遗传算法优化RBF网络的图像杂波抑制技术研究

在红外搜索与跟踪系统中,背景杂波抑制效果将直接影响到低信噪比条件下点状运动目标的检测及跟踪性能。利用RBF神经网络的非线性映射能力和遗传算法的全局搜索机制,本文研究了一种利用遗传算法（GA）优化RBF神经网络的背景杂波抑制技术。杂波抑制后,残留噪声的高斯性和独立性通过Kendall秩相关法和计算Friedman统计量的方法进行了验证,背景杂波抑制效果与BP神经网络和常用的Uniform加权函数进行了比较,结果表明本文研究方法可行有效。     

基于混沌神经网络的海上目标图像的海杂波抑制方法

针对目前基于随机信号模型的海上目标图像海杂波抑制的常用方法效果不甚理想,提出了一种基于混沌神经网络的海上目标图像海杂波抑制方法。考虑到海杂波运动固有的混沌性导致其海上目标图像具有混沌特征,在海杂波混沌动力系统相空间重构的基础上构造海杂波动力学模型,运用径向基函数(RBF)神经网络提取模型参数,以此预测和抑制海杂波。用实际海上目标图像进行海杂波抑制实验,并与最小均方(LMS)算法和最大Lyapunov指数法相比,实验结果表明,本文方法对海杂波具有良好的抑制效果,使其平均绝对误差(MAD)减小了30%,信噪比(SNR)提高了4到6dB,可为海上弱小目标检测提供新的解决思路。     

海杂波的短时非线性预测研究

海杂波预测是雷达信号处理和目标检测的研究热点。在海杂波具有混沌特性和非线性非平稳特点的基础上,研究了基于归一化RBF神经网络和最小二乘支持向量机（LSSVM）两种方法对海杂波时间序列进行非线性预测。考虑到海杂波是来自于移动海面的回波,预测应该考虑空间信息,因此提出一种基于LSSVM-耦合映像格子（CML）的海杂波时空预测,这样预测更具有物理意义。以实测海杂波数据作为预测的初始数据和预测效果比对,采用均方差和最大绝对误差作为预测效果评价标准。实验结果表明,由于LSSVM-CMI,算法考虑了海杂坡的时空信息,预测效果最优。     

红外图像中小目标检测研究

在获得的红外序列图像中,检测和跟踪微弱小目标一直是研究的重点。本文对小目标检测系统的背景抑制和目标检测算法和方案进行了调研。采用背景抑制算法以获得更高的信噪比,利用NP准则对图像进行分割,然后用识别算法对目标进行跟踪和识别。计算结果显示,抑制杂波后,采用序贯图像检测能够很好地增加探测概率。     

基于神经网络的海杂波模型

采用相空间重构方法构造海杂波内在动力学模型,并运用神经网络提取模型参数,通过获得的模型参数对海杂波进行预测和补偿,实现海杂波抑制的目的．对雷达采集的实际海杂波数据的实验结果表明,该方法具有较好的杂波抑制效果．     

跟踪制导雷达中杂波图的设计与实现

常规的跟踪制导雷达由于工作在距离波门模式,基本没有杂波干扰问题。现代战争环境要求跟踪制导雷达具有自主目标搜索能力,因此跟踪制导雷达也将面临杂波抑制问题。杂波图是地面情报雷达常用的一种杂波抑制方法,其实现方法不适用于跟踪制导雷达这种波束扫描变化十分灵活的雷达体制。文中根据制导雷达在不同工作模式下波束扫描的变化规律,通过对工作波束进行统一编号来构建三维杂波图,根据编号可以方便地实现杂波图的建立及扩展。该方法适用于具有搜索模式的跟踪制导雷达,简单易行,杂波抑制效果明显。     

非跟踪体制炮位侦察雷达目标自动识别技术的实现

非跟踪体制炮位侦察雷达要实现目标的自动识别，其关键技术是背景杂波的处理和对目标信号的识别。文中提出了采用脉冲积累技术，对非相参脉冲串信号处理进行视频积累，由门限判决器判断有无目标回波、抑制噪声和杂乱脉冲干扰，降低系统的虚警率；采用杂波存储技术存储全画面杂波，建立静态杂波图，有效地抑制地物杂波的影响；采用单片机主-从系统双机速度识别技术，对回波信号进行速度识别和相关处理，实现非跟踪体制炮位侦察雷达目标自动识别。     

在强海杂波背景下的潜望镜检测

分析了目标特性和海杂波特性,分析了在强海杂波干扰背景下检测潜望镜的一种方法,着重叙述了三维滤波器－检测前跟踪的处理方法和抑制海杂波的原理,给出了仿真及试验结论。     

基于GA-RBF神经网络的光学图像背景抑制方法

根据图像背景的局部平稳性,提出了通过逼近背景局部相关特性来估计图像背景的方法,并且采用RBF神经网络来逼近图像背景的这种局部相关性.文中根据径向基函数神经网络的训练要求,用遗传算法来训练神经网络中的各个参数.实验结果表明,训练后的神经网络背景抑制算法能够很好地抑制图像中的背景,并同时增强了目标信号.     

采用剪切波变换的红外弱小目标背景抑制

提出了一种将剪切波变换与贝叶斯统计机理相结合的背景抑制新方法来解决红外搜索跟踪系统探测复杂空中和地面背景杂波中的弱小目标这一难题.根据红外图像中目标和背景杂波的不同分布特性,首先,采用剪切波变换对原始红外图像进行多尺度和多方向分解,获得原始图像的多尺度和方向细节特征,然后,通过应用高斯尺度混合模型进行处理,从而将红外图...     

混沌背景下基于RBF神经网络的弱信号检测

弱信号检测问题是目标检测中一个重要的研究内容。通常，采用贝叶斯(Bayes)方法来检测目标信号的存在。在本文中利用背景信号为混沌这一先验信息，采用了RBF神经网络对模拟产生的淹没在混沌背景中的暂态信号进行检测，并将该方法与采用BP神经网络时的检测性能进行了比较。仿真实验结果表明，基于RBF神经网络的检测性能优于BP神经网络。     

天波超视距雷达海杂波的混沌动态特性分析

利用替代数据法对实测回波信号进行非线性检验,Cao方法进行相空间重构、Rosenstein小数据量法计算最大Lyapunov指数、改进的格拉斯伯格-庞加莱算法(GPA)计算Kolmogorov熵以及局部可预测性检验研究了高频天波雷达(OTHR)海杂波的混沌动态特性。仿真计算表明:实测的高频天波雷达海杂波吸收子具有稳定收敛的关联维数、正的最大Lyapunov指数和正的Kolmogorov熵以及具有局部可预测的特性,验证了高频雷达海杂波确实来自于一个低维混沌系统。利用方差分析初步讨论了电离层对回波混沌特性的影响,研究表明:电离层将对回波混沌特性产生显著的影响。这些结论对高频雷达目标探测和海杂波建模研究都具有重要意义。     

全卷积神经网络应用于SAR目标检测

在合成孔径雷达（SAR）图像目标检测中,由于场景杂波的复杂多变,对背景杂波统计模型估计难度增加,从而导致多数检测器容易受到背景杂波的干扰。针对如何避免场景杂波对目标检测干扰的问题,提出了一种基于全卷积神经网络的SAR目标检测模型。该模型将目标检测任务转化为像素分类问题,利用卷积神经网络对数据集中目标像素特征和背景杂波像素的先验信息进行自主学习,有效减少了虚警目标的数量;通过对目标及其阴影区域的联合检测,提高了目标的检测概率。对多个不同场景图像进行测试,实验结果表明提出的检测模型具有良好的检测性能和鲁棒性能,与传统恒虚警检测算法相比,在无需考虑背景杂波统计模型前提下有效降低了虚警概率。     

基于复值深度神经网络的目标检测方法

针对雷达在检测概率要求严苛的多旁瓣干扰复杂场景下使用传统目标检测方法无法满足需求,性能有待进一步提升的问题,本文提出了一种基于多通道复值深度神经网络的雷达目标检测方法。传统脉冲体制阵列雷达的恒虚警率目标检测通常在和通道进行,在对回波信号进行空域相参预处理过程中获得了相参积累的同时丢失了阵元间的相位信息,而实际上目标回波在阵元间存在着一定的相位关系。本文利用神经网络强大的拟合能力和分类能力,将目标检测视为二元分类问题,设计复值深度神经网络深入挖掘目标与背景在不同阵元间的幅度及相位信息差异,从而在传统目标检测和通道-距离-多普勒空间的更前端更好地区分目标与背景的差异,提升了雷达目标检测性能。实验结果显示,所提方法在存在大量旁瓣干扰的场景下,相较传统方法具有更好的检测性能表现和抗干扰能力,且在杂波环境中也有良好的表现。      

海杂波背景下基于RBF神经网络的目标检测

对海杂波背景下雷达目标检测的最新研究表明,海杂波具有混沌的许多典型特征.本文利用海杂波具有混沌行为这一先验信息,构造了一个神经网络预测器来重构海杂波的内在动力学,并引入一种基于混沌的检测方法对Swerling I型目标和雷达采集的实际海杂波数据进行检测分析,同时讨论了嵌入延迟τ对检测性能的影响.实验结果表明,这种检测方法能有效地实现海杂波背景下的目标检测,并且其检测性能随τ的增大呈下降的趋势.     

一种改进的RBF整定PID及其仿真实现

文中在分析RBF神经网络整定PID算法优缺点的基础上,给出了一种采用遗传模拟退火算法来优化网络结构和权值参数的RBF神经网络,将改进的RBF神经网络用于整定PID控制,并给出了相应的仿真测试例子。仿真实验结果表明,与采用梯度法优化网络权值等参数的RBF神经网络相比,给出的优化算法能更好地辨识控制系统,具有通用性好、调节精度高、在抑制超调量能力强等优点。     

基于RBF神经网络的永磁同步伺服电机控制系统

针对永磁同步电机控制系统,建立其磁场定向控制数学模型。运用增量式数字PID的方法实现对PMSM的传统PID控制策略。在此基础上,借助RBF神经网络的学习能力,进行PID控制器参数的自适应整定,进一步改善PID控制器的性能。同时,为提高RBF网络性能,采用粒子群算法对网络进行优化。仿真表明,与传统PID控制比较,基于RBF的PID控制系统能提高PID控制器的性能,改善了PMSM控制系统的收敛速度和跟踪精度。     

混沌时间序列预测与目标检测

首先介绍了混沌的基本特性,然后利用混沌时间序列对RBF（Radial Basis Function）神经网络进行训练,用训练好的神经网络预测未来的混沌序列的值,最后分别对淹没在混沌杂波及混沌杂波加一定强度的白噪声中的目标进行检测。仿真结果表明,这种方法具有较好的目标检测能力。