一种基于支持向量机的无源雷达目标识别方法

针对传统的无源雷达目标识别系统存在的不足,提出了一种新的基于模式识别的目标识别方法。在提取雷达辐射源信号熵特征的基础上,设计支持向量机(SVM)分类器完成目标的分类识别。理论分析和实验结果表明,提出的方法在较大信噪比范围内均能获得比较满意的识别率及识别效率,优于传统的基于常规特征参数的识别方法。     

一种舰船目标一维距离像识别的新方法

提出了一种基于傅里叶-梅林变换和二叉树支持向量机相结合的舰船目标一维距离像识别方法。该方法充分利用了傅里叶-梅林变换具有的时移与尺度不变性和支持向量机在小样本分类中的优势,可以改善目标的特征稳定性,提高识别性能。针对多类舰船目标的识别,提出采用聚类分析中的均值距离来生成二叉树,将分类器分布在各个节点上,构成了多类支持向量机,减少了分类器数量和重复训练样本的数量。对4类舰船目标仿真实验的结果表明,该分类方法具有较高的识别性能、较快的识别速度。     

基于最小二乘支持向量机的坦克炮身管剩余寿命预测方法

针对高膛压坦克炮身管剩余寿命预测的难题,结合坦克实弹射击试验数据量少和非线性的特点,基于最小二乘支持向量机构建了坦克炮身管剩余寿命预测模型,给出了模型参数的选取方法,并以某型坦克炮射击试验为基础,对坦克炮身管剩余寿命预测模型进行了验证。结果表明:该模型预测坦克炮身管剩余寿命效果良好。     

一种对间歇采样转发干扰的识别新方法

间歇采样转发干扰是一种针对相干雷达的有效干扰样式,该类干扰的抑制技术研究需求迫切,而干扰识别历来是抗干扰流程中的关键环节,针对间歇采样转发干扰的识别问题,提出了一种基于关联维数的干扰识别方法。通过对3类间歇采样转发干扰信号进行傅里叶变换,挖掘信号频谱上的差异,提取频域关联维数作为干扰识别的特征参数,并利用支持向量机进行分类识别,为后续雷达系统采取针对性抗干扰措施提供重要的决策信息。仿真结果证明该方法具有较高的识别率。     

地球静止轨道高能电子通量在线预测模型研究

利用粒子群优化算法和最小二乘支持向量机,建立了地球静止轨道高能电子通量(1.8-3.5MeV)在线预测模型。针对粒子群优化算法,提出了一种新的粒子群多样性测度计算方法,有效改善了其早熟收敛现象;基于改进的粒子群优化算法优化最小二乘支持向量机的正则化参数和核参数;利用滑动时间窗口策略更新模型数据,设计变量选择触发机制以及模型的再学习机制实现模型的在线预测功能。[根据题目的调整,对摘要做了相应改动]通过对2000年电子通量监测数据和相关太阳风、地磁参数等实际数据进行提前1-3天的预测实验,表明了所建在线预测模型具有较高的预测性能,有一定的实用价值。     

基于集对分析和LS-SVM的装备研制风险综合评价

【】为了有效防控武器装备的研制风险,确保武器装备项目的顺利推进,提出一种基于集对分析(SPA)理论与最小二乘支持向量机(LS-SVM)方法的装备研制风险综合评价方法。在该方法中,首先,根据武器装备研制的具体特点,建立了装备研制风险评价指标体系。然后,在此基础上,引入SPA分析理论中的联系度和集对概念构建了训练样本和测试样本。最后,使用获取的样本对LS-SVM进行训练和测试,得到装备研制风险评价模型,并据此给出评价结果。案例分析表明,所提出方法过程简便,定性定量结合,形式易于理解,评价结果也更加贴近实际,对于提升装备研制项目风险管理和决策水平,具有重要的实际意义。     

基于支持向量机的战套器材组配决策研究

通过交叉验证找出影响战套组配的3个重要参数的取值,并构建飞机的战套器材组配决策模型,最后利用libsvm工具包对某型军用飞机的战套组配的可行性进行了分析。结果表明：基于支持向量机的战套器材组配决策是可行的。     

多特征空间下的支持向量机及其在图像识别中的应用

分别在主成分分析(PCA)、独立成分分析(ICA)和线性鉴别分析(LDA)所构造的特征空间下用模糊支持向量机(FSVM)进行人脸识别。同时,提出了一种改进的FSVM方法,即利用FSVM和多叉决策树相结合的思想来设计人脸分类器,从而使FSVM分类器的速度得到了大幅度的提高。通过在ORL人脸库上的实验结果表明,该算法是有效的。     

支持向量机技术的雷达板级电路快速故障诊断

介绍了支持向量机的基本原理.针对目前雷达装备诊断过程中存在的可更换板级电路多、传统诊断方法不理想等问题,提出了一种基于支持向量机的雷达板级电路快速诊断方法.建立了故障诊断样本训练和测试平台,对某型雷达预调器板进行了故障诊断实验.结果表明,该方法诊断准确性高,比其他方法更为快速有效,较好地解决了雷达可更换板级电路的故障诊断问题.     

预测偏差的LS-SVM预测控制

提出了一种基于预测偏差的最小二乘支持向量机预测控制模型.首先介绍了最小二乘支持向量机预测模型,研究了基于预测偏差的控制算法,并给出了基于预测偏差的最小二乘支持向量机预测控制结构.通过利用最小二乘支持向量机辨识被控系统模型,同时预测系统的未来输出,然后用预测偏差控制算法进行滚动优化和反馈校正.仿真实例中,针对同一系统与基于预测偏差的RBF网络预测控制进行对比分析,表明该模型对系统的预测结果有更好的控制作用,并具有一定的抗干扰能力,有效地提高了预测精度.