用于目标机动检测的神经网络

用于跟踪机动和非机动目标的算法有很多[1]—[4]。对机动目标和非机动目标可以使用不同的算法。检测目标机动的能力能为给定的态势提供良好的算法。通常采用一些特定的技术实现机动检测。神经网络为实现目标机动检测提供了一种新工具。已经为这种应用开发测试了两个不同的网络。一个网络使用方位数据,另一个网络使用滤波器残差。方位数据先被仿真,然后被滤波,以便为这两种网络提供所需要的输入。使用反向传播算法训练每个网络,该算法是一种被资料证明的普通梯度下降训练算法[5]。已经研究了很多不同的多层感知结构。这里介绍的两种结构能在训练和测试时提供最好的性能。对这两个网络进行了相互比较,并且与一个特定的门限算法进行了比较,给出了相对性能数据。这项研究结果表明,利用神经网络实现目标机动检测是可能的。     

基于神经网络的多模型机动目标跟踪方法研究

针对传统机动目标跟踪问题中存在的跟踪精确性低、参数适应性差、计算量大等问题,提出了一种基于径向基神经网络的多模型机动目标跟踪方法.首先,介绍了机动目标跟踪问题的基本原理、径向基神经网络模型及机动目标运动模型.然后,将提取的机动目标特征向量输入已训练好网络参数的神经网络中,与隐含层中由训练样本组成的输入矩阵比较并输出,通...     

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神经网络的弹道导弹态势等级模型

针对弹道导弹的目标特性和作战特点,对主要态势指标进行了提取,构建了基于BP神经网络的态势等级模型,并按照区间对预警等级进行划分。为提高模型的准确性和适应性,通过样本数据对BP网络进行了训练,并进行了仿真得到了态势等级。仿真结果表明:利用BP神经网络对态势等级进行研究是可行的。     

基于深度置信网络的火炮炮口振动预测研究

火炮炮口振动数据准确预测后,可以对火炮随机振动误差进行补偿,对高机动条件下提高装备火控系统的精度具有重要意义。机器学习方法的进步为提高数据预测精度提供了有效途径。提出一种基于深度置信网络的火炮炮口振动预测模型,通过定义阶段、预处理阶段、训练阶段、测试阶段和评价阶段5个阶段,对火炮炮口振动数据进行了预测。结果表明,深度置信网络对炮口振动数据预测可以根据历史数据提取更丰富的数据特征,相较于传统BP神经网络,可以达到更好的预测精度。     

基于IMM-UKF的网络化作战目标跟踪算法

针对网络化作战中单探测节点对机动目标的运动模型不确定性导致滤波精度低,为提高目标跟踪的稳定性和精确性,提出了多节点探测跟踪算法。基于网络体系中信息的共享需求,建立网络探测节点的目标跟踪模型;通过网络探测节点目标跟踪需求和实战要求发现目标经常有多种运动状态并存现象,而单一模型的滤波器不能满足对机动目标跟踪性能的要求。因此,探测节点采用了基于交互式多模型(IMM)的无迹卡尔曼滤波(UKF)算法进行状态估计,融合中心将各节点发送的目标状态估计融合后进行状态估计,有效地降低了目标机动造成的模型误差,提高了跟踪性能。仿真结果表明,所提出的算法提高了网络节点对机动目标的跟踪精度,并且收敛速度快,有较强的鲁棒性和实用性。     

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BP神经网络的空中目标识别方法

提出了一种利用BP神经网络用于空中战机目标识别的方法.首先,分别用300张不同姿态的F-16和F-22战斗机图片建立样本图库.其次,利用不变矩理论,提取图片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.然后从样本图库中随机抽取两种型号飞机图片各30张作为空中打击目标进行识别,结果表明采用LM优化算法的BP网络具有一定的抗噪声能力.     

用于机动目标跟踪的分布式多传感器异步融合算法

目前,随着目标机动性能的不断提高,单个传感器越来越难于对目标进行有效地跟踪.分布式多传感器网络是当前国内外研究的热点,也是解决机动目标跟踪的有效途径之一.提出了一种适用于机动目标跟踪的异步融合算法:融合中心采用交互式多模型(IMM)算法,在给定融合周期的基础上,对多传感器数据进行异步融合,得到有效跟踪航路.蒙特卡罗仿真表明,该算法可以有效地改善对机动目标的跟踪性能,可为工程应用提供有益参考.     

一种BP神经网络算法的改进模型

首先对BP网络的结构和算法进行了分析,针对BP网络收敛速度慢,容易陷入局部极小等问题,提出了一种改进的BP网络模型,并对该模型算法进行了改进,通过激活函数的选择,网络的初始化,学习率的调整和训练样本数据的处理等方法,可实现加快网络的收敛速度,并且较好的解决局部最优问题.     

船舶静态电场跟踪的渐进更新扩展卡尔曼滤波器

为了实现利用船舶静态电场对船舶进行跟踪的目的,针对传统卡尔曼滤波算法中存在的问题,设计一种新的非线性滤波器。建立船舶的状态空间模型,分析传统卡尔曼滤波算法在船舶跟踪中存在的问题;依据渐进贝叶斯思想,利用连续白噪声与离散白噪声序列噪声协方差之间的关系,设计一种新的渐进更新扩展卡尔曼滤波器。仿真结果表明,该滤波器能有效地抑制由于初始误差较大而造成的滤波性能下降和滤波发散,能够有效地跟踪船舶,具有较高的实用价值。     

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。     

基于SVD的机动目标自适应滤波研究与仿真

由于计算误差等因素的影响,致使滤波协方差阵不对称或负定,从而导致滤波器发散,影响滤波算法的收敛速度和稳定性.该研究在机动加速度"当前"统计自适应卡尔曼滤波算法的基础上,引入了基于奇异值分解(SVD)的协方差平方根滤波的自适应卡尔曼滤波算法.仿真结果表明,该算法可以较好地跟踪机动目标,具有精度高、稳定好、收敛快等特点.     

惯性航向姿态系统初始对准仿真

惯性导航系统在使用前要进行初始对准,即建立导航坐标系.分别对粗对准和精对准进行了研究.粗对准就是由三个姿态角来得到初始姿态矩阵的过程.精对准就是卡尔曼滤波法.在静基座下对陀螺和磁罗盘组合的系统建立了十一维状态的模型,采用改进卡尔曼滤波方法进行精对准仿真研究,采取渐消记忆卡尔曼滤波以克服滤波发散.仿真结果表明,该滤波方法用于航向姿态系统对准具有较好效果.     

连续动态贝叶斯网络实现多传感器融合跟踪

利用多传感器数据进行目标跟踪,关键是怎样将多传感器的数据合理应用来对系统的状态做出最佳估计。提出应用连续动态贝叶斯网络的方法,结合卡尔曼滤波器模型,实现用多传感器数据进行目标跟踪的方法,并对算法进行了推导和验证。仿真结果证明了提出的多传感器数据互相修正融合滤波方法具有良好的滤波效果,并能够弥补传感器数据缺失和抑制脉冲噪声。     

基于Delphi-BP神经网络的装备保障能力评估

针对评估指标数量过多可能给评估过程及结果带来的弊端,在构建装备保障能力评估指标体系基础上,给出了基于Delphi法的指标体系筛选的方法步骤,通过计算累计贡献率,对指标体系进行了筛选,降低了评估模型的输入维度。建立了评估部队装备保障能力的三层BP神经网络模型,利用Matlab神经网络工具箱对网络进行了训练和仿真,结果显示误差小于10-3。最后,通过对比评估,验证了方法的有效性和正确性。     

GNSS/SINS组合导航在地地导弹中的工程应用

介绍了基于Kalman滤波的GNSS/SINS组合导航技术在地地导弹中的应用,在发射点惯性坐标系中建立了便于工程应用的数学模型,针对某型号进行了位置速度仿真,并和目前在工程实际中应用的加权平均组合方法进行了比较。仿真结果表明,Kalman滤波技术可以应用于地地导弹工程实际中。     

舰艇编队多声纳数据融合

分析了标准kalman滤波(KF)和自适应kalman滤波(AKF)的原理,通过仿真实验,对两种滤波算法的性能进行比较.结合各种声纳的探测特性和水下目标的特点,建立了舰艇编队的数据融合方案.选用简单凸组合融合算法作为舰艇编队协同反潜的航迹融合算法,将多声纳融合系统的融合结果和简单交叉定位算法进行了比较研究.仿真实验结果表明:自适应kalman滤波比标准kalman滤波具有更好的目标跟踪性能,多声纳融合结果较简单交叉定位结果的性能有大幅度提高,所选用的融合算法航迹能够较好的与真实航迹吻合.     

非线性滤波方法在水下目标跟踪中的应用

在对扩展卡尔曼滤波、不敏卡尔曼滤波和粒子滤波3种非线性滤波方法进行研究的基础上,对粒子滤波算法的重要性密度函数的选取方法进行了研究。结合水下目标的被动跟踪的应用背景,比较了3种滤波算法在水下目标跟踪中的性能差异。结果表明,粒子滤波算法能较好的用于非线性、非高斯条件下的水下目标跟踪。     

GPS定位中2种自适应滤波的组合算法

分析了卡尔曼滤波发散的原因,并给出了指数加权的衰减自适应记忆滤波和噪声加权自适应滤波2种算法用来抑制发散,相应地分析了衰减因子的选取以及噪声模型的在线估计,最后提出这2种定位方式组合的定位算法。仿真结果表明,衰减自适应记忆滤波和噪声加权自适应滤波明显提高了卡尔曼滤波的定位精度并且抑制了发散,组合算法在提高定位精度、抑制发散的同时,使这2种定位方式的优点形成了互补,增加了算法的稳定性。