基于熵的RBF神经网络在软测量中的应用

为了更好地确定RBF神经网络中心向量,并且使得最终的RBF神经网络结构可以进一步调整。提出了一种使用熵聚类的算法来首先确定RBF神经网络隐节点的个数及其初始值,实现初始化的基础上使用常规算法调整RBF神经网络的中心和训练宽度,最后使用基于互信息的RBF神经网络修剪算法调整网络结构。并将上述算法应用于COD软测量问题中,仿真实验结果表明：改进的算法与常规的算法相比,提高了训练速度和逼近精度。     

通信卫星干扰定位的RBF神经网络方法

本文提出了结合卫星多波束天线,利用径向基函数（ＲＢＦ）神经网络实现通信卫星干扰源精确定位的方法,这种方法可获得很高的定位精度,且能直接获得信号ＤＯＡ估计的闭式解,从而避免其它经典的高精度ＤＯＡ估计方法（如ＭＵＳＩＣ、ＭＬ等）所必需的全方位峰值搜索,同时由于神经网络优异的并行运算能力,所提方法具有实时估计的优越性,有望应用于实际的实时定位系统中。计算机仿真也验证了这一方法的可行性。     

有源干扰感知的熵理论方法

面对日益复杂的电磁环境,用户对干扰感知技术提出了更高的要求。本文采用一种基于熵理论的干扰感知方法,对六种常见的有源干扰（三种压制式干扰和三种欺骗式干扰）进行特征提取,通过仿真结果分析其在不同熵特征下的差异,得出了熵理论可用于干扰感知技术的结论。其中,信息熵和指数熵能够区分噪声调幅干扰,范数熵能够较好地区分三种压制式干扰和速度欺骗干扰;但三种熵理论方法均难以区分距离欺骗干扰和速度欺骗干扰。同时,通过比较三种熵理论特征提取方法的仿真时间,分析了三种特征提取方法的计算复杂度,得出了范数熵计算复杂度最低的结论。最后,通过朴素贝叶斯分类器确定了三种熵理论方法的识别率。      

基于改进RBF神经网络的数字调制识别

针对数字调制信号自动识别中分类器的设计,通过将决策树的方法应用到RBF中心的确定中,解决了常用算法计算量大、收敛速度慢的问题,提高了网络的学习精度和训练速度,将其应用到常用的7种数字调制信号(2ASK,4ASK,BPSK,QPSK,2FSK,4FSK,16QAM)的自动识别中,取得了好的结果。经仿真表明,使用该方法构造的神经网络,具有易于构造、可理解性好、收敛速度快且构造的网络规模较小的特点,适于工程应用。     

一种基于RBF神经网络快速准确七段码识别方法

文章介绍了一种基于RBF神经网络七段码识别方法，它是在VC＋＋编程环境下实现的。本系统主要特征是分段线性灰度变换、倾斜度调整、映射归一、特征提取。实验表明这种方法运行速度快、识别率高。这种方法具有一定的实用价值。     

基于时频域分析的雷达有源干扰识别方法及实现

通过分析雷达压制干扰信号、欺骗干扰信号的时频域特征,设计了一种基于时频域分析的干扰信号识别方法,并描述了其实现方法。为保证干扰信号识别的实时性和准确率,利用数字信道化接收机原理进行信号预处理,获取信号的时频功率谱、高分辨率功率谱以及脉冲描述字(PDW)数据,后续由数字信号处理器(DSP)芯片多核并行处理完成干扰识别分类。     

基于RBF神经网络的盲均衡算法综述

RBF神经网络是一种局部逼近的多层前向神经网络,具有算法简单,收敛快,逼近效果好,泛化能力强等优点。RBF通过非线性基函数的线性组合实现从输入空间到输出空间的非线性转换。盲均衡则是一种不借助训练序列,仅利用接收序列和发送序列的先验知识来恢复发送序列的方法。文中基于RBF神经网络的研究给出盲均衡的算法综述。     

基于贝叶斯深度学习的一维雷达有源干扰信号识别方法

雷达干扰信号准确识别是雷达抗干扰的前提,对于雷达生存至关重要。针对传统雷达干扰信号识别方法需要繁琐的分析计算提取特征,通用性差,泛化能力弱,难以适应复杂的雷达工作环境问题。本文考虑无需人工提取特征信息且具有较好的分类识别效果的深度学习网络。考虑到传统的深度学习网络由于使用点估计方式,不能够很好的衡量预测结果中的不确定性,本文提出了一种基于贝叶斯深度学习的干扰识别方法。首先,通过概率建模代替网络参数模型的点估计,解决了不确定性随机数据引起的网络过拟合问题。其次,考虑有效利用雷达回波信号的时序特性设计了LSTM层,同时解决训练过程中的梯度消失问题。基于线性调频雷达有源干扰实测数据完成了网络训练与测试,实验结果表明,引入贝叶斯方法可以在加快网络收敛速度的同时有效提高识别准确率。     

基于RBF神经网络的肓均衡算法综述

RBF神经网络是一种局部逼近的多层前向神经网络,具有算法简单,收敛快,逼近效果好,泛化能力强等优点.RBF通过非线性基函数的线性组合实现从输入空间到输出空问的非线性转换.盲均衡则是一种不借助训练序列,仅利用接收序列和发送序列的先验知识来恢复发送序列的方法.文中基于RBF神经网络的硬究给出盲均衡的算法综述.     

基于元学习的压制式干扰识别方法研究

针对复杂电磁环境下干扰信号样本量少而难以识别的问题,提出基于元学习的干扰识别方法。首先计算干扰信号频率响应的Holder系数;然后将干扰信号的时频图经残差网络输出的特征向量与上述Holder系数进行多模态融合组合成新的多维特征向量;最后利用元学习将输出的多维特征向量拆分为编码向量和干扰信号时频图相关的协方差矩阵,计算干扰信号的预测值,通过计算实际值与预测值之间的最短欧氏距离进行干扰信号的识别分类。仿真结果表明,该干扰识别方法能够有效提高在小样本数据集1-shot和5-shot上的识别率。     

基于人工免疫RBF神经网络的时间序列预测方法研究

研究了一种基于免疫识别原理的径向基函数神经网络学习算法,该算法将所识别的数据作为抗原,抗体为抗原的压缩映射并作为神经网络模型的隐层中心,采用最小二乘法确定权值,提高了RBF神经网络收敛速度和精度.将人工免疫RBF神经网络应用于时间序列预测中,实例仿真结果证明了算法的有效性和可行性,为时间序列预测提供了一种新途径.     

基于遗传优化RBF神经网络的声纹识别研究

提出了一种基于遗传优化RBF神经网络的声纹识别算法,该算法中采用遗传算法对传统的RBF神经网络基函数中心以及宽度进行优化处理,克服了传统RBF神经网络参数难以确定的缺陷。同时,算法结合心理声学模型,提取了能表现说话人个性特征的Mel倒谱系数为特征进行说话人识别,可较好地提升系统的抗噪性能。仿真实验结果表明,与传统RBF神经网络相比,该方法具有快速学习网络权重的能力,并且网络的全局寻优能力强,使得系统的识别率进一步提高。     

基于人工免疫RBF神经网络的分类模型研究

径向基函数(RBF)神经网络广泛应用于非函数逼近、模式识别等领域,是一种泛化能力强、训练速度快的智能信息处理方法,其隐层中心的选择很关键.用改进的人工免疫网络算法提取原数据集的特征数据,并以该特征数据作为RBF网络隐层节点的中心,从而自适应地确定聚类中心的数量和位置,提高了RBF神经网络的学习速度和精度.将改进后的人工免疫RBF应用于iris数据集分类和遥感影像分类中,实验证明了算法模型有效可行,且具有理想的分类准确率.与其它神经网络分类方法相比,大大提高了分类准确率.     

基于奇异值分解与神经网络的干扰识别

无线通信中的抗干扰技术对通信的稳定性和安全性都具有重要意义,干扰识别作为抗干扰技术的重要环节一直是研究的热点。该文提出一种基于奇异值分解与神经网络的干扰识别方法,该方法只计算信号矩阵的奇异值即完成特征提取,与传统方法相比节省了多个谱特性的计算量。仿真结果表明：基于奇异值分解与神经网络的干扰识别方法与传统方法相比在干信比为0 dB左右的条件下识别准确率有10%～25%的提高。     

基于灰色理论的一种箔条干扰识别方法

箔条干扰是一种常用的无源干扰,对雷达构成极大的威胁。利用箔条回波和目标回波时域波形的差异,提出了一种基于灰色理论的箔条干扰识别方法。对每个回波信号序列进行小波分解与重构,计算相邻两个回波之间的灰色关联度,由此进行箔条回波检测。仿真结果表明,该方法简单、实用、识别率高。     

BP和RBF神经网络的地下水位预测结果比较

地下水位的变化是一个复杂的非线性过程,并且地下水位与其影响因素之间存在着复杂的非线性关系。对于处理这类问题神经网络是一种合适的方法。本文对BP和RBF神经网络在地下水位预测中的应用进行比较和研究。通过仿真实例结果显示,BP神经网络和RBF神经网络都能很好的对地下水位进行预测,但是RBF神经网络比BP神经网络的训练速度更快,精度更高,充分体现了RBF神经网络中在地下水位预测中的优越性。     

基于FPGA的RBF神经网络的硬件实现

介绍了RBF神经网络,并采用CORDIC算法实现了其隐层非线性高斯函数的映射。同时,为缩减ROM表的存储空间并提高查表效率,本设计还采用了基于STAM算法的非线性存储。最后,以Altera公司开发的EDA工具QuartusⅡ作为编译、仿真平台,采用Cyclone系列中的EP1C6Q240C8器件,实现了RBF神经网络在FPGA上的实现,并以XOR问题为算例进行硬件仿真,得出仿真结果与理论值一致。     

基于改进型T-S模糊RBF神经网络的红外火焰探测器识别算法

针对三波段红外火焰探测器中可能出现的单一非火焰波段通道的数据丢失、失真、饱和3种对火焰特征数据的强干扰情况,本文提出了一种改进型T-S(Takagi-Sugeno,高木-关野)模型RBF(Radial Basis Function,径向基函数)神经网络的火焰识别的鲁棒性融合算法.该算法通过聚类算法确定模型需要的模糊规则...     

基于深度CNN模型的SAR图像有源干扰类型识别方法

合成孔径雷达(SAR)能够全天时全天候获取感兴趣区域的高分辨率雷达图像,在诸多领域获得了成功应用。在电子对抗博弈环境下,SAR图像解译与情报生成也面临复杂电磁干扰的严重影响。当前,国内外学者提出了许多SAR抗干扰技术方法。然而,作为抗干扰的前提,SAR图像干扰类型识别这一关键技术却鲜有报道。该文针对SAR图像典型有源干扰类型识别开展研究。首先,选取5种典型有源干扰样式,并根据干扰参数,细分为9种干扰类型,作为干扰识别对象。其次,开展干扰信号回波仿真,通过与MiniSAR实测数据进行回波域叠加和成像处理,构建了典型有源干扰类型样本集。在此基础上,提出了一种结合注意力机制的深度卷积神经网络(CNN)模型,并开展了对比实验验证。实验表明,对不同场景和不同干扰参数情形,相比于传统深度CNN模型,该文方法取得了更高的识别精度和更稳健的性能。