导读:本文包含了目标分类与识别论文开题报告文献综述及选题提纲参考文献，主要关键词:合成孔径雷达,目标识别,线性,非线性
目标分类与识别论文文献综述
刘树吉[1]（2019）在《结合线性与非线性特征提取与分类的SAR图像目标识别》一文中研究指出针对合成孔径雷达(SAR)目标识别问题,提出一种结合线性,非线性特征提取和分类器的方法。采用PCA和KPCA分别提取原始SAR图像的特征矢量。在此基础上,分别利用稀疏表示(SRC)和核稀疏表示(KSRC)对两类特征进行分类。通过线性,非线性特征,分类器的结合,可以更好地考察SAR图像的内部数据结构以及测试样本与训练样本的对应关系。实验中,基于MSTAR数据集进行性能测试,结果表明提出方法的有效性。(本文来源于《电子设计工程》期刊2019年21期）
顾广飞,张文,陈雯,马丽娜[2]（2019）在《水下非合作目标分类识别研究》一文中研究指出0引言声纳可以探测水下目标,但是探测的目标是潜艇、轮船,还是其它具体目标,就需要对水下目标进行分类识别。水下目标分类识别是确保海上安全的关键技术,也是当代海军作战中的重要环节。水下目标分为合作目标和非合作目标,其中合作目标是指其发射的信号已知。而非合作目标发射的信号未知,对应于被动目标探测分析。本文研究非合作目标分类识别。Gammatone滤波器组[1-3]和梅尔倒谱系数(MFCC)是参照人耳听觉模型进行特征提取的方法。它们利用一组低频到高频的频带内具有临界带宽大小由密到疏的带通滤波器组来仿照人耳的基(本文来源于《2019年全国声学大会论文集》期刊2019-09-21）
张克,牛鹏涛[3]（2019）在《稀疏表示分类在SAR图像目标识别中的应用分析》一文中研究指出文中研究了稀疏表示分类在合成孔径雷达(SAR)目标识别中的应用。稀疏表示分类是基于压缩感知理论的一种新的分类算法,近年来在人脸识别、遥感图像分类等领域得到广泛应用。文中对稀疏表示分类在SAR目标识别中的应用进行分析研究,介绍了稀疏表示的基本原理以及几种典型的稀疏系数求解算法。采用稀疏表示分类器对MSTAR数据集进行了目标识别实验,验证在SAR目标识别上的性能。(本文来源于《信息技术》期刊2019年09期）
张晓,王莉莉[4]（2019）在《基于多分类器融合的卫星图像舰船目标识别》一文中研究指出针对遥感图像中舰艇目标识别性能低的问题,提出了加权投票分类器融合方法。首先分析了舰艇的颜色特征与轮廓特征,然后利用SVM、BP神经网络和AdaBoost算法训练叁种单分类器,最后采用加权投票方式对单分类器进行融合。采用融合分类器进行舰艇目标识别实验分析,实验结果表明:在google卫星图像舰艇目标识别中,所提方法能够有效提升舰艇目标识别准确率,F-measure可以达到73.54%,相较于SVM提升了2.72%,相较于AdaBoost提升了3.53%,相较于BP神经网络提升了4.28%。(本文来源于《通信技术》期刊2019年09期）
王璞,王建卫[5]（2019）在《基于目标分类识别的跟踪方法研究》一文中研究指出针对空中未知目标的精确跟踪问题,采用基于目标分类识别的方法,针对不同类型的目标选用不同运动模型,以提高对未知目标的跟踪精度。针对3种空中目标:战斗机、民航机和直升机,首先为3种目标设计准确的运动模型;用贝叶斯推理基于目标状态及信号对目标进行分类识别,根据分类识别结果,选择匹配的运动模型进行跟踪。仿真结果表明,相较于标准交互多模型IMM算法,所提方法能够使目标跟踪的误差减小10%左右。说明,利用目标的分类识别的结果,对目标运动状态的精确建模,能够有效提高未知目标的跟踪精度。(本文来源于《电子测量技术》期刊2019年17期）
杨开,李少毅,张凯,钮赛赛[6]（2019）在《基于朴素贝叶斯分类器的空中红外目标抗干扰识别方法研究》一文中研究指出红外诱饵对抗技术的发展使得空战环境日益复杂化,对红外成像制导空空导弹抗干扰目标识别技术提出了更高的要求。红外诱饵的投放使得目标特征的完整性、显着性及稳定性遭到破坏,基于特征融合匹配的统计模式识别方法无法准确识别目标。提出了一种基于朴素贝叶斯分类器的抗干扰目标识别方法,该方法对空战对抗仿真图像数据集进行了特征挖掘,利用实验拟合方法构建了典型特征的概率密度函数模型,构造了朴素贝叶斯分类器,实现了飞机目标和干扰的分类识别。仿真实验结果表明,该方法在已测试的弹道图像数据集下的平均识别正确率达到了81.82%,且能够解决假目标、目标遮挡等抗干扰目标的识别难题。(本文来源于《飞控与探测》期刊2019年04期）
曾赛,杜选民[7]（2019）在《水下目标多模态深度学习分类识别研究》一文中研究指出水下目标的分类识别对于水声探测具有重要意义。该文提出一种水下目标多模态深度学习分类识别方法。针对水声信号的一维时域模态和二维频域模态特征建立一种多模态特征融合的深度学习结构,结合长短时记忆网络和卷积神经网络的优点,对一维时域信号和二维频谱信号分别进行并行处理,对输出进行典型相关分析,形成特征融合表示,并利用相邻帧的相关性进行参数优化。利用实测水声信号对算法进行了验证。结果表明:提出的算法对于水下目标识别的精度有显着的提高。(本文来源于《应用声学》期刊2019年04期）
姬晓飞,石宇辰[8]（2019）在《多分类器融合的光学遥感图像目标识别算法》一文中研究指出光学遥感图像的多目标检测与识别一直是图像处理与分析的热点研究问题。基于单一特征单一分类器的多目标光学遥感图像分类识别算法存在识别准确率不高的问题。对此,充分利用特征与识别方法之间的适应性,提出了一种多特征多分类器融合的光学遥感图像多目标识别算法。首先对光学遥感图像的分类目标提取2种具有平移、缩放不变性的特征表示:Hog特征和Zernike特征;其次分别用3种适应性较好的分类器(BP神经网络、支持向量机(SVM)、随机森林(RF))进行分类;最后在决策级分别融合两种特征、叁种分类器的概率输出,给出最终的分类结果。实验结果表明,该算法较大程度地提高了光学遥感图像多目标识别的准确性,对飞机、舰船、油罐、汽车四类多目标的识别取得了95.37%的正确识别率。(本文来源于《计算机技术与发展》期刊2019年11期）
刁少华[9]（2019）在《基于3D视觉重建识别与分析的输送线包裹目标智能分类系统设计》一文中研究指出以一种基于3D视觉重建识别技术作为主要切入点,结合多种物联网传感器技术的优特点,解决某物流仓储传输线上的包裹无人快速智能化分类。通过对物流输送线上的目标包裹图像进行智能识别、自动分离分类作业的操作控制,为后续的储运规划配置环节自动生成优化方案,是一种应用于工业智能控制系统向一体化演变的新探索。(本文来源于《机电工程技术》期刊2019年05期）
王容川,庄志洪,王宏波,陆锦辉[10]（2019）在《基于卷积神经网络的雷达目标HRRP分类识别方法》一文中研究指出卷积神经网络通过卷积和池化操作提取图像在各个层次上的特征进而对目标进行有效识别,是深度学习网络中应用最广泛的一种。文中围绕一维距离像雷达导引头自动目标识别,开展基于卷积神经网络的目标高分辨距离像分类识别方法研究。首先,基于空中目标一维距离像姿态敏感性仿真生成近似平行交会条件下不同类型目标的高分辨距离像数据集;其次,构建一种一维卷积神经网络结构对目标高分辨距离像进行分类识别;作为比较,针对同类高分辨距离像数据集,分析了主成分分析-支持向量机方法的目标分类识别效果。结果表明:基于卷积神经网络的目标分类识别算法有更好的识别能力,对高分辨距离像的姿态敏感性具有较强的适应性。(本文来源于《现代雷达》期刊2019年05期）
目标分类与识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
0引言声纳可以探测水下目标,但是探测的目标是潜艇、轮船,还是其它具体目标,就需要对水下目标进行分类识别。水下目标分类识别是确保海上安全的关键技术,也是当代海军作战中的重要环节。水下目标分为合作目标和非合作目标,其中合作目标是指其发射的信号已知。而非合作目标发射的信号未知,对应于被动目标探测分析。本文研究非合作目标分类识别。Gammatone滤波器组[1-3]和梅尔倒谱系数(MFCC)是参照人耳听觉模型进行特征提取的方法。它们利用一组低频到高频的频带内具有临界带宽大小由密到疏的带通滤波器组来仿照人耳的基
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
目标分类与识别论文参考文献
[1].刘树吉.结合线性与非线性特征提取与分类的SAR图像目标识别[J].电子设计工程.2019
[2].顾广飞,张文,陈雯,马丽娜.水下非合作目标分类识别研究[C].2019年全国声学大会论文集.2019
[3].张克,牛鹏涛.稀疏表示分类在SAR图像目标识别中的应用分析[J].信息技术.2019
[4].张晓,王莉莉.基于多分类器融合的卫星图像舰船目标识别[J].通信技术.2019
[5].王璞,王建卫.基于目标分类识别的跟踪方法研究[J].电子测量技术.2019
[6].杨开,李少毅,张凯,钮赛赛.基于朴素贝叶斯分类器的空中红外目标抗干扰识别方法研究[J].飞控与探测.2019
[7].曾赛,杜选民.水下目标多模态深度学习分类识别研究[J].应用声学.2019
[8].姬晓飞,石宇辰.多分类器融合的光学遥感图像目标识别算法[J].计算机技术与发展.2019
[9].刁少华.基于3D视觉重建识别与分析的输送线包裹目标智能分类系统设计[J].机电工程技术.2019
[10].王容川,庄志洪,王宏波,陆锦辉.基于卷积神经网络的雷达目标HRRP分类识别方法[J].现代雷达.2019