1 北京师范大学 人工智能学院, 北京 100875
2 济南大学 信息科学与技术学院, 山东 济南 250002
为了解决脉冲星识别研究局限在常规分类算法的视野中而缺乏针对性的问题, 文章针对脉冲星数据集的特点, 挖掘其内在特征与其他研究领域的关联性, 发现了脉冲星数据与长尾分布之间存在的联系, 探求脉冲星数据与长尾分布的特征一致性, 首次将脉冲星数据分布看作长尾分布的一种特例。并从长尾视觉识别视角中的优化训练策略角度出发, 提出了一种基于解耦训练策略的脉冲星识别算法。算法采用解耦训练策略, 在操作上简捷高效, 具备更强的可移植性。经过数据集的验证, 算法能有效改善决策边界, 在HTRU_bands和HTRU_ints数据集的召回率相较于对比方法分别提升了11.8%和13%, 是一种性价比较高的有效识别算法。
脉冲星识别算法 长尾分布 解耦训练 pulsar recognition algorithm long-tail distribution decoupling training
长沙理工大学电气与信息工程学院, 长沙 410000
针对传统导航方式精度低、误差大等问题, 结合视觉导航设计了一种基于ArUco码的着陆标识。对机载相机采集的实时影像进行图像处理, 利用世界坐标系与像素坐标系的映射关系建立无人机位姿估计模型, 以特征点坐标解算得到当前无人机与着陆标识物之间的相对姿态估计值, 设计并融合误差模型进一步提高定位精确性。通过无人机室外实际应用实验证明, 设计的降落标志及新型识别算法大大提高了无人机自主降落的精准性, 能更好地满足在**无人机等高精度降落要求场合的应用。
无人机 视觉导航 识别算法 自主降落 UAV visual navigation recognition algorithm autonomous landing
为解决光纤传感过程中不同类型事件信号混叠造成识别概率降低的问题，搭建了一种采用差分相关计算的双光纤传感结构，并在此基础上提出了基于深度神经网络的信号识别算法。首先利用双光纤回波信号计算相关系数，再通过不同事件类型信号特征设置阈值范围，从而通过相关计算与阈值滤波提高信噪比。设计了包含三个隐藏层的深度神经网络模型，以分离输入层与相关运算层的形式完成低频噪声抑制与信号混叠解调的目的。实验分别对三种常见入侵事件进行测试，并在此基础上分析了不同算法对组合事件的识别概率。结果显示三种事件的回波谱形具有显著特征。三种算法对单一触发事件的识别概率均在95%以上，该算法的识别均值为98.5%。当两个事件同时触发时，三种算法的平均识别概率分别为73.4%、 84.5%和96.4%。当三个事件同时触发时，三种算法的平均识别概率分别为65.2%、78.3%和93.5%。可见，该算法在光纤传感中信号存在干扰及混叠时具有更好的识别效果。
光纤传感 识别算法 深度神经网络 相关系数 optical fiber sensing recognition algorithm deep neural network correlation coefficient 红外与激光工程
2022, 51(9): 20210971
1 海军工程大学, 武汉 430000
2 中国人民解放军91715部队, 广州 510000
3 陆军勤务学院, 重庆 401000
为解决低信噪比条件下传统雷达辐射源识别准确性低、时效性差、稳健性不强的问题, 提出了一种基于随机森林的雷达辐射源型号识别算法。算法以载频、脉宽、脉冲重复周期为识别特征向量, 首先从先验样本集中随机抽取得到多个训练集, 然后使用训练集构建多个决策树分类器, 最后通过多个决策树分类器对新识别特征向量进行识别并投票得到最终识别结果。仿真实验表明, 该算法在低信噪比条件下依然具有较好的稳健性与时效性, 能够有效解决战场雷达辐射源识别的问题。
雷达辐射源 识别算法 随机森林 radar emitter identification algorithm random forest
1 华北电力大学 电子与通信工程系，河北 保定 071003
2 华北电力大学 河北省电力物联网技术重点实验室，河北 保定 071003
3 华北电力大学 保定市光纤传感与光通信技术重点实验室，河北 保定 071003
振动信号的分析与识别是影响光纤周界系统性能的关键技术。综述了近几年光纤振动信号识别的典型算法，包括经验模态分解识别算法、神经网络识别算法、支持向量机识别算法、极速学习机识别算法和随机配置网络识别算法。比较分析了这些算法存在的的优缺点，展望了光纤振动信号识别算法的发展趋势。
振动信号 光纤周界系统 综述 识别算法 发展趋势 vibration signal fiber perimeter system summary recognition algorithm development trend
1 湖北师范大学, 湖北 黄石 435002
2 武汉大学电子信息学院, 武汉 430072
在移动空间光通信中, 激光光斑中心的快速捕获至关重要, 传统灰度重心算法很难满足高速移动空间光通信的捕获要求。针对传统灰度重心算法提出了一种优化方案, 在计算光斑中心前加入了滤波去噪、自适应二值化阈值处理, 可有效提高系统抗干扰特性; 经过粗识别光斑中心位置, 选框重心计算, 提高了检测光斑中心的速度和精确度。实验证明: 所提改进算法与传统灰度重心算法在测量精度和运算速度上进行对比, 改进算法的运算速度比传统灰度重心算法提高了一个数量级, 同时抗干扰能力更强。
光通信 激光光斑中心 灰度重心算法 粗识别算法 选框计算 optical communication laser spot center grayscale gravity center algorithm rough identification algorithm box computing
1 无锡职业技术学院, 江苏无锡 214121
2 无锡科技职业学院, 江苏无锡 214028
3 江南大学物联网工程学院, 江苏无锡 214122
针对三波段红外火焰探测器中可能出现的单一非火焰波段通道的数据丢失、失真、饱和 3种对火焰特征数据的强干扰情况, 本文提出了一种改进型 T-S（Takagi-Sugeno, 高木-关野）模型 RBF（Radial Basis Function, 径向基函数）神经网络的火焰识别的鲁棒性融合算法。该算法通过聚类算法确定模型需要的模糊规则数, 在模糊后件多项式中加入特征分量隶属度生成节点输出, 同时定义了加权模糊节点激活度和特征表征系数代替了原先模型的马氏距离（模糊规则适用度）。通过设计三波段火焰探测器并进行了常规及鲁棒性实验, 实验数据证实, 改进型模型在隐含层所需节点数、收敛速度、精度、泛化能力、鲁棒性上较传统 T-S模型的 RBF神经网络模型、GA（Genetic Algorithm, 遗传算法）-BP（Back Propagation, 反向传播）模型都有明显的提升。
红外火焰探测器 改进型 T-S RBF神经网络 识别算法 infrared flame detector, improved T-S, RBF neural
武汉理工大学安全与应急管理学院，湖北武汉 430070
非金属材料粘贴结构的脱粘现象可影响其性能，使用红外无损检测技术可对粘贴缺陷进行有效的识别。首先研究了基于红外无损检测技术的粘贴缺陷边界特征，确定了使用温度梯度极值判断粘贴缺陷边界位置的定量分析方法；结合该特征，采用了 Canny边缘检测算法对数值模拟的粘贴缺陷模型进行缺陷边界识别。同时使用该算法对实验数据进行识别，针对识别结果出现的边界模糊、噪点多等问题，提出了筛选出所有“疑似边界”以保留“弱边界”的改进算法。结果表明，改进后的 Canny算法能够提高红外无损检测粘贴缺陷的完整性和准确性。
红外无损检测 粘贴缺陷 识别算法 缺陷定量 infrared nondestructive testing, adhesive defects,
为了提高星图识别算法的抗噪性能, 提出一种基于逆向传播(Back Propagation, BP)网络的识别算法。该算法通过将星图转换成“0”、“1”和“2”的网格矩阵, 提取行列数值和星数形成匹配向量, 利用多个BP识别子网进行训练完成匹配识别。通过仿真试验得出以下结论: 对星等位置和星等添加噪声, 当位置噪声标准偏差为2像素时, BP网络算法的识别率和识别时间相对传统栅格算法分别提高2%和60ms, 对噪声有较强抗干扰能力, 表明BP网络算法具有更快的识别速度。
星图识别算法 栅格算法 BP网络 网格矩阵 识别子网 star identification algorithm gird algorithm BP neural network grid matrix identification subnet
1 无锡职业技术学院，江苏 无锡 214122
2 江南大学物联网工程学院，江苏 无锡 214122
基于2.2 μm、3.9 μm、4.26 μm 和4.8 μm 四个探测波段的红外探测器对火焰特征信息进行提取分析，提出一种应用于四波段红外火焰探测器的具体识别算法实现的方案。通过分析和比较这4 个波段光谱特性的数学关系，借助阈值法、数学相关分析法和信号平均功率法的融合来实现对四波段红外火焰的识别。试验结果表明识别算法可行且可靠，有效提高了红外火焰探测器的精准度和适应环境的能力，实现了对火灾高可靠和远距离探测的目的。
四波段红外 火焰探测器 光谱特性 识别算法 four-band infrared flame detector spectral characteristics recognition algorithm
