BP神经网络在雷达目标识别中的应用

针对雷达目标信号复杂多样的特点,提出了基于BP神经网络的雷达目标识别方法。BP神经网络具有学习功能,能够有效地提高雷达目标识别系统的效率。实验结果证明了该方法的有效性和实用性。     

GA-BP神经网络在雷达目标跟踪中的应用研究

目标的运动过程一般是非线性过程,神经网络具有很强的非线性拟合能力,可映射任意复杂的非线性关系,以神经网络为基础的模型能够很好地反应目标的非线性运动趋势。本文在分析传统的BP神经网络的基础上,引入GA遗传算法来优化神经网络的初始权值和阀值,同时将GA-BP神经网络模型运用于对雷达目标的跟踪过程中,并通过仿真验证该模型的精度较高。     

遗传算法优化神经网络在图像目标识别中的应用研究

针对传统的目标识别方法存在易陷入局部最佳值和识别精度低的问题。提出基于遗传算法优化神经网络的图像目标识别方法,通过灰度共生矩阵运算出图像的纹理特征值,并融合像素灰度值构成分类图像的特征矢量,将特征矢量输入到神经网络中实施训练。神经网络先采用遗传算法获取最佳检索范围,再通过高阶神经网络实施寻优运算,获取最佳的图像目标识别结果。实验结果说明,所提方法在图像目标识别精度和效率方面具有较高的优越性。     

基于神经网络的水果识别系统设计

人工智能的时代给我们的日常生活带来了极大便利,水果作为生活中的必要品,每天食用适量的水果可以补充维生素C,对我们的身体健康十分有益,有关于对水果识别的研究就显得十分必要。在对水果进行识别时,通过针对不同水果的形状、大小、颜色、纹理等特征进行分析,根据训练BP神经网络达到对水果准确识别的目的。     

基于GA的BP神经网络在多目标优化中的应用

针对传统多目标优化的求解方法通常存在目标权值主观性大,优化目标仅为各目标加权和以及在求解过程中各目标优化的不可操作性等问题,文中提出了一种新颖的多目标优化算法,其将改进后的遗传算法与BP神经网络融合,提出了基于遗传算法的BP神经网络融合算法。该算法将遗传算法与BP神经网络算法相结合,充分发挥遗传算法的全局搜索能力优势和BP算法的局部搜索能力特点,使得多目标优化问题得以求解,加快收敛速度,从而提高了收敛精度。     

遗传神经网络在腔体滤波器结构参数优化中的应用

在工程实践中,为了减少对腔体滤波器结构参数设计的盲目性和对经验的依赖性,不断提高设计效率,提出了一种基于遗传神经网络的优化设计方法。该方法采用浮点数编码方式和自适应的交叉率、变异率,将改进的遗传算法用来优化BP神经网络的权重,在MATLAB环境下调用HFSS实现腔体滤波器的优化设计。仿真实验表明,该算法能够较精准的预测腔体滤波器的结构参数,可提高设计精度及优化速度。     

基于遗传算法的神经网络集成在人耳识别中的应用

BP神经网络算法存在收敛速度慢和网络泛化能力差的缺点,影响分类识别率。为了提高网络的分类识别能力和泛化能力,在此介绍一种基于遗传算法的神经网络集成方法,即训练出多个个体BP神经网络,利用遗传算法选择差异度较大的个体BP网络进行神经网络集成,再利用该神经网络集成进行分类识别。实验结果表明,神经网络集成可以提高识别率。     

基于模糊神经网络的目标识别

结合模糊推理和神经网络两种方法的优点,从网络的结构、工作过程、学习算法等方面,探讨了一种基于模糊神经网络(FNN)的目标识别方法。通过仿真结果证明,此方法确实可行。     

粗神经网络在雷达目标识别中的应用

将粗集理论与神经网络结合起来设计出粗神经网络,用于对雷达目标数据进行融合,特别是对雷达目标进行识别。研究表明这种网络可以接受定性输入,即输入是一个范围或在观测时间内输入是变化的,从而大大提高雷达目标的识别率。粗集理论和神经网络结合起来将在雷达数据融合方面有着很好的应用前景。     

基于遗传算法红外小目标检测的研究

为解决复杂空中背景下红外弱小目标的快速检测,提出了一种基于遗传算法的检测思路。该思路主要是通过利用遗传算法高效快速的搜索方式,结合传统的红外小目标检测算法,最终实现红外弱小目标的快速检测。最后通过MATLAB编程后,实现了复杂背景下红外小目标的快速检测。通过仿真及与相应的传统算法的比较,发现了遗传算法自身的优势和劣势,最后说明了遗传算法在红外小目标检测领域广阔的应用前景。     

Elman神经网络在红外小目标检测中的应用

介绍了Elman神经网络的基本原理及红外小目标检测的特点。利用Elman神经网络对红外图像进行背景估计,然后通过背景对消原理消去背景噪声,从而检测到潜在的小目标。运用Matlab7.0的神经网络工具箱进行了编程实验,编程仿真结果表明,该方法对红外小目标能取得较好的检测效果.     

基于F-CNN的雷达目标辨识算法

针对雷达真实目标、地杂波和密集假目标的辨识问题，提出了一种基于分解卷积神经网络的雷达目标辨识算法。以深度可分离卷积为基础建立分解卷积神经网络模型。为了减少模型参数，通过减少卷积核数量和全连接层连接节点数量，减少识别特征种类，建立了精简分解卷积神经网络。实测数据的处理结果表明，该算法与现有卷积神经网络方法相比，精简分解卷积神经网络对真实目标样本、地杂波样本和密集假目标样本具有更高的识别正确率，且精简模型参数数量不到现有方法的十分之一。     

基于遗传神经网络的全天户外场景红外热像仿真

针对红外场景仿真中使用热力学方法对物体温度场建模的不足,将BP神经网络应用到场景中物体的红外温度场建模中,并通过遗传算法优化神经网络的初始权值.通过对场景中物体的表观温度进行多次测量,得到训练样本集合.然后训练神经网络,建立由车辆和路面组成的场景的温度场模型,并根据设定的气象条件分别对白天和夜晚场景进行仿真.根据仿真结果分析,此模型能够根据所设定的气象条件较准确地实时仿真场景的红外图像.     

基于无预训练卷积神经网络的红外车辆目标检测

为解决基于卷积神经网络的目标检测算法对预训练权重的过度依赖,特别是数据稀缺条件下的红外场景目标检测,提出了融入注意力模块来缓解不进行预训练所带来的检测性能下降的方法.本文基于YOLO v3算法,在网络结构中融入模仿人类注意力机制的SE和CBAM模块,对提取的特征进行通道层面和空间层面的重标定.根据特征的重要程度,自适应...     

神经网络在震相识别中的应用

设计了三阶段的三层BP神经网络时地震震相进行分类识别，系统将地震震相分为4类：远震T、区域性S、区域性P、噪声N；网络训练测试利用了STKA台站的200组数据，样本集和测试集各占100组(其中30个远震T波、20区域性P波、20区域性S波、30噪声N)，三阶段的平均识别效率分别为91％，93．8％，98％．实验证明，用神经网络时地震震相进行自动识别是可行的，可极大限度地减轻地震分析员的工作量。