无监督神经网络的潜艇对空战术意图识别

传统的通过遥感系统获取空中目标信息,解析出目标战术意图的方式,需要大量的专家评估计算网络节点及权重,具有速度慢,耗费大等缺点。为了降低潜艇对空战术意图识别时间,发挥无监督学习神经网络的计算能力。利用遥感获取的空中目标属性与目标战术意图形成训练样本训练神经网络,获得输入目标属性的阈值及竞争层神经元间的关系,建立输出函数,识别空中目标的战术意图。仿真结果表明,竞争神经网络与自组织特征映射(SOFM)神经网络训练的测试样本的输出值与真实值相对应,准确度较高。     

神经网络在目标属性识别中的应用研究

首先介绍了目标属性识别的方法,并对多属性决策模型(MultipleAttributeDecisionModel,MADM)目标属性识别模型进行了分析,在此基础上提出了基于神经网络的目标属性识别模型,其能有效地解决目标属性识别问题。     

雷达辐射源识别的算法研究

针对现有雷达辐射源识别算法的不足,探索雷达辐射源数据库识别的新算法。运用属性测度理论建立了雷达辐射源属性识别模型,结合距离算法、灰关联算法和神经网络样本训练思想,设计出基于属性测度模型的雷达辐射源属性识别算法。通过仿真验证,该算法兼具识别准确度高和识别速度快优点,实用性较强。     

基于主成分分析的空中目标识别

在对空中目标类型进行归类的基础上,建立了融合目标战术特征和物理特征的评价指标体系,运用多元统计分析中的主成分分析法对空中目标识别中的多项指标进行了综合聚集,在理想点的基础上建立了综合优化决策模型.实例验证该模型能有效地解决目标类型识别的问题.     

基于模糊聚类-BP神经网络模型的战场目标识别

神经网络可以用来识别战场目标,但是传统神经网络具有样本多、学习速度慢的问题.为了解决上述问题,建立了一种基于模糊聚类和神经网络相结合的目标识别模型.仿真实验表明,用该模型进行目标识别,可以科学地选取样本,提高网络的训练速度和运行速度,并且能确保目标识别的正确率.     

基于RBF神经网络的空中目标识别技术

空中目标识别的正确与否对防空火力的部署、分配及有效打击有着重要的意义。利用径向基函数(RBF)神经网络逼近非线性的空中目标识别模型。在RBF神经网络空中目标识别模型中,输入向量是雷达探测到的空中飞行目标的6种目标属性,输出向量是空中飞行目标的类型。通过Matlab的数据仿真结果与传统的BP神经网络目标识别模型相比,该模型的误差更小,可以有效地提高空中目标的识别率。     

主成分分析的模糊神经网络目标识别系统

提出了一种基于模糊神经网络(Fuzzy Neural Networks,FNN)的目标识别算法.在对目标进行模糊化处理基础上,通过主成分分析(Principal Component Analysis,PCA)提取相应的特征空间,以畸变的特征向量对系统进行训练,从而获得较高的目标变化适应性.仿真实验结果表明, 这种方法具有较强的自适应能力,抗噪性能也有所提高.     

基于层次分析法的目标属性识别模型

空中目标的属性识别是一个复杂问题,在火力单元级进行目标识别只能根据上级指挥所或和目标指示雷达传来的目标信息和从相控阵雷达中给出的目标特征信息中提取关于空中目标的信息,对目标进行识别,并能对自动识别目标进行监视。如何快速准确地识别目标属性是当前防空指挥自动化所必须解决的问题。给出了影响目标属性识别的主要因素和各因素判断目标属性的模型,给出了基于层次分析法综合识别目标属性模型,定量地给出了综合识别空袭目标属性值,在一定程度上避免了属性识别的主观性。最后用实例验证了该模型的可行性和合理性。     

基于神经网络模糊融合技术的潜艇声纳目标识别系统

将神经网络和属性层模糊数据融合技术应用于潜艇水下目标识别是解决潜艇声纳目标识别问题的有效途径。本文建立了声纳目标识别系统的结构模型和算法模型,设计了一个基于神经网络属性层模糊数据融合的目标识别系统,研究了将噪声信号功率谱和双谱用于目标识别,并进行了仿真,验证了该系统的可行性和有效性。     

地空导弹CGF系统感知行为模型研究

为了有效解决计算机生成兵力模拟目标识别行为的问题,对防空作战中指挥员感知信息和综合处理的过程进行了分析,针对目前CGF系统的需求和感知行为模型的不足,建立了一个综合多特征信息的不确定性地空导弹感知行为模型。该模型对数据库中样本和待识别目标的特征信息进行客观的主成分分析,利用分析得到的综合主成分值对目标进行匹配;在此基础上,引入表示匹配结果不确定性的感知能力值,获得一个带有不确定性的即时信念;最后,通过基于感知能力的证据合并方法将即时信念、先验信念和通信信念合并形成最终信念。实例分析表明该模型可行。     

基于PCA特征的快速SAR图像目标识别方法

目标识别是SAR图像解译的重要一环,受到广泛的关注,而实时性又是评估目标识别系统性能的主要指标之一.从实时的角度出发,提出了一种快速的SAR目标识别方法.该方法采用基于Hebb学习规则的主分量分析(PCA)进行特征提取,使用多层感知器神经网络(MLP NN)进行目标分类.实验结果表明,在维持较好识别性能的前提下,该方法具有内存需求少、运行速度快的特点,能用于实时处理.     

多DSP并行的神经网络集成目标识别法

针对分布式信息融合结构、异质传感器条件下的目标识别问题,提出了基于多DSP并行结构的神经网络集成目标识别方法.给出了生成神经网络集成的具体方法,并构造了一个实际的空中目标识别硬件系统.结果表明,系统的目标识别性能明显优于单个神经网络的目标识别性能,且识别目标的速度很快.     

基于神经网络和功率谱的水中目标信号检测方法

将功率谱和神经网络相结合,应用于高海况、低信噪比条件下,水中目标信号的特征提取中.文中首先对信号进行功率谱估计,利用目标信号功率主要集中在低频部分的特点,提取低频信号的能量作为特征,然后利用人工神经网络对目标信号进行检测.利用不同浪级情况下海洋水压场的仿真信号数据,对某型目标舰船的水压信号进行了检测计算,验证了该方法的有效性,尤其是达到了在高海况、低信噪比条件下,对目标信号检测率比较高、虚警率比较低的效果.     

基于BP 网络与D-S理论相结合的点目标状态下卫星及其伴飞诱饵的识别方法

本文提出的点目标状态下卫星及其伴飞锈饵的识别方法是基于ＢＰ网络与Ｄ－Ｓ理论相结合的信息融合方法。该方法采用目标的红外辐射特征,先用ＢＰ网络对目标进行粗分类,然后用Ｄ－Ｓ理论对ＢＰ网络的多次识别结果进行融合。仿真实验结果表明,Ｄ－Ｓ理论的最后输出比ＢＰ网络的输出识别率得到很大的改善,抗噪能力得到很大的提高     

基于深度卷积神经网络的蛇形机动航迹图像识别

为提高防空武器系统对空袭目标的拦截防御能力,针对现有蛇形机动识别算法鲁棒性较差的问题,提出了将航迹坐标数据转化为图像,利用深度神经卷积神经网络进行航迹模式分类的方法。针对航迹数据直接转化为图像时存在机动幅度不明显或过大的问题,提出了有效解决方案。基于CAFFE平台进行了大量仿真实验,确定了适宜于航迹模式分类的深度卷积网络结构和网络参数。实验结果表明,该方法能有效提高蛇形机动航迹识别的鲁棒性。     

基于BP神经网络的空中目标识别

空中目标识别是防空作战辅助决策的关键环节之一。根据空中目标的各种属性,建立基于BP神经网络原理的空中目标识别模型。利用MATLAB神经网络train函数训练采集的样本数据,得到稳定的权值和阈值,为后继的目标识别提供依据。该模型利用神经网络的记忆、联想、容错功能,进一步提高空中目标识别的稳定性和可信度。降低了个别传感器误判而造成的目标识别错误概率。     

基于粗糙集-神经网络编队协同空战决策系统

为了提高空战决策的实时性和准确度,将粗糙集理论和神经网络引入到编队协同空战战术决策研究中,提出了应用SOM网络-粗糙集-BP网络集成进行编队协同空战战术决策的方案:应用SOM网络离散化决策系统输入数据的连续属性值;利用粗糙集数据分析方法,从数据中提取出规则将输入映射到输出的子空间上;在这个子空间上用BP网络进行逼近.2:4编队空战实例仿真结果验证该方案的可行性,在数据充分的条件下,该方案可以推广应用于其它空战决策系统.     

基于高阶累积量与神经网络的干扰识别算法

研究了一种基于高阶累积量和神经网络的干扰识别算法。该方法把卫星通信中常见的各种干扰信号的归一化高阶累积量作为分类特征参数,应用神经网络对特征参数进行分类训练,将接收干扰信号的归一化高阶累积量输入已训练的神经网络进行干扰类型的识别。试验结果表明:该算法在低干信比的情况下具有较高的识别准确率。     

潜艇定深运动的自适应模糊控制研究

针对潜艇定深运动过程中存在非线性、时变参数、复杂干扰的特点,提出了一种基于神经网络的自适应模糊控制器,并采用学习速率自调整的EBP算法对模糊控制器进行了在线调整.仿真结果表明,该控制器能辨别出潜艇的平衡舵角,与常规的PID控制相比,具有抗干扰能力强、响应速度快、精度高等优点.