HOUGH变换与航迹关联

在雷达情报自动化处理过程中 ,无论是集中方式还是分布处理方式 ,都要进行航迹关联 ,即要识别哪些航迹源于同一目标。利用 HOUGH变换方法 ,将航迹映射到参数空间进行聚类 ,从而达到航迹自动综合的目的。仿真实验表明 ,这种方法是行之有效的。     

一种基于模糊神经网络的非线性系统故障诊断方法研究

提出了一种基于模糊神经网络的非线性系统故障诊断方法.利用模糊C 均值聚类法对测量空间进行分割,再利用模糊规则对分割后的子空间分别采用BP网络进行逼近,从而获得不同子空间故障输出与测量输入的非线性动力学特性.计算机仿真表明该网络具有良好的泛化性能,方案可行.     

基于灰色聚类和模糊综合评判的装备——装备群健康状态评估

针对目前装备健康状态评估存在的问题,建立了一个基于灰色聚类和模糊综合评判的“装备-装备群”两级评估模型。该模型利用灰色聚类法来评估单个装备的健康状态,将得到的单个装备健康状态的聚类系数向量作为模糊综合评判的隶属度向量,利用模糊综合评判技术来评估装备群的整体健康状态。详细论述了评估模型建立的关键问题：健康状态的分级、评估指标、白化权函数以及权重的确定。最后通过实例分析表明,该模型评估结果合理,可操作性强。     

基于模糊聚类方法的机场目标选择模型

在现代战争中,机场作为一个战略级别的目标,要发挥其整体的作用需要目标群中的每个子目标都能最大限度地相互配合,使其本身的价值充分地体现出来.针对当前在目标选择上片面的问题,根据模糊聚类方法的基本原理,结合机场本身的特征进行改进,构建了机场目标选择模型,通过计算,证明可以克服以往目标打击方案界定的不明确性,避免了选择目标的单一化.     

基于优化初始聚类中心K-Means算法的跳频信号分选

提出了一种优化初始聚类中心的方法.方法通过搜索参数统计直方图峰值预估类数目,并根据峰值位置确定聚类中心大概位置.由于优化的初始类心与实际类心相隔不远,聚类迭代次数大为减少.与传统的优化聚类中心方法相比,本方法计算量更少.最后将改进K-Means聚类算法应用于跳频信号分选,仿真结果表明,分选效果良好.     

基于对抗演练的坦克单车成绩评定方法

为合理评定坦克分队对抗演练过程中各单车的操作技能,基于各单车在对抗过程中的相关数据特征,运用模糊聚类算法对单车对抗水平进行聚类分析,得出了各单车的等级评定成绩。提出了一种改进的ReliefF算法,将其差异明显、差距较大的属性特征分离,为坦克单车以及分队找出差距、制定日后训练重点提供了重要依据,并通过一实例阐明了此方法的实现步骤,验证了此方法的科学合理性。     

基于单一聚类方法的航空器相撞HFACS诱发模式分析

为了有效防控航空器相撞事故的发生,保证航空系统安全、有序和高效运行,提出一种基于单一聚类过程的人为因素分析分类系统(HFACS)诱发模式分析方法。在该方法中,首先,根据航空器相撞的具体特点建立了HFACS。然后,利用HFACS对发生的航空器相撞事故/事故征候进行量化,构建历史信息的数据表。最后,采用单一聚类方法对得到的数据表进行诱发模式分析,识别出重要的诱发模式及模式中包含的重要影响因素,并据此提出防相撞的管控措施。实例分析表明,所提出方法的实现过程简便,定性定量结合,形式易于理解,分析结果也更加贴近实际,对于提升防相撞的管理和决策水平,防范航空器相撞及减少造成的损失具有重要的实用价值。     

基于一乘准则的LMR在声音转换中的应用

线性多变量回归中聚类数的选择对转换效果有很大影响,通过研究聚类数与类内均方差、类间均方差的关系确定最佳聚类数。针对传统二乘规则的 LMR 的转换语音在听觉上自然度较差的缺陷,提出了基于一乘规则的 LMR,采用遗传算法解决绝对值条件下转换矩阵的求解问题,实验仿真表明,基于一乘规则的 LMR 的转换语音在主观听觉上优于基于二乘规则的 LMR,ABX 测试识别率平均提高了12.5%,MOS 分提高了0.24。     

基于模糊聚类-BP神经网络模型的战场目标识别

神经网络可以用来识别战场目标,但是传统神经网络具有样本多、学习速度慢的问题.为了解决上述问题,建立了一种基于模糊聚类和神经网络相结合的目标识别模型.仿真实验表明,用该模型进行目标识别,可以科学地选取样本,提高网络的训练速度和运行速度,并且能确保目标识别的正确率.     

雷达信号非均匀粒度聚类分选方法

聚类分析是数据挖掘中的重要技术.在比较分析了两种常用的聚类分析方法的基础上,将基于商空间的非均匀粒度聚类算法应用于雷达信号分选中,仿真实验的结果表明:该算法可以从不同层次观察聚类数据,更适用于复杂雷达信号聚类分选,具有良好的性能.