1 西北工业大学 无人机特种技术国防科技重点实验室, 西安 710072
2 西北工业大学 航空学院, 西安 710072
采用层次聚类及基于改进遗传算法的无监督模式识别方法, 对2D-C/SiC复合材料常温拉伸试验过程的声发射数据进行分析, 结合试样断口的扫描电镜(SEM)照片, 得到拉伸过程中5类损伤模式及其典型声发射特征参数。通过对各类损伤的能量分布、累计事件数和累计能量的分析, 研究C/SiC复合材料的损伤演化过程, 发现其过程可分为基体微裂纹和界面失效为主的初始损伤阶段、基体微裂纹停滞导致层间剥离及纤维失效占主导地位的裂纹饱和阶段、基体长裂纹和界面失效为主的损伤积累发展阶段和纤维束大量失效的宏观断裂阶段。
C/SiC 声发射 改进遗传算法 无监督聚类 损伤 C/SiC acoustic emission improved genetic algorithm unsupervised clustering damage
相比于传统的雷达对抗系统, 认知雷达对抗引入了闭环行为学习过程, 使得干扰方可以通过对雷达信号进行状态辨识, 进而进行干扰效果评估, 经过自主学习优化干扰策略, 从而使得干扰更具有主动性和针对性。雷达状态识别是认知雷达对抗的基础, 而在对抗过程中, 目标雷达随时可能激活先前“隐藏”的“未知状态”, 这就要求干扰方能够快速对未知雷达状态做出响应。本文重点研究认知雷达对抗中的未知雷达状态识别, 利用机器学习理论相关算法, 提出了基于有监督分类与基于无监督聚类的 2种未知状态识别方法, 并通过仿真实验分别验证了 2种方法的有效性。
认知雷达对抗 未知雷达状态识别 有监督分类 无监督聚类 Cognitive Radar Countermeasure unknown radar state recognition supervisedclassification unsupervised clustering 太赫兹科学与电子信息学报
2018, 16(2): 233
1 海军航空工程学院 指挥系,山东 烟台 264001
2 海军航空工程学院 兵器科学与技术系,山东 烟台 264001
3 海军航空工程学院 控制工程系,山东 烟台 264001
存贮目标所有的视点图像，建立完备的特征库，或者提取能够抵抗视点变化的不变特征，是三维目标识别的常用方法。这两种方案都存在不足：要么特征库规模庞大，识别过程计算量大，识别效率低；要么难以找到鲁棒的识别特征。结合两种方案研究了基于聚类技术建立三维舰船模型特征库的方法。利用仿射传播聚类方法无需事先指定聚类中心的优点，将其应用于两型舰船模型的视点空间聚类。通过提取视点图像的Hu矩特征，进行了仿真实验，给出了聚类结果的有效性分析。
目标识别 视点空间 无监督聚类 仿射传播聚类 target recognition view points space unsupervised clustering affinity propagation clustering
针对关键帧提取方法中一般聚类算法的阈值只能预先指定的缺陷,提出一种基于无监督聚类的自适应阈值改进算法。对视频帧进行区域分割并提取纹理特征，然后根据视频内容的复杂度自适应获取阈值，通过无监督聚类得到视频关键帧。大量不同视频类型的关键帧提取实验表明：该算法简单，无需预定义任何阈值便能有效地提取合适数目的关键帧。
关键帧 纹理特征 自适应阈值 无监督聚类 key frame texture feature adaptive threshold unsupervised clustering
