模糊自组织神经网络及其在信息融合目标识别中的应用

本文重点研究了在目标识别领域中信息融合技术的神经网络模型,针对特征层融合的高维数、量纲不统一、信息表达方式差异等特点,利用模糊自映射神经网络来实现特征间的有效融合。经实验仿真证实,这一融合方法较单源识别正确识别率提高７个百分点左右     

基于神经网络的复杂导弹系统可靠性预测

介绍了如何利用神经网络对复杂导弹系统可靠性进行预测。对利用导弹地面测试数据和可靠性数据预测未来导弹可靠性问题进行了描述。给出了建模思路和方法框架。探讨了基于因子分析的可靠性数据特征选择方法、循环神经网络(RNN)、长短时记忆网络(LSTM)、门循环网络(GRU)以及输出数据融合方法。在实例中利用该方法对其飞行可靠性进行了预测,验证了方法的可行性与有效性。该方法可以充分利用复杂系统地面测试数据、可靠性数据中隐含的信息以及多种神经网络的优点,具有一定的通用性与实用性。     

基于SOM网络信息融合的飞机作战效能评估

根据SOM自组织神经网络原理,构建了基于多参数信息融合的飞机作战效能评估模型,并采用可视化方法对飞机空战效能进行了评估。通过效能评估模型的二维拓扑有序映射图和单参数灰度图,可以清晰地观察到不同型号飞机的作战效能特征、参数相关性特征、参数变化趋势和对飞机作战效能的相似性预测。     

一种新型粗糙集神经网络的故障诊断方法

结合粗糙集理论,建立了基于SOFM网络的新型粗糙集神经网络故障诊断模型,给出了该模型的流程图,描述了系统各组成部分的工作原理.应用该模型对某型雷达进行故障诊断,实例证明新模型能够减少输入端数量,简化神经网络的结构,提高系统的速度,诊断时间短,准确性高,结果易于实现可视化,最后得到了故障可视拓扑映射图.     

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。     

数据融合技术在CGF建模中的应用

提出了将数据融合技术应用到计算机生成兵力 (CGF)建模中的思路和方法。在分析数据融合技术的基础上 ,深入讨论了卡尔曼滤波和最小二乘相结合的滤波方法以及一种改进的离散Hopfield神经网络 ,并结合一实际系统 ,建立了模型 ,给出了仿真结果。结果表明 ,数据融合技术和CGF建模相结合具有一定的应用前景和研究价值。     

多传感器异步数据融合模型分析

多传感器异步融合比同步数据融合更为符合实际,不同情形下异步融合模型可以有所不同。在模型噪声和观测噪声互不相关的假设下,建立多个异步数据融合模型并对多个融合模型进行描述,综合分析和比较模型的优缺点;仿真实例说明了各个模型的有效性以及适合应用的环境。     

基于SOM神经网络的坦克作战效能评估

坦克作战效能评估是一个多属性评估问题,通过建立自组织特征映射神经网络(SOM)的坦克作战效能评估模型,通过该模型的二维拓扑有序映射图,可以清晰地观察到不同型号坦克的作战效能特征;并通过MATLABR2010a训练、仿真,对我国某型坦克的作战效能进行相似性预测评估。     

目标智能识别研究

本文提出了数据融合技术与数据挖掘技术相集成的海上目标自动识别系统体系结构以及基于加权粗糙集模型的特征知识挖掘方法,运用模糊神经网络技术进行目标识别。     

多传感器数据融合导论

多传感器数据融合是一项新涌现出的技术,可应用于国防领域,如自动化目标识别、战场监视、自治式运载器制导与控制;也可应用于非国防领域,如复杂机械监视、医疗诊断和新式建筑物。多传感器融合技术源于人工智能、模式识别、统计估计等广泛领域。本论文为数据融合提供了指导,它介绍了数据融合的应用、过程模型和对可应用技术的鉴别,并就数据融合方面的技术发展水平作了评述。     

基于XML的海军作战仿真想定设计方法

作战仿真想定是军事仿真系统的重要组成部分,为仿真系统的运行提供了初始态势和作战任务。目前在仿真想定中存在的主要问题是对想定描述的格式和手段不统一,生成的仿真想定可读性和可移植性不好,影响了仿真系统的真实性和可信度。以海军装备应用研究系统为背景,着眼于海军作战仿真想定生成系统的标准化,通过分析海军作战想定描述的层次结构,针对XML技术在数据表达方面的特点和应用,探讨了使用XML表示标准的作战想定开发方法,以潜艇破交任务为例介绍了海军作战想定的设计方法。     

地面战场运动目标识别NN-ST专家系统

本文在对现代战争条件下地面战场运动目标性质及特征研究的基础上,根据军事领域专家的经验和多传感器侦察的特点,将动态补偿神经网络模型与时空数据融合模型相结合,构造了地面战场运动目标识别的ＮＮ－ＳＴ专家系统。     

基于残差修正CNN-BiLSTM的空中目标航迹短期预测算法

针对因深度学习自身局限性和递归预测策略产生的累积误差,导致航迹预测精度不高的问题,提出了一种基于残差修正CNN-BiLSTM的空中目标航迹短期预测算法。首先,引入卷积模块用于提取航迹数据之中具有潜在关联的空间位置特征,利用双向长短时记忆网络提取航迹数据中的时序特征,并实现对空中目标的实时单步预测和多步超前预测;其次,引入整合移动平均自回归为残差修正模型,对实时单步预测产生的残差建模,计算混合神经网络模型多步超前预测时的残差值;最后,将混合神经网络模型和残差修正模型的输出结果进行融合,得到最终的航迹预测值。实验结果表明,该算法大大降低了神经网络因自身局限性产生的误差和因递归策略预测产生的累积误差,能够显著提高空中目标航迹短期预测的精度。     

基于时空序贯融合的TBM拦截效果评估

基于时空信息进行了TBM拦截效果评估的研究。首先分析了拦截效果评估信息的特征,建立了TBM拦截效果评估流程;在此基础上提出了基于"空间特征级-时间决策级"思想的序贯融合评估模型;融合评估算法中,空间域选取模糊神经网络进行特征级融合,时间域选取D-S证据理论完成决策级融合,空间特征级融合模糊神经网络的各层映射函数分别由模糊隶属函数和采用贝叶斯网络的方法来获取;最后通过实验仿真了评估流程,验证了融合评估模型及融合算法的有效性。     

雷达与声数据的融合

洛克希德·桑德斯公司正在研究综合声与雷达数据的融合过程。声和雷达数据是高度互不相关的,它们可提供有关每个目标的互补信息。因此,融合过程使之有可能利用组合分类器的输出产生一种可信度高的目标识别(可靠的ID),分类器的输出包括:声波形、雷达信号特征和航迹形状 而由单个分类器进行可靠的识别是不可能的。通过融合过程可以减少目标位置误差和改善量测与航迹的互连过程。 由于融合过程是高度非线性和自适应的,因此,仿真是必不可少的。用多次重复的具有嵌入式传感器模型的仿真来建立多目标情景,以便激励融合过程。在仿真情景期间,用测量的声和雷达数据产生传感器输出的逼真描述。融合过程对分类和传统的跟踪器使用了神经网站。使用与目标ID有关的数据,以便选择最优的跟踪器参数。 对雷达和声数据的特定实例,验证了使用仿真来设计传感器融合处理的方法。然而,这种方法对于各类型的传感器或数据融合也是有价值的。例如:可在非军事应用中使用仿真,在这种应用中有关复杂系统状态的多源数据可用来控制其他数据和收集并做出最优决策。一般,仿真可用任务级指标,如成本、生存概率和杀伤概率来评定融合过程的好处。仿真对于优化融合过程的任何自适应“子部件”如神经网络来说是必不可少的。     

自组织特征映射神经网络用于非特定人语音识别

本文就Kohonen自组织特征映射神经网络模型采用其基本学习算法直接用于孤立字非特定人的语音识别时所存在的不足进行了改进。大量的实验结果表明,改进后的方法对得到良好的映射圈和提高识别率具有积极的作用。     

证据理论与模糊神经网络相结合的身份估计方法

重点研究了在数据融合身份估计领域中D-S证据理论与模糊神经网络相结合的多传感器数据融合方法。Demp-ster-Shafer证据理论方法是对Beyes决策检验法的推广,证据理论比概率论满足更弱的公理系统,并且在区分不确定与不知道等方面显示了很大的灵活性,但是在基于证据理论的身份估计融合中,基本可信度的分配是一个与应用密切相关的问题,也是实际应用中最难的一步。利用模糊神经网络来处理证据理论中的基本可信度分配问题,并对几种空中目标进行了身份估计数据融合,经计算机仿真实验证实了该方法的有效性。     

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。     

一种新的模式识别模型及其实现

模式识别是机器智能的一个重要研究领域,针对当前模式识别方法的难点和应用的要求,本文从模式识别问题描述出发,构造了一种新的模式识别模型,并对这种模型的动力学过程进行了描述和分析,论述了这种模型的可能实现途径,并详细论述了两种神经网络的实现方法。     

基于改进D-S证据理论的滚动轴承故障诊断

针对单一分类器进行故障诊断时诊断精度不高、随机性强的问题,提出一种基于改进D-S证据理论的滚动轴承故障诊断方法,构建了信息融合诊断框架。首先,利用BP神经网络、支持向量机、径向基神经网络构建初步诊断层,将提取的特征信息进行初步诊断;然后,利用改进的D-S证据理论构建融合诊断层,将初步诊断层的诊断结果进行融合,并根据诊断规则得到最终的诊断结果;最后,采用不同的信息融合方法对滚动轴承故障数据进行对比研究。试验结果表明:使用改进D-S证据理论的滚动轴承故障诊断方法能够有效提高证据可信度,降低不确定性,提高故障诊断精度和故障诊断模型的鲁棒性。