基于粒子群算法优化的目标识别方法

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,其优化算法也层出不穷。针对LM优化算法存在局部极小点的问题,通过采用基于优化理论的粒子群优化算法(PSO)来改进Levenberg-Marquardt(LM)算法。将提取的目标瞬态特性特征作为各种算法的输入,通过mat-lab仿真,对整个样本进行训练,并随机选择小样本进行检验。结果表明,优化方法均合理可行,其收敛速度和预测精度有明显的提高,综合来讲,粒子群算法优化后的LM算法表现出较大的优越性,为利用目标的瞬态特性进行目标识别提供了一种新方法。     

基于BP神经网络的数字识别方法

应用BP神经网络对数字进行识别,其图像的预处理采用去除杂点方法去除噪声,使用逐像素特征提取方法进行特征向量的提取.该识别过程还包括数字识别网络的训练,及通过选取初始权值和隐含层节点数、权值学习算法确定相关参数.实践证明,利用BP神经网络能够实现对阿拉伯数字的准确、快速识别.     

一种改进粒子群算法优化BP神经网络实现核素识别方法

为获得全局最优点,提出一种改进粒子群算法优化BP神经网络实现核素识别方法.该算法用一种动态改变惯性权重与学习因子的自适应方法,优化BP神经网络的阈值与权值,通过训练BP神经网络识别模型得到粒子群的全局最优解,利用最优权值与阈值实现核素识别.分析结果表明:该方法不仅能更快地收敛于最优解,同时能更好地平衡全局搜索和局部搜索能力,有效地改善算法的收敛速度和识别精度.     

一种基于小波奇异值检测的鱼雷电磁引信目标信号特征识别方法

为了确保鱼雷引信可靠动作必须准确提取和识别鱼雷电磁引信目标信号特征,描述了表征信号奇异性的Lipchitz指数方法,阐述了基于小波变换的信号奇异值检测原理,分析了电磁引信目标信号的包络经幅度识别后存在奇异值的情况。基于此,提出了一种目标信号时间变化率和持续时间特征识别的新方法,该方法以提取目标信号的实际特征为中心,通过选择合适的小波基函数和分解尺度,精确地检测出包络信号的奇异点。仿真结果表明,相比传统的模拟电路识别方法,本文提出的方法易于实现,识别精度高,且不受门限电压变化的影响,具有较好的工程应用价值。     

基于遗传算法的BP神经网络燃速相关性研究

采用遗传算法和BP神经网络相结合的方法，对人工神经网络的连接权值和神经元阐值进行优化搜索。该方法用于固体推进剂燃速相关性研究，计算结果表明其泛化能力强，预估精度高。     

基于Hopfield神经网络的面目标特征识别方法研究

提出了一种基于Hopfield神经网络的面目标特征识别方法。介绍了网络结构、学习算法,编制了相应的计算程序,用该程序对6种不同模拟目标的样本数据进行识别,均被正确识别。结果初步表明,利用Hopfield神经网络进行面目标特征识别是基本可行的。     

基于BP神经网络的雷达目标识别算法研究

雷达目标特性复杂多样,而且容易受到电磁、地物、天气等因素的干扰和影响,使其在距离、仰角、方位的测量精度降低,制约了雷达对目标的识别,BP(Back propagation)神经网络具有学习功能,能够十分有效的提高雷达识别系统的效率.     

基于频域数据矩阵奇异值分解的宽带测向算法

文中提出了一种新的宽带信号测向算法。利用宽带阵列数据时间一带宽乘积大的特性，构造一个频域数据矩阵，对其进行奇异值分解，应用子空间的方法进行一维谱峰搜索，就得到来波方向的估计值。仿真实验结果证明了算法的有效性，并且给出了方向估计精度、分辨率与信噪比、快拍数、相对带宽之间的关系。     

一种奇异值与PNN结合的飞机目标识别方法

针对现有目标识别方法正确率不高及速度不快等问题做了积极的探索,提出了一种将图像轮廓的奇异值与概率神经网络(PNN)相结合的飞机目标识别方法。首先,对数据进行压缩,提取二值化图像目标的轮廓并进行离散化;然后计算离散点到目标质心的距离,以此构造目标循环矩阵并提取它的奇异值特征量,作为目标的特征;接着构建PNN网络,以奇异值为特征量输入,对它进行训练;最后利用训练好的PNN网络分类器对待测目标进行识别。在仿真实验中,该方法使识别率和处理速度得到了很大的提高,证明了该方法的有效性。     

基于SVD的陀螺阵列异常诊断及识别方法

陀螺阵列系统中出现的数据异常包括野值点、可恢复故障以及永久性故障(不可恢复故障)。提出了一种基于奇异值分解的数据异常诊断及模式识别的新方法,验证了该方法对不同模式数据异常诊断的有效性,分析了不同模式数据异常的表现形式,构造了新的统计量对不同模式数据异常进行辨识,进行了仿真实验。实验结果表明:该方法对数据异常有较好的诊断效果,计算量小,容易实现,能较准确地识别出陀螺阵列中数据异常的类型。     

基于BP神经网络的ARM目标识别模型研究

应用人工神经网络可以逼近任意非线性函数这一特性．从网络的逻辑结构、工作过程、学习方法等方面，构建与实现了基于BP神经网络的ARM目标识别方法。通过Matlab的Simlink进行仿真，仿真结果证明．模型能够比较准确地对ARM目标进行识别．符合防空作战的实际需要．同时也为防空指挥自动化提供支持。     

基于BP神经网络算法的自动驾驶仪设计

基于经典的三回路自动驾驶仪结构,采用BP神经网络算法进行自动驾驶仪的设计。BP神经网络算法的运用使所设计的自动驾驶仪能够针对非线性、时变的气动特性自适应地调整控制参数,简化了设计过程,并给出了相应的仿真结果。     

基于改进型BP神经网络的PID控制算法

针对传统的PID控制算法很难获得比较理想的控制效果的问题,提出一种基于BP神经网络的自适应PID控制算法。根据BP神经网络的结构和特点,介绍了改进型BP神经网络算法描述及PID控制器的结构,并通过实例进行仿真分析。结果表明,改进型BP神经网络PID控制器具有良好的控制效果,降低超调量,抗干扰性强和增强系统的鲁棒性,优于常规PID控制器。     

模糊理论及神经网络在目标识别中的应用

讨论了对地空导弹将要拦截的目标进行识别的方法．在综合多个因素的基础上利用模糊理论与神经网络的有关知识，给出了几种目标识别的方法，以便于为防空作战决策提供科学依据．     

基于BP神经网络的多传感器系统滤波降噪算法

在对目标检测时,传感器输出信号不可避免地含有白噪声.利用BP神经网络的非线性映射能力,提出一种基于BP网络的多传感器系统降噪方法.多传感器含噪声的输出信号序列和目标真值作为样本,用于网络训练,用检验样本对训练后的网络进行检验,并与最优加权滤波方法比较,MATLAB下的仿真结果表明BP网络用于多传感器系统滤波降噪有明显效果.     

遗传算法和神经网络在低空声目标识别中的应用研究

将神经网络应用于战场声目标分类,针对BP算法易陷人局部极小、收敛速度慢的缺点．利用遗传算法具有全局寻优的特点,将二者结合起来,提出一种训练神经网络的混合算法GA-BP算法,并将其应用于低空飞行目标的声识别。仿真结果表明该算法具有较高的识别概率和较好的鲁棒性。