粗神经元网络在辐射计目标识别中的应用

将粗糙神经元和传统神经元混合构造的粗糙神经网络,用于对毫米波辐射计回波信号的目标识别.其中粗糙神经元包含一对重叠的普通神经元,使用一对上下值作为输入和输出.对于实际应用中变量值是范围值的情况,用粗糙神经网络来开发模型,结果优于传统神经网络.仿真实验表明,该模型提高了目标的识别率和网络的收敛速度.     

声目标识别技术及其在坦克目标识别中的应用

根据随机信号理论、模式识别理论和人工神经网络技术，设计出一种以相关函数和数学期望为基本特片的声目标识别系统。将此系统用于现场实测的坦克信号识别，实现了坦克目标的自动识别。该方法具有快速及较好的识别性能。     

一种遗传模糊神经网络算法及其在舰船声纳目标识别中的应用

针对常规模糊神经网络的不足之处,设计一种用遗传算法确定其网络权值和系统参数的算法,先确定编码,通过交叉、变异、定义适值函数等步骤实现.将该算法应用于舰船声纳目标识别实例之中,实验结果表明,经遗传算法的优化搜索,该算法比一般的模糊神经网络训练方法有更高的学习效率,具有实用意义.     

RBF神经网络在目标识别中的应用研究

基于递推最小二乘学习算法,提出了一种运用径向基函数神经网络进行目标识别的方法。仿真结果表明．该方法可以有效对来袭目标进行识别,具有较好的识别效果,对提高防空能力有一定的意义。     

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。     

一种毫米波辐射计目标识别方法

根据毫米波辐射计的波形特点提出一种目标识别方案，给出计算机仿真结果；进一步探讨了目标识别方案的硬件实现，并讨论了这一方案的计算量问题。     

自动目标识别技术的发展现状及其应用

自动目标识别是当今美国和欧洲各国许多武器、雷达和地面设备所具有的特点。自动目标识别技术旨在使目标的检测过程自动化, 是实现武器智能化的核心技术之一。经过多年的研究和发展, 该技术正在走出实验室投入实用     

毫米波辐射计目标识别系统的设计和误差分析

文中以新一代弹载毫米波敏感器为应用背景,提出了毫米波辐射计目标识别系统的设计方法,详细分析了目标中心定位误差,并给出了相应的校正方法.仿真分析和实验结果表明该系统具有灵敏度高,定位误差小以及全天候工作等优点.     

正交离散子波变换在毫米波雷达目标识别中的应用

该文详细阐述了子波变换的基本原理及快速算法,着重研究其在毫米波非相干雷达目标识别中的应用。模拟结果表明,本文提出的方法运算简便,数据压缩能力强,提取的特征稳定,目标分类效果好。     

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.     

一种用于毫米波辐射计的快速目标识别方法

通过对被动毫米波辐射计输出信号的分析，给出了一种较为实用的目标识别的编码算法－二元码字出现频率法（ＦＯＢＷ法），并对此算法进行了理论分析和计算机模拟验证，证明了这种方法是有效、可行的。     

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．     

多传感器数据融合技术在目标识别中的应用

提出了一种基于D-S证据理论算法的目标识别方法.该方法利用了两个CCD和一个热像仪分别提取弹标光源、干扰光源、随机噪声和火堆的特征向量,基于各特征的先验知识,采用D-S数据融合算法识别目标和干扰,有效提高了目标识别的概率.     

末修子弹姿态运动在目标识别算法中的应用

弹下点至跑道中心线的距离估计是影响末修子弹命中精度的重要因素.捷联探测器测量值耦舍了子弹姿态运动信息,给距离估计带来较大的困难,针对此问题,通过建立伞一弹系统十二自由度动力学模型,分析了末修子弹的姿态运动特性以及姿态运动对子弹与跑道相对位置关系的影响,利用局部极值和迭代算法估计了弹下点至跑道中心线的距离.计算仿真结果与试验数据吻合较好,解决了探测器与弹体捷联情况下弹体晃动对确定子弹与跑道相对位置关系的干扰问题,有效地提高了子弹对跑道目标的命中精度.     

基于ODNHP的毫米波探测器地面目标识别算法

针对毫米波探测器识别地面目标时的强地杂波问题,在正交判别邻域保持投影(ODNPP)的基础上,提出正交判别邻域Hessian投影(ODNHP)算法。ODNHP在正交化约束和判别信息的基础上,利用样本的切空间坐标构造Hessian二次型矩阵,实现目标函数的优化。将ODNHP分别与NPP、ONPP和ODNPP进行了毫米波地面目标识别仿真实验,结果表明,ODNHP降低了杂波的影响,在较低的维数下实现更高的识别率。     

人工神经网络在目标声定向中的应用

人战场实际情况出发，建立了人工神经网络目标声定向系统模型。用两个人工神经网络提高目标定向精度；并用计算机对系统的工作过程进行了模拟，模拟结果证明了人工神经网络用于目标声定向中的可行性。     

D-S证据理论在目标识别中的应用

根据地面目标运动引起的地震动信号的特征信息，应用多传感器信息融合的方法将目标正确分类。首先根据地震动信号在频域和时频域的多种特征，应用BP神经网络模式识别法，将地面车辆目标分为轮式车、轻型履带式车和重型履带式车。设计了一种以神经网络正确识别率作为基本概率赋值的方法，并应用D－S证据理论进行识别信息融合，训练样本和识别样本分别取自外场实验所获得真实有效的数据，通过对识别信息融合，以较高的可信度得到与识别样本相一致的识别结果，这表明所设计的获取基本概率赋值的方法及信息融合算法是有效的，该方法可以推广应用于其他多传感器或多信息源的探测识别系统中。     

可信度估计在目标识别融合系统中的应用

在基于证据理论的目标识别融合系统中，可信度的确定在数据融合过程中是非常困难和关键的地方。文章首先在时域融合的基础上，进行了本机对目标的可信度融合。其次根据影响信息不确定性的因素，采用白适应神经模糊推理实现环境可信度估计；并利用这两次融合过程实现以证据理论为基础的多传感器对目标准确识别。     

Hopfield网络在声目标识别中的应用

利用Hopfield联想记忆特性对声目标进行识别,并用计算机对系统的工作过程进行了模拟,模拟结果证明了Hopfield网络用于声目标识别的可行性。     

基于粗集的SVM算法在空袭目标识别中的应用

在现代防空作战中,如何快速准确对敌我目标进行识别,至关重要。本文结合粗糙集和支持向量机算法建立了基于粗糙集的SVM增量学习模型,提出了基于快速求核和集合近似质量的粗糙集属性约简算法,改进了SVM增量学习算法。试验结果表明,算法正确有效,模型符合现代防空作战中对目标识别的要求。