基于PSO-BP神经网络的HRRP目标识别

为提高雷达目标识别准确率,提出了一种基于PSO-BP神经网络的雷达一维距离像识别方法。利用粒子群优化算法良好的全局搜寻能力,对BP神经网络的权值和阈值进行了优化,弥补了BP神经网络收敛速度慢、存在多个局部极值点的缺陷。利用实测数据对PSO优化前后的BP神经网络的识别性能进行了对比测试。实验结果表明,PSO-BP神经网络具有更高的识别准确率及噪声鲁棒性,分类性能优良。     

一种实时路况下的车牌照识别系统

该系统采用高清工业相机，以千兆以太网作为数据传输通道，克服了传统传输方式速度较慢，抗干扰能力差的缺点。在识别方面，提出了自适应模板宽度算法，有效克服了光照对车牌定位的影响。该算法还采用投影分割法精确分割车牌字符，对汉字采用Gabor算子提取特征，然后利用SVM进行识别，有效解决了汉字识别问题。     

神经网络在精确打击目标识别中的应用研究

目标识别正确与否直接影响到防空火力的部署、分配及有效打击.利用BP神经网络识别精确打击目标并进行了仿真实验.建立了样本库,提取图像的不变矩作为神经网络的输入量,分别采用基本梯度下降算法、有动量和自适应学习速率梯度下降算法和Levenberg-Marguardt优化算法训练BP网络.仿真结果表明,不变矩理论很好地解决了3维物体的2维图像在旋转、平移、缩放时能否成功提取图像特征的问题,而采用LM优化算法的BP神经网络训练速度快,识别准确率高.     

基于概率神经网络的空袭目标识别

针对BP网络的不足,提出基于概率神经网络(PNN)进行空袭目标识别的方法。首先提取空袭目标的速度、高度、机动加速度和雷达反射面积等特征并进行归一化处理,作为输入层数据,然后建立了概率神经网络目标识别模型。M atlab仿真实验表明,该方法识别空袭目标简单快速且准确率高,具有良好应用前景。     

BP神经网络在无源雷达目标识别中的应用

目标识别技术是无源雷达的关键技术之一.针对无源雷达目标识别的特点,在分析空中目标类型和目标表征的基础上,建立了基于BP神经网络的目标识别模型,并对设计该模型涉及的基本问题进行了详细分析,最后运用该模型对给定特征的空中目标的进行了实验.实验结果表明,该模型提高了目标识别的稳定性和准确性,是有效可行的.     

神经网络技术在智能BIT故障诊断系统中的应用

论述了智能BIT的智能设计、智能检测、智能诊断和智能决策,构建了基于神经网络的某高炮装备随动系统的智能BIT故障诊断系统。用Multisim进行电路仿真,提取输出信号的均值、峭度、偏斜度构成三维向量,以它作为特征向量利用神经网络进行模拟电路的故障诊断。通过比较BP神经网络、SOM神经网络和小波神经网络的诊断结果,得知利用均值、峭度和偏斜度作为特征,BP神经网络和SOM神经网络能够有效识别故障状态模式。     

基于蚁群神经网络的发射系统故障诊断

发射系统是地空导弹武器系统的重要组成部分,研究发射系统的故障诊断,可提高地空导弹武器系统的作战效能和部队的快速反应能力。BP神经网络在故障诊断方面收敛速度慢、易于陷入局部极小点。为解决上述问题,以液压系统的柱塞泵为例,提出一种蚁群算法改进BP神经网络的故障诊断的方法,优化神经网络的权值和阈值,使网络具有全局兼局部寻优能力。实验结果表明,蚁群神经网络比BP神经网络收敛速度快,运算效率高,识别能力强,并且提高了诊断的准确性和可靠性,是一种有效可行的故障诊断方法,具有良好的应用效果。     

BP神经网络和D-S证据理论的目标识别

目标识别是指挥自动化系统的一个重要组成部分,针对现代战争对抗手段不断增强的特点,运用BP神经网络和D-S证据理论探索作战飞机机型的识别方法.前端采用3层BP神经网络结构,以传感器接收数据为输入,以神经网络输出作为证据,后端对不同传感器的证据按D-S理论进行融合,得到待识别目标的识别概率.经由MATLAB编程对国内外几种主要机型的识别进行仿真研究,与现行目标识别方法相比较,能够更快速、准确、可靠地识别飞机目标,较好地满足了空战中作战指挥系统对飞机机型识别的需求.     

基于神经网络的舰船目标识别研究

为了实现对水下目标的识别,在现有特征提取方法的基础上,提出了一种从DEMON谱线谱和DEMON谱连续谱提取的特征方法,并设计了一个基于BP神经网络和多神经网络分类识别器的舰船目标识别系统。通过对实际舰船噪声目标进行识别,识别效果比较满意。这对舰船目标识别的发展具有一定的参考价值。     

基于改进的投影法的目标标识定位算法研究

军事对抗中,需要准确识别目标标识,以车辆识别中车牌精确定位为例进行研究。通过结合利用跳变法和投影法,提出一种基于改进的投影法的车牌定位。由进行车牌水平定位的跳变法和进行车牌垂直定位的投影法两个步骤组成。其中,像素在车牌水平方向的区域内会产生明显跳变,先通过跳变法确定车牌的水平区域。由于车牌一般位于图像的下半部分,所以从图像的1/2高度到4/5高度,1/3宽度到4/5宽度处扫描,减少背景区干扰。然后在车牌的水平区域再进行垂直投影,得到车牌的准确位置。实验结果证明,该方法不仅可以有效提高定位速度,还能够由于减少背景区的干扰而提高定位准确度。