基于LVQ神经网络的雷达杂波抑制方法

针对雷达目标检测后的剩余杂波影响雷达航迹起始和航迹跟踪的问题,提出基于学习向量量化（learning vector quantization,LVQ）神经网络的雷达杂波抑制方法。从雷达回波点迹的特征入手,通过分析目标点迹和杂波点迹的特征分布,通过人工提取特征的方式选取具有差异化的特征。根据特征数量和点迹类别数量构建LVQ神经网络分类模型,并对模型进行训练。利用训练好的LVQ神经网络分类模型对雷达回波点迹进行分类,区分目标点迹和杂波点迹,保留判别为目标的点迹,滤除判别为杂波的点迹,从而实现杂波抑制功能。通过对某型航管雷达的实测数据进行测试表明：该方法能够有效区分目标点迹和杂波点迹,杂波抑制能力比BP神经网络算法更好。     

使用低分辨率雷达和神经网络进行舰船目标识别

本文研究使用低分辩率下靶区雷达包络线、预处理和神经网络工具进行舰船目标分类的方法。文中使用改进的傅里叶离散梅林变换来提取对雷达姿态角变化不太敏感的某些特征。使用Kohonen的学习矢量量化(LVQ)自组织映射对这些特征矢量进行分类。文中也研究了使用反向传播算法进行训练的前馈网络在目标分类中的应用,并将这一分类系统用于模拟和真实两种数据。对于目标姿态角误差不超过30度的真实数据,分类的正确率高达90％。     

基于CNN的窄带雷达空中目标识别方法

空中目标识别是雷达的重要用途之一,窄带雷达因体制限制,无法获取目标高分辨识别信息供分类识别。为解决窄带防空预警雷达对空中目标识别判性难的问题,提出了基于卷积神经网络的空中目标识别方法,就空中目标识别判性模型的构建、训练数据集的生成进行了研究,采用模拟数据集及实测数据对模型进行了检验,结果表明该方法具有较好效果。     

基于剪枝加权k-NN算法的雷达电磁行为识别

为了更好地实施电子干扰和欺骗,针对目标雷达电磁行为识别问题,提出了一种新的算法。首先,给出了雷达电磁行为的形式化表述,并在此基础上将各项属性参数进行预处理;然后,通过改进的k-最近邻分类算法(k-nearest-neighbor classifier,k-NN)对数据进行处理,从而对未知的雷达电磁行为进行识别。实验结果表明:改进的算法引入剪枝加权策略可加强其分类识别能力,在分类准确率和时间效率上较原算法有一定的改善,对于雷达电磁行为的识别是有效可行的。     

基于深度迁移学习的低分辨雷达目标识别方法

针对低分辨雷达人工目标识别效率较低的问题,提出了基于深度迁移学习的雷达自动目标识别方法。该方法利用雷达回波序列轮廓像构建空中目标数据集,使用深度卷积神经网络自动提取回波数据中的深层特征,并对雷达目标进行分类识别。为了解决深度学习对样本量的巨大需求,在分类模型训练时,引入迁移学习思想,将经ImageNet数据集预训练过的初始网络模型迁移到雷达目标识别任务中,再通过空中目标数据集对模型参数进行微调,实现小样本条件下对空中目标的粗分类。实测数据的结果表明：所提方法能够在小样本条件下较为准确地对空中目标的大小和架次进行分类识别,具有良好的识别性能。     

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。     

基于LPC技术的运动车辆目标分类研究

将线性预测编码(LPC)技术应用于运动车辆目标的多普勒特征提取中。首先,基于微多普勒原理建立了车辆目标雷达回波模型,分析了履带式车辆和轮式车辆各自回波的特点。其次,针对杂波干扰问题,采用CLEAN算法对其进行抑制。在此基础上,利用实测数据,提取了不同车辆目标多普勒的LPC系数,给出了预测误差和计算时间在不同LPC阶数条件下的变化趋势。最后利用学习向量量子化(LVQ)方法对提取的LPC系数进行分类,实验结果证明了LPC技术在车辆目标分类中的有效性。     

一种基于隐马尔科夫模型的雷达辐射源识别算法

针对现代雷达采用复杂的PRI样式不能对其进行准确识别的问题,提出一种基于隐马尔科夫模型的复杂体制雷达辐射源识别算法。该算法将具有复杂PRI样式辐射源识别问题转化为对具有分类特征的码序列的识别问题,通过运用符号动力学中符号时间序列分析(symbolic time series analysis)理论,将上述码序列识别问题建模为隐马尔科夫模型予以解决,实现了对具有PRI抖动、伪随机编码等复杂PRI调制样式雷达辐射源的准确识别。仿真结果证明算法在PRI值有部分重叠的情况下仍具有很好的识别能力。     

基于矩阵分析的D-S证据理论的多传感器雷达体制识别

采用不确定推理的矩阵分析方法,建立了用于雷达体制识别的多传感器数据融合的数学模型,提出了一种基于矩阵分析的多传感器信息融合的新算法,结合多传感器多测量周期的雷达体制识别给出了具体的实例.识别结果说明了该算法的有效性.     

基于卷积神经网络的多功能雷达行为辨识研究

针对多功能雷达行为状态复杂多变、难以识别的问题,提出了一种基于卷积神经网络的雷达行为辨识方法.建立多功能雷达行为辨识模型,对数据进行预处理,构建多功能雷达信号样本集.通过变化点检测算法对原始雷达信号脉冲序列进行分割,补齐有缺失的特征参数,构造完整的可用于训练的信号加参数数组样本.并针对处理后的雷达行为数据集的特点设计卷...     

多窗口谱图分析的低截获概率雷达信号识别

在当前复杂的战场环境中,低截获概率雷达信号因其具有大时宽带宽积、强干扰性能、高分辨率和低截获性特点得到了广泛应用,传统的雷达侦察手段很难对其进行有效识别.在低截获概率雷达典型调制分析的基础之上,研究基于人工智能的雷达信号分类识别方法.从低截获概率雷达信号时频特征入手,提出基于多窗口时频谱图分析方法.该算法采用Hermi...     

基于深度森林的网络流量分类方法

随着网络应用的迅猛发展,流量分类在网络资源分配、流量调度和网络安全等诸多研究领域受到广泛关注。现有的机器学习流量分类方法对流量数据特征的选取和分布要求苛刻,导致在实际应用中的复杂流量场景下分类精确度和稳定度难以提高。为了解决样本特征属性的复杂性给分类性能带来的不利影响,引入了基于深度森林的流量分类方法。该算法通过级联森林和多粒度扫描机制,能够在样本数量规模和特征属性选取规模有限的情况下,有效地提高流量整体分类性能。通过网络流量公开数据集Moore对支持向量机、随机森林和深度森林机器学习算法进行训练和测试,结果表明基于深度森林的网络流量分类器的分类准确率能够达到96. 36%,性能优于其他机器学习模型。     

基于LVQ网络的高校科研能力评估

作为高校核心能力的科研能力,其高低已成为衡量一所高校综合实力的重要指标。如何准确高效的评价高校科研能力成为政府、企业和高校面临的一个十分重要的问题。影响高校科研能力的因素众多,本文选取11个典型指标,建立了基于LVQ的高校科研能力评估模型及算法。首先,介绍了LVQ网络;其次,建立了一种新的基于LVQ的高校科研能力评估模型及算法;最后,利用MATLAB R2009a编程实现了LVQ高校科研能力评估模型及算法。选取25所高校的科研能力数据用于仿真实验,其中20所高校数据作为训练集,其它5所作为测试集,该算法分类正确率为80%,达到了预期目标。仿真结果表明,该模型提高了高校科研能力评价的准确率,评价结果更加客观、公正,对高校科研能力评价具有一定的参考意义。     

基于BP神经网络的多功能相控阵雷达威力评估

运用动态静态结合的方法以及厂家测试数据、查阅外军资料等手段获得多功能相控阵雷达指标参数,采用BP神经网络建立威力评估模型。研究表明:所建立的BP神经网络多功能相控阵雷达威力评估模型具有很高的评估精度,可以很好地反映雷达二级指标和雷达威力之间复杂的非线性关系,为多功能相控阵雷达威力评估提供了一种准确有效的方法。     

高超声速飞行器低可探测性滑翔弹道优化方法

为进一步提高高超声速飞行器的突防性能,提出高超声速飞行器低可探测性滑翔弹道优化方法。考虑飞行器180°×360°方向的雷达散射截面,针对原数据尖峰多、收敛难的难题,运用高斯滤波法对其进行预处理,既不改变原数据趋势又加以平滑,提高优化问题收敛性能。为使计算所用雷达散射截面数据具备较强的保真性,采用三次样条插值方法调用离散数据计算实时雷达散射截面。完成了高超声速飞行器低可探测性滑翔弹道优化问题的建模,以探测概率为目标函数,运用hp自适应Radau伪谱法优化求解,采用逐步计算策略进一步提高优化效率和收敛性能。与传统最短飞行时间弹道对比表明,该方法有效降低了飞行器被雷达发现的概率。     

机载激光雷达数据的三维深度学习树种分类

针对传统基于激光雷达(Light Detection And Ranging,LiDAR)数据的树种分类方法难以直接且全面地利用点云的三维结构信息的问题,提出一种基于三维深度学习的机载LiDAR数据的树种分类方法.该方法直接从三维数据中抽象出高维特征,而无须将点云转化为体素或二维图像.以塞罕坝国家森林公园内白桦和落叶松...     

基于BP网络的某型火控雷达角跟踪系统故障诊断

在介绍BP网络基本结构原理及其学习算法的基础上,结合某型火控雷达的特点,以角跟踪系统作为被诊断对象,运用BP神经网络的数学模型及学习算法对其进行故障诊断。诊断结果表明BP网络能够准确地诊断出样本的故障,提高了某型火控雷达角跟踪系统的一线维修效率,为提高火控雷达故障诊断效率提供了一种新的途径。     

基于递归神经网络的飞机目标识别方法

针对宽带高距离分辨全极化雷达体制,提出了一种基于实时递归神经网络算法的飞机目标自动识别方法,实现了全极化下五类飞机目标的自动识别。实验结果表明,递归神经网络用于飞机目标识别是有效可行的。     

基于深度时频特征学习的雷达辐射源识别

针对雷达辐射源识别中拓展能力不足和识别率不高问题进行研究,提出一种基于深度时频特征学习的智能识别方法。基于降采样短时傅里叶变换高效提取具备较高辨识度和稳定性的浅层二维时频特征,利用信号局部频域维稀疏性完成降噪等预处理;设计用于深度特征学习与识别的卷积神经网络,并采用不同尺度卷积核组合扩展网络广度,强化特征表征能力;利用高信噪比条件下8种辐射源信号样本对网络进行训练调优,低信噪比样本测试验证算法和网络的有效性。仿真结果表明,该方式在-8 dB信噪比条件下能达到98.31%的整体平均识别率,具备较强的鲁棒性。     

一种基于SVM的炮位校射雷达弹道外推新方法

SVM是一种理论依据充分的机器学习新算法,主要用于对有限个样本的分类识别和回归建模.将一条弹道视为一个训练样本,利用SVM回归方法在不同弹道之间归纳弹道落点的规律,从而可以对未知弹道的落点进行预测.将SVM引入弹道外推是重要创新,构建具有代表性的训练样本,以及统一样本空间维数等是技术创新.仿真实验表明,SVM可以提高弹道外推精度,同时缩短外推时间.