基于深度神经网络模型的雷达目标识别

根据雷达测量的目标电磁散射面积(RCS)序列,采用深度神经网络模型识别空间飞行目标。首先,阐述了提取RCS时间序列特征的方法,包括均值、均方差及周期特性等特征;然后,给出了深度神经网络模型识别RCS目标的算法;最后,用仿真数据验证该识别方法,数值实验结果表明该方法能较准确识别雷达跟踪目标。     

基于模糊神经网络的雷达对抗效能评估

雷达对抗装备作战效能评估是一个复杂问题,涉及因素多,而且部分因素存在信息不完全和不确定的问题,而模糊系统理论是处理这类问题的有力工具。提出利用模糊系统理论来评估雷达对抗装备的作战效能,建立了作战效能评估的指标体系,结合神经网络的自适应功能,提出了基于模糊神经网络的作战效能评估模型。仿真结果表明该方法简单有效而且可行。     

基于模糊神经网络聚类模型的雷达目标识别方法

准确识别雷达目标类型和性质对于有效实施雷达对抗意义重大。分析了模糊Hopfield神经网络原理,构建了雷达目标识别的模糊Hopfield神经网络聚类模型,并结合实例进行了具体验证。     

模糊极大—极小神经网络雷达目标识别方法研究

针对基于雷达目标结构特征的识别方法对目标姿态角变化敏感的问题，利用模糊极大－极小（ＦｕｚｚｙＭａｘ－Ｍｉｎ，ＦＭＭ）神经网络作为模式分类器，提出抽取稳健性目标结构特征的方法，构造出能较好地减少目标姿态变化敏感性的ＦＭＭ神经网络雷达目标识别系统。利用实测的五种飞机目标数据对其进行了性能检验，证明该识别方法能在较大的姿态模区内取得优良的识别效果。     

基于神经网络的雷达目标识别

本文讨论了基于径向基函数网络（ＲＢＦＮ）的雷达目标识别问题，在分析了一维距离象特点的基础上，提出了采用非相关幅度平均一维距离象以获取稳定模式这一有效方法，在指出传统经验公式局限性后，给出了一种基于训练样本空间分布来估计高斯函数形状参数的方法，用微波暗室试验数据进行转台成象并对一维距离象三种模式进行识别分类的结果表明，本文所提出的方法用于研究雷达目标识别是有效的。     

基于GFMM神经网络的雷达目标识别方法

新型的无师训练（General Fuzzy Min—Max，GFMM）神经网络是一种具备无师训练聚类识别能力的新型神经网络，它继承了原有GFMM网络的特点，在网络的拓扑结构和算法方面进行了较大的改进，增加了能够进行自适应在线学习的能力。基于无师训练GFMM神经网络的雷达目标识别方法完整地实现了雷达目标特征学习和识别的一体化过程。在某型对海警戒雷达舰船目标识别仿真应用实验中的结果表明：文中的方法优于其他传统的神经网络目标识别方法，在雷达目标识别方面具有良好的适用性。     

神经网络在雷达对抗与反对抗中的应用

本文从神经网络应用于雷达对抗与反对抗中的潜在优势出发，论述了将其应用于雷达信号分选和识别、自适应信号处理，识别反辐射导弹，探测隐身目标和抗人为干扰等方面的广阔前景。     

基于模糊匹配和神经网络的雷达辐射源识别技术

目前常用的雷达辐射源识别方法是数据库比较查询法．该方法实现简单,易于工程实践,但其识别效率取决于数据库的容量和质量．即对先验知识的依赖性强,缺少推理．灵活性差,特别是对于许多新体制雷达信号无法很好地识别。将利用模糊匹配和RBF神经网络两种算法,设计一种识别系统,该识别系统能够较好地识别复杂体制雷达信号,能应对目前雷达辐射源数据库不完善的实际情况。实验仿真表明,该识别系统具有较高的识别率,是一种可行的雷达辐射源识别方法。     

基于线性内插神经网络的雷达目标一维距离像识别

本文提出一种新颖的神经网络模型线性内插神经网络(Linear InterpolationNeural Network,LINN)用于雷达目标一维距离像识别。它可避开提取不变特征的难点,利用目标一维距离像特征随姿态变化的信息来提高目标识别性能。实验结果表明,采用LINN很好地解决了在大的姿态角范围内识别目标时所存在的计算量与识别率的矛盾,提高了雷达对任意姿态目标的识别性能。     

基于雷达距离象序列的循环神经网络飞机目标识别

本文应用雷达目标瞬态高分辨距离象序列来识别目标，提出了一种基于距离象序列的实时循环神经网络分类方法，并进行了三类飞机目标的分类实验研究，结果表明，该方法可以得到高的识别率。     

无源雷达目标识别的神经网络模型构建

针对当前无源雷达目标识别存在的识别率低和容错性不足等问题,构建了一个基于BP神经网络的目标识别模型。围绕无源雷达目标识别效率提升和智能解决方案的构设问题,梳理总结了神经元原理、常用神经网络结构、激活函数和学习算法,设计了无源雷达目标识别总体流程,具体构建了神经网络目标识别模型,包括网络结构、隐含层节点数确定等,并给出了样本训练、测试和目标识别的工作流程,为无源雷达目标识别提供了方法途径。最后,给出了一个仿真实例,验证了模型的有效性。     

基于神经网络模型的自动目标识别

本文提取包含任意极化信息的目标体复数RCS的相关功率散射矩阵的迹作为目标特征,利用Hopfield神经网络的联想记忆功能,对含有不完全信息的雷达目标进行了鲁棒性的自动识别。本文最后给出了三个介质目标体的计算机软件仿真结果,并简要提及了硬件实现的途径。     

基于参数模板的雷达辐射源模糊识别方法

针对当前辐射源识别存在的模糊性和不确定性特点，引入了基于参数模板的模糊识别方法，为解决这类问题提供了一个有效途径，阐述了雷达辐射源识别的基本思想，详细描述了算法的实现过程，最后介绍了算法的仿真设计和软件实现，并对仿真结果进行了分析。     

基于模糊逻辑的风廓线雷达目标检测技术

作为风廓线雷达探测目标的大气湍流信号,极易受地杂波、海杂波、降水、无线电信号、飞机、鸟、昆虫等一系列外界环境和信号的干扰,从而形成一种具有多峰特征的功率谱数据。为了有效抑制和去除杂波,提高风廓线雷达输出的数据质量,必须从功率谱数据中将大气湍流目标检测出来。通过分析大气湍流在风廓线雷达回波功率谱中体现出的特征,将其作为风廓线雷达目标检测的准则。文中提出了一种基于模糊逻辑的风廓线雷达目标检测方法,并进行了实际数据的处理和分析,验证了该方法的可行性和有效性。     

BP网络与改进证据合成规则空中目标识别

针对现代空战目标识别高准确性、实时性的要求,以及目标识别融合中可能出现的高度证据冲突问题,提出了一种基于BP网络与改进证据合成规则的空中目标识别方法。该方法通过BP神经网络获取各传感器对目标类别判断的基本概率赋值,并以此为证据,使用引入加权平均证据的合成规则对各组证据进行空间域融合和时间域融合,得到目标身份结论。仿真结果表明,该方法可以很好地解决证据冲突问题,能够准确、可靠地完成空中目标识别任务。     

基于模糊神经网络的PID控制器研究

工业控制经常会用到一些经典的PID控制,PID控制有很多优点比如应用范围广、参数较易整定、鲁棒性好等.但是随着科技的发展,工业控制对控制对象的要求越来越高,PID控制有时候很难满足控制要求.因此文章在原有的PID控制器的基础上,加入模糊控制、神经网络控制,优化其控制系统.模糊神经网络PID控制器通过实验证明控制效果有很大的提升.模糊控制、神经网络控制结合一起起到互补的效果,比单独的PID控制系统性能更好.     

基于模糊神经网络的数据挖掘方法研究

提出一种用模糊神经网络来进行数据挖掘的方法.把输入量进行模糊分类后,对神经网络进行训练,用误差反传的算法对神经网络的权值进行修正,并提出利用阀值来筛选规则,来得到有效的规则.最后通过一项实例来验证方法的有效性.     

基于UKF的自组织直觉模糊神经网络

模糊集在语义描述上存在不足,因此,如何对模糊神经网络进行扩展是当前模糊神经网络研究的热点,针对这一问题,本文提出了基于UKF的自组织直觉模糊神经网络。首先,给出了直觉模糊神经网络的结构和各层的含义;其次,推导了直觉模糊神经网络的学习算法,用LLS和UKF分别学习线性和非线性参数;然后,给出了模糊规则生成的准则,并用误差下降率方法作为规则修剪的策略,删除作用不大的规则;最后,通过典型的函数逼近、系统辨识和时间序列预测实例,表明本文算法得到的直觉模糊神经网络的结构更为紧凑,泛化性能也更佳。