Hopfield网络在声目标识别中的应用

利用Hopfield联想记忆特性对声目标进行识别,并用计算机对系统的工作过程进行了模拟,模拟结果证明了Hopfield网络用于声目标识别的可行性。     

红外成象GIF中的神经网络识别算法

目标识别是红外成象GIF中的关键技术之一,利用神经网络可以完成目标识别的任务.在获得目标红外灰度图象傅立叶描述子特征的基础上,对BP神经网络、径向基函数神经网络和学习矢量量化神经网络在目标类型识别中的应用进行了研究.通过网络的设计及算法的仿真结果,比较了这几种神经网络的在目标识别方面的优缺点.     

基于Hopfield自联想神经网络的天幕靶信号识别技术

为了提高天幕靶系统测试精度和可靠性,探索测试产生各种干扰噪声如弹头激波、弹底激波、蚊虫飞鸟、振动等干扰因素的影响规律,利用Hopfield自联想神经网络的方法,识别并剔除典型因素干扰。通过对实弹射击试验得到的数据进行分析,充分验证了天幕靶系统的准确性和可靠性。分析结果表明：与电平信号识别相比,在射频为5发/min、口径为23 mm的炮弹测试中,自联想神经网络信号识别率提高了17.2%;在弹型为穿甲弹,口径为23 mm的测试中,Hopfield自联想神经网络信号识别率提高了46.7%;对于射频为7 500发/min的天幕靶连发弹丸信号测试条件下,正确信号识别率均达到了93%以上。在复杂环境条件下,Hopfield神经网络算法识别率远远高于传统的电平识别,提高了信号的识别率,能够适应一定区域内的复杂环境因素。     

基于多传感器数据融合的飞机目标自动敌我识别方法

为提高复杂环境下目标敌我属性识别能力,提出了一种基于多传感器数据融合的自动目标敌我属性识别方法。采用将IFF、ESM、雷达,红外获取的信息进行特征级融合的方法对目标进行识别,并采用模糊神经网络模拟真实战场环境,提高了目标的识别率和准确度。     

一种混沌Hopfield网络及其在二维自适应系统辨识中的应用

在对传统的混沌神经网络模型深入研究的基础上,构造了一种具有暂态混沌动力学特性的Hopfield神经网络模型。在Hopfield神经网络中引入混沌机制,使网络逐渐由混沌神经网络向Hopfield网络过渡,达到混沌控制的目的。网络利用了混沌搜索的随机性和轨道遍历性,因而具有较强的全局寻优能力。将其应用于二维自适应系统辨识中,仿真结果表明,该神经网络的寻优和逼近能力较强,辨识曲线与未知系统曲线非常接近。     

一种基于概率神经网络的目标识别方法

在分析雷达测量的空中目标威胁特征指标的基础上,建立了基于概率神经网络的目标类型识别模型.概率神经网络的强大分类能力使得对目标的识别变得迅速、准确.最后,通过算例对文中模型的正确性进行了检验.     

红外目标自动识别分类及跟踪算法

提出了一种红外图像预处理、跟踪、分类的自动目标识别算法,利用小波变换提取不同频带的多尺度空间能量和不变矩作为特征量,再用神经网络进行分类识别,结果表明该算法具有很高的识别率,对于精确制导武器的目标识别研究具有一定的参考价值.     

基于形状统计量的地面运动车辆识别

对典型车辆目标（如轮式车、履带式车）的地震动信号进行分析和处理,针对信号的功率谱提出了用形状统计量作为目标识别的特征,并对提取出的特征利用神经网络进行了目标识别。经过仿真实验,得到了比较满意的结果。     

基于LM优化算法的BP神经网络目标识别方法

误差反向传播算法（Back-propagation简称BP算法）是当前前馈神经网络训练中应用最多的算法。针对BP算法存在局部极小点,收敛速度慢等缺点,通过采用基于优化理论的Levenberg-Marquardt（LM）算法来改进BP算法。对提取的目标瞬态特性特征归一化后作为BP神经网络的输入,通过Matlab仿真对网络进行调整,并将训练好的网络进行军事目标识别。结果表明,该方法合理可行,且收敛速度快,预测精度高,为目标识别提供了一种新方法。     

基于小波和神经网络的红外目标特征提取与识别

研究了小波和神经网络相结合进行目标识别的方法.利用目标信息主要集中在低频部分的特点,对信号进行小波分解,提取在不同频带信号的多尺度空间能量和不变矩作为特征量,再用BP神经网络进行识别.实验结果表明,该方法具有很高的识别率,充分说明了红外图像信号在小波子带上的不变矩及能量分布具有表征目标类别的信息.该方法对于精确制导武器的目标识别研究具有一定的实用价值.     

多传感器目标识别的神经网络与证据理论结合方法

FMM人工神经网络在模式识别和分类中具有独特的优势，D-S证据理论在多传感器决策融合上具有优势。提出了一种FMM神经网络与D-S证据理论相结合的多传感器数据融合目标识别方法，给出计算机仿真结果，表明该方法可以克服单一传感器ATR系统的局限性，提高对目标的识别率和系统的容错性。     

基于演化计算的迷彩目标隐蔽策略仿真设计

针对典型自然环境下军事装备的隐蔽问题,提出一种新颖的演化计算策略,将其与图像仿真设计手段相结合,根据环境状况,构建一种快速仿真计算进而给出迷彩目标隐蔽策略的新方法。该方法主要包括迷彩目标与场景图像的融合仿真计算,引入视错觉条带覆盖的迷彩目标隐蔽计算,基于粒子群优化算法和概率分布采样的搜索计算,以及基于深度神经网络图像特征的融合度计算。运用深度神经网络图像分割模型,结合迷彩目标的分割识出率,评估新方法的性能。仿真实验结果表明：在林地和荒漠环境中获得的隐蔽仿真图像平均融合度可达0.99以上,平均分割识出率低于0.90;新方法能够为设计给定目标在场景图像中的隐蔽策略提供有效的依据,具有较高的实用价值和可扩展性。     

光电经纬仪不规则点阵的识别方法

在电子经纬仪测量过程中，点阵图像经常出现不规则的形状，导致识别误码率很高．基于BP神经网络技术，提出了一种适合各种形态点阵特性的识别方法，以增强对不规则点阵和图像噪声的适应能力，从而提高点阵识别的精度．实验结果表明，这种方法具有较高的抗干扰性和抗畸变能力，准确率高，满足事后数据处理要求．     

导弹飞行过程中动态载荷识别方法

导弹在飞行过程中的外部载荷会导致结构振动,从而引发燃烧不稳定。为了更好地理解燃烧不稳定性,预测外部载荷是很重要的。该文提出了一种基于神经网络的动态载荷识别方法。首先,设计并加工了导弹模型,进行有限元模态分析与模态试验,提取典型模态振动频率,验证了所使用有限元模型的合理性。该方法基于有限元模型开展仿真计算,神经网络由仿真结果中的足够样本数据训练,从而使神经网络能够识别典型载荷。搭建地面试验系统,开展地面激励实验获取相关数据,首先进行典型载荷识别,相对误差可达1.21%,验证了所训练神经网络的准确性和试验系统的可行性。随后对随机载荷进行识别,结果表明,用所提方法识别随机动载荷相对误差小于1.82%,该载荷识别方法具有良好的识别能力。对于导弹结构设计和发动机燃烧不稳定的预测具有重要意义。     

基于人工侧线系统的动载体流场感知

为增强水下航行器的导航和感知能力,通过模拟鱼类侧线在水下航行器中搭建人工侧线系统。介绍鱼类 侧线的功能和人工侧线的国内外研究现状,分析侧线管神经丘的生物模型以及 BP 神经网络算法的原理;将实验和 数值模拟方法相结合,分别收集水下航行器在不同流场环境下的静压数据;通过神经网络算法对流场的流速以及来 流角度进行识别。结果表明：BP 神经网络算法可有效识别流场参数,识别率达到 95%以上。     

一种深度强化学习的雷达辐射源个体识别方法

针对传统依赖于人工经验提取辐射源个体特征的不足,提出一种基于深度强化学习的雷达辐射源个体识别方法。利用发射机非理想信道造成的辐射源信号包络在信号变化时呈现的不同瞬态信息,以信号包络前沿作为深度神经网络的输入状态,以辐射源类别作为当前输入状态的可选动作,通过卷积神经网络自动提取辐射源包络个体特征,并拟合当前状态动作对的Q值,进而以强化学习模型完成雷达辐射源个体识别任务。讨论了深度Q网络模型、深度双Q网络模型以及Dueling Network模型3种深度强化学习模型在辐射源识别任务中的应用。实测数据仿真实验表明：传统机器学习算法的识别率不足80%,而深度强化学习网络的识别率高达98.42%.     

基于YOLOv5 算法的炮管内壁污渍识别与定位技术

为准确评估炮管内壁的清理情况,采用YOLOv5 人工神经网络结合机器视觉对清理后的155 mm 口径炮 管内壁的污渍进行实时检测。考虑到污渍主要分为油污与残留的铜渍2 种,在检测任务中通过图像识别技术分别对 污渍进行种类识别、定位以及对污渍面积判定;利用图像像素信息与外部环境信息,基于单目摄像头采集的视频图 像,采用改进并训练后的YOLOv5 人工神经网络模型作为识别工具对炮管内壁进行实时图像识别。实验结果表明： 该检测系统能较好地完成目标检测任务,对目标定位误差控制在5 cm 内,满足炮管内壁自动清理中的内壁污渍定位 要求。