duì)基于支持向量描述的單類分類算法進(jìn)行推廣,針對(duì)該方法難以有效處理大樣本數(shù)據(jù)的問題,提出了一種新的二步訓(xùn)練方法,使其能夠應(yīng)用于大樣本學(xué)習(xí)的情況,更能滿足實(shí)用系統(tǒng)要求;然后,基于仿生模式識(shí)別思想,提出了一種新的基于主曲線分析的單類分類算法,實(shí)驗(yàn)結(jié)果表明,該算法在低訓(xùn)練樣本數(shù)量的情況下能夠獲得比現(xiàn)有單類分類算法更好的識(shí)別效果最后，總結(jié)了以上單類分類

5、算法，并給出了地面目標(biāo)聲信號(hào)識(shí)別問題中單類分類器設(shè)計(jì)的原則和結(jié)論。
　　首次對(duì)于多目標(biāo)混雜場(chǎng)景下的目標(biāo)識(shí)別問題進(jìn)行了系統(tǒng)、深入的研究，并根據(jù)地面目標(biāo)聲信號(hào)的混疊特點(diǎn)，提出了一種新的結(jié)合盲源分離理論和缺失特征理論的多目標(biāo)識(shí)別算法。首先將現(xiàn)有的盲源分離算法理論引入到混雜場(chǎng)景下的多目標(biāo)識(shí)別問題中，在現(xiàn)有理論框架下總結(jié)并提出了兩種多目標(biāo)識(shí)別算法基于獨(dú)立主量分析的多目標(biāo)識(shí)別算法、基于二階盲解相關(guān)的多目標(biāo)識(shí)別算法在此基礎(chǔ)上，提出了一種新的結(jié)合