基于级联SSA-SOFM神经网络的信号分选方法

针对应用传统SOFM神经网络进行辐射源信号分选的不足，提出了一种结构自调整算法以解决必须事先确定SOFM网络规模的问题，进而提出了一种基于级联结构自调整SOFM（SSA—SOFM）神经网络模型的信号分选方法，采用实际数据进行了实验仿真，结果表明了该方法的有效性．     

基于SOFM网络的雷达装备智能故障诊断

针对雷达装备故障特征,采用自组织映射（SOFM）神经网络构建雷达装备故障诊断模型,通过网络学习,获得可视拓扑映射图,并采用映射图对典型雷达电子装备故障进行了诊断.结果表明：该故障诊断模型具有较高的诊断准确度,具有故障诊断可视化,为雷达装备故障诊断研究提供了新的有效方法.     

基于数据场与云模型的多模雷达信号分选算法

针对传统分选算法处理多模雷达信号效果较差的问题,提出一种基于数据场的层次聚类信号分选算法,以克服多模雷达信号分选时存在的"增批"问题.将数据场理论应用于多模雷达辐射源信号的分选,利用数据场势函数划分辐射源信号数据的层次,通过等势图的绘制完成数据的自组织层次聚类.提出一种基于云模型的分选结果有效性评估算法,可在脱离雷达辐射源库的情况下验证信号分选结果的有效性.仿真实验验证了提出算法的有效性.     

支持矢量分析在雷达信号分选中的应用

提出了一种基于支持矢量分析的雷达信号分选方法、该方法首先对脉冲信号流进行聚类，然后应用支持矢量分析方法对聚类后脉冲流作进一步分选．通过仿真实验，给出了该方法对处于边界交迭脉冲的分选结果，证明了该方法的可行性、     

基于SOFM神经网络的砂土液化评价

提出应用自组织特征映射(SOFM)神经网络进行砂土液化评价,根据实测资料和行业规范,建立具有7个输入参数,4个输出类别的SOFM神经网络模型对砂土液化的严重程度做出评价.实例研究表明,应用SOFM神经网络评价砂土液化高效可行,为砂土液化的研究提供了新方法.     

SOFM神经网络的聚类问题研究

从自组织特征映射（SOFM）神经网络的本质出发,提出了合理确定网络结构的方法。对网络竞争层的实际输出作奇异值分解,根据奇异值大小的分布情况决定竞争层神经元元点的个数,消除了分类数目不合理引起的聚类混乱现象,为SOFM网络的应用提供了科学依据。仿真结果证明此方法的有效性。     

雷达信号分选、处理方法研究

雷达信号分选,就是从交错的密集复杂的脉冲信号流中提取出属于同一雷达辐射源的脉冲序列。现代雷达具有多种工作状态,其各项特征参数都是可变的,甚至是随机变化的,这给雷达信号的分选与处理工作带来一定难点。本文介绍了雷达信号分选基本方法,分析了雷达信号分选的关键技术,并雷达信号处理中的的辐射源分类的识别方法。     

基于压缩感知的雷达信号分选方法

针对复杂电磁环境下,大量的信号在时间、空间、频谱发生随机交叠时,现有分选方法很难进行分辨的问题,提出了一种基于压缩感知理论的雷达信号分选算法.该算法将信号的样本空间作为稀疏字典,将待分选的雷达信号进行稀疏表示,以少量的观测数据就能获取信号的全部信息,从而对雷达信号进行有效的分选.仿真结果表明,该算法能对大量时频交叠信号进行快速分选,且在低信噪比下也能取得较理想的效果.     

一种雷达脉冲序列综合分选方法的实现

脉冲重复间隔（PRI）分选算法是当前雷达对抗系统分选、识别截获信号的关键技术之一．详细分析了改进的PRI变换算法，对一种基于改进的PRI变化算法与序列差直方图算法相结合的综合分选方法做了一定的改进，并通过计算机仿真实现了这种综合分选方法，仿真结果表明该方法具有较好的分选效果．     

神经网络在图像矢量量化中的应用

该文研究了自组织特征映射神经网络(SOFM)在图像矢量量化码书设计中的应用,并把SOFM算法同LBG算法作了比较。最后总结了SOFM算法与LBG算法的优缺点。