基于RBFNN与D-S证据理论的反舰导弹模式识别

由于反舰导弹在速度、机动性等方面的显著潜力,已日益成为舰船的主要威胁.尽快识别反舰导弹类型对缩短系统反应时间,正确预测目标运动具有重要意义.针对从不同目标传感器提取的末制导雷达辐射源参数和弹道特性参数,对目标数据进行相关处理,应用径向基神经网络(RBFNN)分别对反舰导弹模式识别,仿真中充分考虑了各种误差干扰并进行容错性处理,仿真结果表明该算法的有效性.最后将两部分识别结果通过D-S证据理论进行综合决策,进一步提高了系统识别决策的可信度.     

联邦滤波器信息分配因子优选问题

在剖析联邦滤波核心理论的基础上,对当前学术热点--联邦滤波器信息分配因子优选问题进行探讨.分析了文献中几种常见的优选算法,指出其中的理论缺陷.从全局估计、局部估计、容错性等三方面质疑了信息分配因子优选的必要性和可行性,提出一些值得商榷之处,并得出结论.通过SINS/GPS/TAN/SAR四组合导航系统联邦滤波器仿真分析,验证了观点的有效性.     

Min-max 模糊 Hopfield 网络的一个基于容错性的学习算法

在一定的条件下证明了Min－max模糊Hopfield网络吸引子的吸引域随着连接权矩阵的减小而增大，在此基础上，设计了一个基于容错性的学习算法。在一定的意义下，用该学习算法得到的矩阵最小，从而此时系统具有最优容错性。最后用实例验证了结论。