基于BAS-BP神经网络的遮盖干扰信号识别

提出一种使用天牛须搜索(beetle antennae search, BAS)算法优化反向传播(back propagation, BP)神经网络以识别遮盖干扰信号的方法。采用BAS优化BP神经网络的初始权值、阈值,以适应度函数作为评价标准,优化出最佳的权值、阈值,训练BP神经网络,得到最优BP神经网络模型,使用优化后的BP神经网络对雷达有源遮盖性干扰信号进行分类识别。选取射频噪声、噪声调幅和噪声调频3种干扰信号进行仿真,结果表明,BAS-BP神经网络和BP神经网络的均方误差分别为0.148 6和0.177 0,平均绝对值误差分别为0.219 7和0.269 3。BAS-BP神经网络和BP神经网络对3种干扰信号的平均识别率分别为0.913 7和0.882 7。BAS-BP神经网络方法能够识别干扰信号,且效果优于BP神经网络算法。     

多径效应下雷达抗有源压制干扰研究

为研究多径效应对雷达抗有源压制干扰的性能,首先基于无干扰条件下多径效应对雷达探测性能的影响,定量分析多径效应影响下压制干扰对目标回波和干扰信号的影响;然后研究多径效应对频率分集和旁瓣匿影两种抗干扰措施的影响;最后进行了对应仿真.仿真结果表明,在有源压制干扰下,多径效应会扩大雷达干扰压制区,影响干扰信号强度以及雷达的抗干...     

基于神经网络自适应滤波的直升机悬停高度稳定研究

针对直升机执行海上搜救任务时定点悬停高度容易受到海浪干扰的问题,提出了一种应用遗传BP神经网络对直升机无线电高度信号进行自适应滤波的方法。首先在建立海浪有理谱简化模型的基础上,应用遗传算法对BP神经网络的初始权值和阈值进行全局粗精度预学习,再应用遗传优化后的BP神经网络对实际海浪干扰信号进行建模,并通过噪声对消原理滤除无线电高度计中混杂的海浪干扰噪声。仿真结果表明,所设计的自适应滤波器能够较好地抑制海浪噪声对直升机高度控制的影响,而且对海浪干扰统计特性的变化具有较强的鲁棒性和适应性。     

基于Simulink的有源压制性干扰建模与仿真

为开展干扰条件下雷达系统仿真及抗干扰性能评估提供较为真实的干扰信号,利用Matlab／Simulink软件,建立了3种典型有源压制性干扰模型．用户可通过模型中的参数设置界面方便灵活地设置干扰信号参数,从而产生符合要求的射频噪声、噪声调幅和噪声调频3种干扰信号．     

基于时域对消的抗噪声调频干扰算法仿真分析

为提高雷达的抗干扰能力,首先论述了噪声调频干扰的数学模型与主要参数,采用了基于时域对消的算法抗噪声调频干扰,给出了算法的数学推导过程．该算法通过对数变换,分别由信号的实部与虚部估计出干扰信号的瞬时幅度与瞬时频率,以此对干扰信号进行重构,最后再利用时域对消的方法抑制掉了干扰信号分量．最后进行了仿真验证,证明了该算法的有效性．     

一种基于进化BP神经网络的文本分类算法

提出并实现了一种结合BP神经网络和遗传算法的文本分类算法,根据遗传算法能够快速优化网络权重以及摆脱BP算法局部极点困扰的能力,提出一种改进的遗传算法确定网络拓扑结构和训练网络的方法．最后对设计的分类器进行了开放性测试,实验结果表明该分类器显著地提高了文本分类的查全率和查准率．     

基于改进粒子群优化的神经网络及应用

为了克服粒子群算法的早熟收敛,提出了一种改进的粒子群算法用于神经网络训练。该算法对种群进行均匀初始化,用多个粒子的信息引导个体的更新,以保证全局搜索的有效性,同时引入随机算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。将改进粒子群算法训练的神经网络应用于IRIS模式分类问题和短期电力负荷预测,与BP算法、遗传算法及粒子群算法比较,该算法在提高误差精度的同时可加快训练收敛的速度。     

基于遗传和改进布谷鸟算法的BP神经网络建模

针对现代工业系统具有高度非线性的特点,以及采用BP神经网络对非线性系统建模易出现局部最优、过拟合或欠拟合的问题,提出采用遗传算法(GA)和改进布谷鸟算法(CS)优化BP神经网络建模的方法(GACSBP算法)。首先利用遗传算法自适应、全局搜索的特点优化神经网络拓扑结构,避免神经网络建模出现过拟合或欠拟合的问题;然后采用改进布谷鸟算法优化BP神经网络权值,加入惩罚项进一步防止神经网络建模时陷入局部最优。对NACA0012翼型自噪声数据进行建模,仿真结果表明,与BP神经网络相比,提出的GACSBP算法避免了局部最优,明显提高了模型预测精度,且所需迭代次数和时间均明显减少。     

基于多模态小样本学习的雷达欺骗干扰识别

现有雷达欺骗干扰识别研究中,存在难以获取带标签样本的问题,为此,提出一种基于多模态小样本学习的雷达欺骗干扰识别算法。首先,对雷达接收信号进行"语音"和"视觉"模态的定义;然后用伪孪生网络将信号的2种模态进行匹配训练;最后,将测试集的信号样本与匹配集进行匹配识别,得到最终的雷达欺骗干扰信号识别率。仿真实验表明,训练样本数量降低到原始样本集的25%,干噪比为3 dB时,本文算法的欺骗干扰信号识别率仍能达到90%以上。     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。