过失速机动的AUKF-WNN气动力建模及仿真

为使所建立的气动力模型能够准确刻画复杂动态特性,提出一种基于改进UKF算法的小波神经网络(Wavelet Neural Network,WNN)飞行数据失速气动力建模方法。引入一种自适应因子来改善无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的性能;按照飞行数据的气动力建模流程,利用改进UKF算法对WNN参数进行最优化估计,构建失速现象的气动力模型。实验结果表明,针对飞行器失速的气动力建模问题,基于改进UKF算法的WNN建模方法,在建模精度和速度方面,优于传统神经网络和其他现有WNN方法,因此,使用提出飞行器失速的气动力建模方法是可行和有效的,得到预测结果也能准确刻画飞行器失速的动态特性。     

基于遗传神经网络的联合作战方案评估

遗传神经网络是处理不确定性和非结构化问题的一种有效工具。提出了一种基于遗传神经网络的联合作战方案评估方法,其基本原理是通过网络对已知作战方案样本的学习训练,对新样本进行模式识别。网络的输入为某型联合作战方案特征指标数据,输出为方案评估等级。仿真结果表明,该方法相比标准BP网络评估收敛速度更快,准确性更高;相比径向基网络计算精度有所改善,具有较好的适用性。     

基于改进近邻传播算法的Walsh软扩频盲解扩方法

针对现代二次雷达系统通信中存在的Walsh软扩频难以盲解扩问题,借鉴常规扩频解扩方法及聚类分析,提出了一种基于近邻传播算法的Walsh软扩频盲解扩方法。该方法首先对接收信号进行采样得到目标结构数据集合,并根据统计量估计得出信号时延。然后采用改进近邻传播算法进行伪码集合估计,并得到聚类中心从而得到伪码集合。最后利用已知的Walsh码和信息码的映射关系得到信息序列,完成盲解扩问题。仿真结果表明,在白噪声条件下,可有效解决Walsh软扩频盲解扩问题,性能较同类算法均有提升并降低算法复杂度。     

基于BP神经网络的智能军车车牌识别系统设计与实现

本文提出了基于BP神经网络的智能军车车牌识别系统设计与实现,该系统由军用车辆号牌图像预先处理、字符的定位、字符的分割和字符的识别等流程组成,重点研究BP神经网络识别车牌技术,进行Matlab仿真实验,并对实验结果进行了统计分析。     

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。