基于小波矩和小波神经网络的自动目标识别研究

《基于小波矩和小波神经网络的自动目标识别研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、东南大学博士学位论文基于小波矩和小波神经网络的自动目标识别研究姓名：潘泓申请学位级别：博士专业：模式识别与智能系统指导教师：夏良正20040301i：：?{—墨雪夫笔ii!兰篁堡兰基于小没矩稆小渡婶经潮络的目动目标识剐埘f宄影变换的二二维多尺度小波变换矩快速算法。该快速算法通过投影变换将二维图像小波变换低频分量信患投影到一维空润中，降氮了多足发小波交捩怒的计算受杂发，露且爨诞了计箨禧度。5。提出了一种基于目标边界特征的小波神经网络识别方法。该方法利用小波神缀网络整台小波分毫蠢提取信号爨部奄凳特薤秽人工{

2、枣经网终鸯涟应学习分类懿优点，娃磊标逸器篾范纯曲率瀚数在特定足魔和位置处的连续小波变换模德为特征进行自渤目标分类。小波神经元尺度和位移参数的初值可以由目标边界曲率的时频分析确定，同时，网络能通过训练自适应地调整这些尺度和位移参数，使小波神经元能自动提取井选择区分备类目标形状羞努的最霞足度毽予鞠位移因子，鞭两霹谴在噪声较大斡演猿下，小渡毒串经禚媳蠢较妊斡分类麓力。对于多类鞠标识别的场台，本文设计了一种MNSO(MultiNetworkSingleOutput)型神经网络结构。与传统多目标分类网络相比．MN

3、SO模型灵活性更大，MNSO可以根据目标炎别数量鳇泼变，魂态她增减菁鞋训练神经予瓣，扶露自适巍逡调整霹络结梭。6．提出了一种基于图像边缘的任意阶矩的计算方法。该算法利用格林定理，将计算复杂度由o(_vz)降为D(．v)，采用曲线参数方程沿图像边缘进行曲线积分，得出了任意阶矩的统一闻式袋速式。逶遘封竣臻点坐耘迸行徽调，撮大遗掇麓了尼褥矩帮艇不交量嚣诗冀狡痰。7．提出了一种具有平移、尺度和旋转不变性的小波变换，为目标识别提供了可靠、健壮的不变性小波变换系数。关键词：自动目标识别，小波分析，小波不变矩，小波神

4、经网络·Il·AbstractAutomatictargetrecognition(ATR)isOneofthekeytechniquesofindustrialmachinevisionapplicationandweaponterminalguidancesystem，Beingavery．hardresearchwork，itcatchesgreatattentionofthemilitaryauthoritiesaroundtheworld，andgreateffortsandres001℃es

5、havebeeninvestedrecently．VariousATRs”tems，orientedincomplicatedtireumstunces，haveemergedinrecent40years。I-{owever，becauseofthecomplexityandspecialityofATRresearcll’mostcurrenttargetrecognitionmethods}basedontmditiOhalfeaturematchingtechniques，cannotprovi

6、desatisfactoryperformance．Waveletanalysis，whichisabletocapturebothspatialandfrequencylocalizationandprovideglobalapproximationinformationandlocaldetailinformationatdifferentscales。haabecomealleffectivetoolforsignalprocessingand妇ageunderstanding．Momentinv

7、ariants，withsimplemathematicalrepresentationandperfecttheoreticalffamework,arewell—suitedforinvarianttargetrecognitionduetotheirinvariancetogeneralaffinetransformsandinsensitivitytonoise．Latestresearchdemonstratesthatthevisiondiscriminationpoweroflow—lev

8、elmarrkrnalsexceedsanypracticalATRalgorithmsinrise，Therefore，theresearchofnovelATRtechnique，whichcombinestime-frequencylocalizationpropertiesofmultiresolutionwaveletanalysis，geometrictransformsinvarianceofmomentinvariantsw