网络雷达对抗系统侦察效能评估模型研究

针对传统模糊层次分析法中决策者的主观判断、偏好等因素可能对网络雷达对抗系统侦察效能的评估产生影响,采用模糊数、熵与层次分析相结合的方法克服传统模糊层次分析中的主观判断误差,同时应用粗糙集理论确定指标的客观权重,并与传统主观权重加权成为组合权重,克服权重确定的主观误差,建立了基于熵和组合权重的模糊层次分析的网络雷达对抗系统侦察效能评估模型。实例分析表明,该模型在一定动态范围内均有效。     

基于直觉模糊集和POWA算子的目标类型识别方法

将编队级目标类型融合识别问题归结为一类具有优先级的不确定多准则决策问题,基于直觉模糊集和POWA算子的基本概念,分别定义了直觉模糊优先有序加权平均算子和直觉模糊混合优先有序加权平均算子,给出了确定其关联权重向量的方法。对编队级目标情报融合识别问题进行数学描述,结合直觉模糊熵权思想和直觉模糊平均加权算子,提出了基于直觉模糊混合优先有序加权平均算子的舰艇编队目标类型融合识别方法,利用实例对方法的有效性进行了说明。     

改进的雷达信号识别效能评估方法

针对以往雷达信号识别效能评估方法中评估指标选取模糊、指标权重设置单一、评估排序不合理的问题,提出了基于IAHP-Entropy-I2TOPSIS模型改进的雷达信号识别效能评估方法。其主要思路是基于识别率测试结果建立树状评估指标体系;采用IAHP和Entropy分别确定主观指标权重和客观指标权重,并通过线性组合方法确定综合权重;运用区间型多属性决策的夹角度量法改进区间TOPSIS得到I2TOPSIS并依此进行评估排序。最后通过实例仿真,验证了所提方法的有效性。     

地面机动作战要素类别的模糊识别规则提取

针对地面机动作战体系中各作战要素类别识别难的问题，设计了一种地面机动作战要素类别识别的模糊规则提取流程，并通过基于作战要素类别识别特征构建识别特征向量，利用计算识别特征隶属度提取其中的模糊识别规则，使用信息熵对存在冲突的模糊识别规则进行消歧，采用作战要素类别识别特征权重构建模糊识别树等步骤说明实现过程，通过实验验证了该方法的有效性。     

面向小样本SAR图像自动目标识别的孪生自监督学习方法

现有的自监督学习算法对小样本合成孔径雷达（Synthetic Aperture Radar,SAR）图像表征能力不足，无法充分地满足自动目标识别（Automatic Target Recognition,ATR）性能的需求。因此，本文提出了一种基于孪生自监督学习的SAR ATR方法。首先，将无标注SAR数据通过孪生特征提取网络模块中的数据增强方式建立正负样本对；其次，通过孪生自监督学习模块中的对比学习头部网络和特征冗余降低头部网络，依据无监督对比学习损失函数和特征信息冗余损失函数进行联合优化，进而得到具有较好表征能力的预训练网络；最后，将自监督预训练网络权重加载到下游网络中，并通过交叉熵损失对下游网络进行小样本SAR图像有监督识别。实验结果表明，对于运动与静止目标获取和识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集，本文的方法仅在3.13%的训练数据上可达82.95%准确率。本文所提方法可在无标注数据中获得较好的表征能力，有效地改善小样本SAR图像识别的过拟合问题。     

基于SVM-DDA改进RBF网络的LED焊点检测方法

为了提高LED灯带生产中焊点类型被自动地识别的精度,提出了基于SVM-DDA的改进RBF网络的检测方法。它首先使用动态衰减算法(DDA)确定SVM的结构及参数,然后利用SVM与RBF网络的近似性,根据SVM确定RBF网络的结构及初始化参数。实验结果表明,该方法减少了训练的迭代次数,提高了焊点识别的准确率,并且对于样本较少的类别也有较理想的分类结果。     

传输网优化中模糊综合评价方法应用

通过引入模糊数学中的模糊综合评价方法,为传输网评估建立了科学的模糊综合评价模型,包括按照网络实际选取适合的评估指标、确定指标权重,对现有网络结构进行评估测试和应用,取得良好效果,对完善网络布局、提高资源利用率、合理科学地优化网络具有重要意义.     

使用多准则决策法的环境感知路由协议

本文提出了一个新的移动节点的分级方案，它是基于两个多准则决策方法的结合，即模糊环境下的层次分析法（AHP）和近似理想解决方案的排序性能技术（TOPSIS）。模糊AHP是用来分析簇首选择问题的结构，并确定这个准则的权重；而模糊TOPSIS用于获得最终的移动节点等级值。基于节点等级，我们提出一种新的簇，它使用能够选择最佳簇首和最佳路径的路由算法。仿真结果表明，该方法提高了网络的精度和寿命，降低了网络开销。     

基于DHGF算法的激光线扫描成像引信目标识别方法

为了解决目前目标识别方法应用平台难以实现小体积、低成本的问题,利用线扫描完成激光引信的探测成像,得到了DHGF算法的样本矩阵,建立了基于激光线扫描成像引信的四元评价算法对典型目标的识别模型。该模型使用德尔菲法确定目标轮廓相似度指标集;采用层次分析法确定指标权重分配;运用灰色系统理论确定评价灰类,得到单因素模糊评判矩阵;通过模糊数学理论得出目标识别的评价结果。该算法克服了在小样本数据的情况下,目标识别过程中的模糊性、不确定性等问题,并完成了对典型目标的仿真。仿真结果表明:该算法具备对典型目标的识别能力,可为激光扫描成像引信目标识别提供参考。     

最近邻法用于雷达发射机识别

雷达发射机的识别问题就是要利用接收到的雷达信号来进行目标电子系统的识别。基于时频分析的性质，提出了一种雷达发射机的识别方法，即利用模糊函数对多个雷达发射机的信号进行时频分析。在本试验中取每一个雷达信号的几个样本模糊函数的均值作为目标特征向量，用最近邻法对其他样本信号做了识别试验，利用此方法能够得到很高的识别率和很好的识别效果。本方法在军事应用上有很重要的意义，可以对敌机进行识别、跟踪。     

基于聚类模糊神经网络的非线性电路故障诊断

提出了一种基于聚类算法和模糊神经网络的非线性模拟电路故障诊断方法。通过一个无监督的聚类算法自组织地确定模糊规则的数目并生成一个初始的故障诊断模糊规则库，构造了一类模糊神经网络，通过训练调整网络权值，使故障诊断模糊规则库的分类更加精确，并通过仿真实验验证了该方法的有效性。     

Equivalence in knowledge representation: automata, recurrent neuralnetworks, and dynamical fuzzy systems

Neurofuzzy systems-the combination of artificial neural networks with fuzzy logic-have become useful in many application domains. However, conventional neurofuzzy models usually need enhanced representation power for applications that require context and state (e.g., speech, time series prediction, control). Some of these applications can be readily modeled as finite state automata. Previously, it was proved that deterministic finite state automata (DFA) can be synthesized by or mapped into recurrent neural networks by directly programming the DFA structure into the weights of the neural network. Based on those results, a synthesis method is proposed for mapping fuzzy finite state automata (FFA) into recurrent neural networks. Furthermore, this mapping is suitable for direct implementation in very large scale integration (VLSI), i.e., the encoding of FFA as a generalization of the encoding of DFA in VLSI systems. The synthesis method requires FFA to undergo a transformation prior to being mapped into recurrent networks. The neurons are provided with an enriched functionality in order to accommodate a fuzzy representation of FFA states. This enriched neuron functionality also permits fuzzy parameters of FFA to be directly represented as parameters of the neural network. We also prove the stability of fuzzy finite state dynamics of the constructed neural networks for finite values of network weight and, through simulations, give empirical validation of the proofs. Hence, we prove various knowledge equivalence representations between neural and fuzzy systems and models of automata     

基于Takagi-Sugeno型自适应模糊神经网络的模拟电路故障诊断

该文提出了一种基于Takagi-Sugeno型自适应模糊神经网络故障诊断方法。首先通过电路仿真获得故障样本,其次利用主成分分析对故障样本进行降维处理,减少自适应模糊神经网络的输入,降低训练时间,然后采用BP算法与最小二乘法相结合的混合学习算法训练自适应模糊神经网络的连接权值和隶属度函数。仿真结果表明,此方法能够快速有效地对模拟电路的故障进行诊断和定位,表现出了很好的应用潜力,在容差模拟电路故障诊断领域具有较好的应用前景。     

ARTMAP与模糊逻辑结合的字符智能识别方法

研究了将ＡＲＴＭＡＰ神经网络与模糊规则相结合的字符识别方法．ＡＲＴＭＡＰ用于对字符的学习、训练，而模糊规则和ＡＲＴＭＡＰ共同用于对字符的智能识别．实验证明这种将模糊技术与神经网络相结合的混合系统具有较高的识别率和较快的识别速度，采用ＡＲＴＭＡＰ神经网络只需要较少的网络训练时间．     

基于模糊神经网络系统的智能小车避障

智能小车把超声波传感器和红外传感器相结合来感知外界环境的信息,并按照一定的规则来调整小车的方位角和速度,实现智能小车的自主导航和避障。模糊神经网络作为人工智能的分支,兼具模糊逻辑系统和神经网络各自的优点,具有表达和处理确定的信息、模糊信息的能力和良好的学习能力等特点。把模糊逻辑系统和神经网络结合起来,运用到智能小车避障的自适应控制中,并且使用一种多层前馈型神经网络即BP神经网络在模糊神经系统中解决神经网络的权系数优化问题。     

最大--乘积型模糊联想记忆网络的最大最小编码学习算法

提出了最大─乘积型模糊联想记忆网络的最大最小编码学习算法,新算法可以记忆任意多个自联想模式。对于异联想模式,给出了一种以最大最小编码算法为基础,近似求解网络连接权阵的梯度下降学习算法,这种方法可用于解最大乘积型模糊关系方程。计算机模拟实验证实了算法的有效性。     

一种投票权值调整的神经网络集成增量学习方法

针对神经网络集成增量学习中集成输出投票权值的设定问题,给出了一种投票权值调整的神经网络集成增量学习方法。该方法定义了神经网络集成中子神经网络训练集的类核函数,通过计算待识样本与类核函数之间的核函数距离得到集成输出中子神经网络的投票权值。这种投票权值设定方法可以根据子神经网络分类器对待识样本的分类性能自适应地调整集成输出的投票权值,是一种更加合理的集成输出投票权值设定方法。仿真实验表明,这种投票权值调整的神经网络集成增量学习方法比投票权值固定的方法增量学习性能更优。      

基于凸组合算法优化的前向神经网络观测器设计

本文利用凸组合算法对单隐藏层前向神经网络进行了优化,通过迭代来更新权值以调整隐藏层的信息.同时引入了一个新的误差函数来评价误差性能,该函数通过对权值进行解耦来求解优化参数,提高了参数的计算速度.在此基础上,提出了一种非线性系统的自适应神经网络状态观测器设计方法.最后通过仿真验证了该神经网络观测器能准确并快速地观测出系统的状态值.     

基于模糊神经网络融合遗传算法的模拟电路故障诊断法

该文提出了一种非线性模拟系统的故障辨识方法，构造了一个基于模糊加权型推理法的模糊神经网络，利用遗传算法来训练网络连接权值、优化隶属度函数，根据训练后的网络权值可以自动提取出模糊规则，并通过仿真实验验证了该方法的有效性。     

A fuzzy rule-based approach to spatio-temporal hand gesturerecognition

Gesture based applications widely range from replacing the traditional mouse as a position device to virtual reality and communication with the deaf. The article presents a fuzzy rule based approach to spatio-temporal hand gesture recognition. This approach employs a powerful method based on hyperrectangutar composite neural networks (HRCNNs) for selecting templates. Templates for each hand shape are represented in the form of crisp IF-THEN rules that are extracted from the values of synaptic weights of the corresponding trained HRCNNs. Each crisp IF-THEN rule is then fuzzified by employing a special membership function in order to represent the degree to which a pattern is similar to the corresponding antecedent part. When an unknown gesture is to be classified, each sample of the unknown gesture is tested by each fuzzy rule. The accumulated similarity associated with all samples of the input is computed for each hand gesture in the vocabulary, and the unknown gesture is classified as the gesture yielding the highest accumulative similarity. Based on the method we can implement a small-sized dynamic hand gesture recognition system. Two databases which consisted of 90 spatio-temporal hand gestures are utilized for verifying its performance. An encouraging experimental result confirms the effectiveness of the proposed method