太赫兹光谱数据库的建立和使用

为了将太赫兹光谱分析技术应用于物质识别领域,需要建立太赫兹波段的光谱数据库,并研究合适的数据库使用方法,以鉴别未知物质。光谱获取采用自行搭建的太赫兹时域光谱测量系统,通过小波变换去除基线和噪声等干扰信息,建立起含有20种典型有机物的光谱数据库。使用该数据库识别未知物质时,分成两步:1)用径向基函数神经网络算法判断未知物质是否在数据库中;2)若在数据库中,采用基于纠错输出编码的支持向量机多类算法鉴别物质种类。测试结果表明,对库内物质识别率为96.7%,对库外物质也有较好的预测和推断能力,识别率为93.2%。提出的太赫兹光谱数据库建立和使用方法,对系统噪声等干扰因素有很好的抑制作用,可以应用到实际场合。     

基于改进Joachims上界的SVM泛化性能评价方法

留一法(Leave One Out,LO0)错误率是评价支持向量机(Support Vector Machine,SVM)性能最准确方法,100错误率越小,SVM泛化性能越好.但LOO实现起来较为费时.因此人们提出了LOO错误率的各种上界作为近似,最有代表性的是Joachims上界和Jaakkola-Haussler上...     

基于向量机的红外小目标检测技术研究

针对红外序列图像中弱小目标检测问题,提出了用最小二乘向量机对原始红外图像中每一像素的局部区域作灰度曲面最佳拟合,在拟合曲面上进行灰度极大值像素点位置估计,实现目标的粗定位。真正的目标取决于中心点的灰度是否高于其邻域的平均灰度。并以径向基核函数为例推导出了极值点估计所需的二阶方向导数算子。对模拟和实际图像进行了小目标检测的实验验证。结果表明,基于支持向量机的小目标检测算法具有较强的适应性。     

储备池计算概述

针对传统递归神经网络存在训练困难的问题,一种新的递归神经网络的训练方法——储备池计算被提出,这种方法的核心思想是只训练网络部分连接权,其余连接权一经产生就不再改变,网络的训练一般只需要通过求解线性回归问题.广义地说,储备池可以作为一种时序相关的核函数使用,从而完全拓展了其应用领域,使之不再仅仅是递归神经网络训练算法的一...     

近红外光谱和模式识别技术在西湖龙井与浙江龙井茶叶鉴别中的应用

为了鉴别西湖龙井和浙江龙井茶叶,采用近红外光谱分析技术结合化学计量学方法建立了识别模型。先对原始光谱进行标准正态变换（StandardNormalVariant,SNV）预处理,然后分别采用最小二乘判别分析（Partial Least Square Regressiondiscriminant Analysis,PLSDA）、最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）和径向基人工神经网络（Radia lBasis Function Neural Network,RBFNN）三种模型对西湖龙井和浙江龙井茶叶进行预测。最小二乘支持向量机参数通过网格搜索和完全交叉验证得到优化。经优化后,惩罚系数（y）和核函数参数（б2。）分别为229．1和124．9;RBFNN最佳隐藏层神经元个数为27个。通过比较可知,LSSVM的预测性能最好,其校正集均方根误差（RMSECV）和相关系数（R。）分别为0和1,验证集均方根误差（RMSEP）和相关系数（R2）也分别为0和1,分辨正确率为100％。     

边界模糊图像的径向基函数神经网络分割方法研究

边界模糊图像不同区域之间没有明确的分界,用传统的图像分割方法难以得到很好的分割结果。本文研究了径向基函数网络的工作实质及其用于图像分割的机理,分析了径向基函数神经网络的特点,针对边界模糊图像,应用不同结构的径向基函数神经网络对其进行图像分割,验证了径向基函数网络用于图像分割的有效性以及算法速度上的优越性。     

基于RSVM的异常入侵检测系统

首先介绍了支持向量机及Robust支持向量机的分类算法，提出了Robust支持向量机的入侵检测的模型；并利用研究入侵检测系统的MIT’s Lincoln实验室1998年收集DARPA BSM的数据集，对Robust支持向量机和普通的支持向量机的性能进行了比较。     

基于Vague-Sigmoid核函数的PSVM故障诊断算法研究

支持向量机因其相比于传统算法具有良好的分类性能,而广泛地应用于故障诊断研究中。但标准SVM存在训练时间长,占用内存大的不足。近似支持向量机（Proximal Support Vec-tor Machines,PSVM）算法具有训练速度快占用内存少的特点,特别适用于大量数据的故障诊断。但其对于分类超平面附近点的诊断精度略显不足。针对此类问题文中将耗时较少的Vague-Sigmoid核函数应用于PSVM,用以提高其对于在分类面附近样本的分类精度,仿真证明获得了较好的效果。     

基于径向基小波核的多尺度小波支持向量机

普通支持向量机(SVM)方法用于多尺度回归建模时不能取得满意的精度,而现有的多尺度SVM算法存在只适合均匀分布的样本并可能收敛于局部极值等问题.为解决上述问题,本文提出了一种基于径向基小波核的多尺度小波支持向量机学习算法.文中提出并证明了一种新的径向基小波支持向量核,可提高小波SVM的训练速度和逼近精度.在此基础上,通过解一个二次优化问题可求出多尺度回归建模问题的全局最优解.最终得出的多尺度回归模型能够有效地逼近多尺度信号.仿真结果验证了所提算法的有效性.     

基于改进的径向基函数神经网络的辐射源算法研究

多传感器数据融合系统中辐射源识别技术占有重要的位置。本文结合改进的径向基网络给出了辐射源算法的实现结构。结合辐射源预分的数据特点对径向基中高斯核函数进行了修改,使得在不对处理样本初始化的条件下仍有很好的预分效果,预分后采用模糊匹配的方法,完成辐射源的识别。     

基于RBF神经网络的二相码旁瓣抑制

研究了RBF神经网络在二相码雷达旁瓣抑制中的应用,对神经网络的学习算法进行了改进,采用Levenberg-Marquardt（LM）算法优化隐层神经元的中心值和扩展常数,而用最小二乘（LS）法优化隐层至输出层的连接权值。对13位巴克码进行了仿真。仿真结果表明,改进的算法具有极快的收敛速度,可获得60dB以上的输出峰均值比,提高了雷达的探测性能。     

一种利用自组织映射和径向基函数神经网络的网络拥塞预测方法

文中提出了一种利用自组织映射（KSOM）和径向基函数（KR）神经网络进行网络拥塞预测的方法．目前的研究表明,预测网络拥塞还存在一些问题,尤其在数据集比较小的时候．因此,为了使网络拥塞问题预测精度高,在预测过程中有必要考虑原有的数据集中每个数据之间的关系．现在为了获得更多的有价值的位置信息,采取了一系列的措施去满足不同数据的情况,包括使用自组织映射神经网络和径向基函数神经网络算法．这一过程使网络能满足不同类型的数据．在本文网络拥塞预测中,采用同一原始数据集,分别对利用自组织映射和径向基函数神经网络的算法和另外两种算法的性能进行比较．实验结果表明,利用自组织映射和径向基函数神经网络的算法具有更好的效果．     

基于模型不确定逼近的RBF网络机器人自适应控制

利用RBF网络能以任意精度逼近任意的连续函数的特点,设计一种基于模型不确定逼近RBF网络机器人的自适应控制器。采用RBF网络可以大大加快学习速度,并避免局部极小问题,适合于实时控制要求。仿真结果表明,该控制算法具有较强的鲁棒性和较好的跟踪性。     

优化RBF神经网络在压力传感器中的应用

针对压力传感器在应用中出现温度误差大这一缺点,提出了通过采用径向基函数(RBF)神经网络较强的非线性逼近能力,实现其非线性校正和温度补偿的网络方法,并对该法进行改进。通过仿真可看出,改进方法校正的系统能自动补偿非线性误差,具有误差小,精度高等优点。因此,提出的改进的RBF神经网络法对压力传感器的非线性补偿是可行的。     

基于RBF神经网络的空袭目标威胁评估模型研究

为了辅助作战指挥员对空袭目标威胁程度做出正确判断,对作战提供正确决策,将径向基函数（RBF）神经网络应用于防空指挥控制系统中,给出了涉及空袭目标威胁评估的因素及其数学模型,建立了基于RBF神经网络的空袭目标威胁评估算法。同时,通过专家给出的训练样本在Matlab环境下对该模型进行了仿真计算,结果表明该模型方法评估结果准确、快速。     

改进的投影孪生支持向量机

针对投影孪生支持向量机（Projection Twin Support Vector Machine,PTSVM）在训练和求解过程中存在的问题,提出了一类改进的投影孪生支持向量机（Improved PTSVM）,简称为IPTSVM.该文首先构造了改进的线性投影孪生支持向量机,然后利用核技巧轻松将其推广到了非线性形式.本文的主要贡献有：（1）提出了投影孪生支持向量机的新模型,克服了原始PTSVM在训练之前需要求解两个逆矩阵的问题;（2）继承了传统SVM（Support Vector Machine）的精髓,利用核技巧直接将线性IPTSVM推广到非线性形式;（3）引入了一个新的参数,可以调节模型的性能,提高了IPTSVM的分类精度.实验结果表明,与PTSVM算法相比较,IPTSVM不仅提高了分类精度,而且克服了PTSVM的一些不足.     

基于支持向量机的相控阵雷达信号识别方法

在分析支持向量机识别原理和相控阵雷达信号特点的基础上,确定了用于分类识别的雷达特征参数,并给出了采用支持向量机来实现相控阵雷达信号识别的具体方法。仿真结果表明,使用一对一算法和多项式核函数的支持向量机分类器的方法对相控阵雷达信号的识别效果较好。     

降维训练神经网络的圆阵列二维角估计

在信号二维达波方向估计中,神经网络训练集往往较大,一定程度上影响了神经网络在二维角估计中的应用,为此,提出一种降维训练方法,构造两个输入量,并各自形成独立训练集,在两个网络中分别训练俯仰角和方位角,极大地缩简了训练集。论文对降维训练方法进行了仿真,结果表明,所提方法十分有效。     

基于模糊匹配和神经网络的雷达辐射源识别技术

目前常用的雷达辐射源识别方法是数据库比较查询法．该方法实现简单,易于工程实践,但其识别效率取决于数据库的容量和质量．即对先验知识的依赖性强,缺少推理．灵活性差,特别是对于许多新体制雷达信号无法很好地识别。将利用模糊匹配和RBF神经网络两种算法,设计一种识别系统,该识别系统能够较好地识别复杂体制雷达信号,能应对目前雷达辐射源数据库不完善的实际情况。实验仿真表明,该识别系统具有较高的识别率,是一种可行的雷达辐射源识别方法。     

一种基于径向基函数网络的OFDM信道估计及跟踪方法

本文提出了一种基于径向基函数网络(RBFN)的正交频分复用(OFDM)系统信道估计及跟踪算法。该方法采用分散导频,并将RBFN网络参数相应地分成子集,依次利用导频子集对网络参数子集进行训练、更新,RBFN在学习与逼近信道响应时利用了OFDM信道的时频相关性。仿真结果表明该信道跟踪方法具有良好的误码率性能,且对快衰落有很强的鲁棒性。