减少防撞雷达虚假目标的信号处理研究

从信号处理的角度分析了防撞雷达虚报警率、漏报警率偏高的原因,采用AR模型功率谱估计的Burg算法代替传统的FFT算法,并将粗神经网络应用于防撞雷达目标识别。仿真结果表明,此方法提高了雷达信号处理的准确度和目标识别率,能有效地降低漏报警、虚报警率。     

结合粗集和神经网络的图像识别模型

通过对粗集和神经网络在图像识别中的作用分析,以及对两者结合的可能性研究,将粗集和神经网络进行了有机结合,提出了一个基于粗集和神经网络的图像识别模型。该模型先对原始图像数据进行预处理,然后用粗集进行特征选择,减少了神经网络的输入维数,提高神经网络学习和识别速度,也提高了识别正确率。最后将该模型应用于手写体数字图像识别之中,实验结果表明,该模型是有效的、可行的。     

基于粗糙集定权法的雷达信号模糊模式识别

信号识别是侦察系统信号处理的目的,是整个雷达对抗信号处理中关键性的一个环节.为解决雷达信号的智能识别问题,研究了将粗糙集和模糊模式识别法紧密结合的雷达信号识别模型,即先用粗糙集属性重要性定义了雷达信号各特征参数的识别权重,再结合模糊模式识别的方法对雷达信号进行匹配识别.该方法既充分运用了原始数据又体现出雷达信号自身的特点,通过实例验证并分析了此法的实用性和有效性.     

基于灰色关联度神经网络的雷达型号识别模型

针对现代电子战对雷达目标信号的复杂性和残缺性以及实用雷达目标识别系统的健壮性和扩展性等要求,提出一种基于灰色关联度和BP神经网络的灰色神经网络识别模型.首先采用比较成熟的BP神经网络对侦察雷达目标信号进行粗分,识别出雷达的体制;然后把模板数据库中该体制的雷达标准数据作为比较序列,建立差异信息空间,再把观测的数据和比较序列进行灰关联度分析,得出其对应的关联度,从而识别出雷达的具体型号.仿真结果表明在对参数残缺或畸变以及新体制的雷达辐射源进行识别时,取得良好的效果.表明综合灰色神经网络对辐射源进行识别是完全可行的,并且可以提高识别率、可靠性.     

基于神经网络与主观Bayes理论的雷达识别研究

提出一种数据融合中雷达型号的三级识别模型，该模型将人工神经网络，模糊匹配和主观Bayes理论有效地结合起来，基本思路为：首先用神经网络进行粗分类，识别出雷达的体制，然后通过模糊匹配识别出该体制下的型号；最后根据主观Bayes理论对不同空域和时域的数据进行融合。实验结果表明，该模型表明：该模型提高了数据融合中的雷达信号识别率和可靠性。显示了在强噪声环境下良好的应用前景。     

脉冲多普勒雷达信号处理仿真系统研究

为了提高雷达信号处理系统性能,研究信号处理系统模型算法,构建了一个雷达信号处理系统仿真模型.在对雷达信号处理模型算法详细分析的基础上,利用Matlab工具实现对该算法模型的仿真验证.通过对仿真结果的分析,可以看出该算法能够准确提取目标的距离、速度信息,对杂波和噪声的抑制能力较强,验证了信号处理仿真系统模型的可行性和算法的可靠性.     

基于神经网络与似然比决策理论相结合的雷达型号识别研究

提出了一种数据融合中雷达型号的识别模型。将人工神经网络、模糊匹配和似然比决策理论有效地结合起来用神经网络进行粗分类,识别出雷达的体制;用模糊匹配识别出该体制下的雷达型号;并用似然比决策理论对不同空域和时域的数据进行融合。实验结果表明:该模型可以提高数据融合中的雷达型号识别率和可靠性,显示了强噪声环境下良好的应用前景。     

智能化雷达辐射源识别方法研究

提出了一种数据融合中雷达型号的识别模型。将人工神经网络、模糊匹配和证据理论有效的结合起来；用神经网络进行粗分类，识别出雷达的体制；用模糊匹配识别出该体制下的雷达型号；并用证据理论对不同空域和时域的数据进行融合。实验结果表明：该模型可以提高数据融合中的雷达型号识别率和可靠性，显示了强噪声环境下良好的应用前景。     

粗集神经网络及其在齿轮箱故障识别中的应用

为有效解决故障诊断中的故障识别问题,提出了一种以强耦合方式进行集成的粗集-神经网络的故障识别方法.该方法通过粗糙集对获得的故障属性进行降维预处理并获取粗集规则,再以所得的粗集规则与BP神经网络进行强耦合对故障进行识别.对该方法以齿轮箱故障识别进行了仿真实验,与BP神经网络的识别效果进行对比,结果表明了粗集神经网络在训练速度、测试精度方面的有效性.     

基于多尺度卷积神经网络的滚动轴承故障识别

针对当前基于卷积神经网络的滚动轴承故障信号识别多采用单一尺度卷积核,对特征提取不充分、多尺度特征难提取,且超参数选取多依据人工经验等问题,提出一种多尺度卷积神经网络识别方法。首先,直接将原始时域信号作为输入,可有效保留原始信号特征且不需要人们对故障机理、信号处理专业知识的认识。其次,通过多尺度卷积神经网络对信号特征学习,并引入粒子群优化算法来寻求最优的尺度信息。最后,用滚动轴承数据集来验证模型性能,并与其他模型做对比。实验结果表明,本文模型平均识别准确率达到99.45%,高于其他模型,且抗噪声能力优于其他模型,证明所提方法具有可行性。     

RS-GA神经网络无人机受风情况估计

针对现有无人机（Unmanned Aerial Vehicle,UAV）风场估计方法中存在的计算复杂、需额外搭载传感器等问题,提出基于粗糙集遗传神经网络的无人机受风状态估计方法。该方法利用粗糙集分析方法对无人机上采集的姿态信息数据集进行约简;利用遗传算法全局搜索能力强的特点优化神经网络的初始权值;用简化的无人机数据集训练神经网络即得到所需神经网络风场估计模型。仿真结果表明,该方法具有较高的识别率以及较短的训练时间,证明了其在无人机风场估计上应用的有效性。     

基于堆叠双向LSTM的雷达目标识别方法

现阶段雷达目标检测识别主要依赖人工算法提取目标的特征,难点在于环境自适应能力弱,高强度杂波背景下难以有效检测到目标;针对上述问题,结合深度学习在图像识别等领域表现出的强大的学习表示能力,提出基于堆叠双向长短期记忆网络的雷达目标识别方法;网络模型以雷达多普勒维的回波数据构建数据集,采用双向LSTM提取雷达回波数据在时间序列上的正向和逆向信息,通过RMSProp优化算法对神经网络参数迭代训练,实现了对无人机这种低空慢速小目标的有效识别;实验结果表明,基于堆叠双向LSTM的雷达目标识别方法优于传统的SVM分类算法和卷积神经网络分类算法.     

基于优化卷积神经网络结构的人体行为识别

为了提高卷积神经网络对非线性特征以及复杂图像隐含的抽象特征提取能力,提出优化卷积神经网络结构的人体行为识别方法.通过优化卷积神经网络模型,构建嵌套Maxout多层感知器层的网络结构,增强卷积神经网络的卷积层对前景目标特征提取能力.通过嵌套Maxout多层感知器层网络结构可以线性地组合特征图并选择最有效特征信息,获取的特...     

嗅觉混沌神经网络的研究和应用

Freeman对生物嗅觉神经系统建立了一套新型的混沌神经网络模型-K系列模型,与传统的人工神经网络相比,该网络不仅能很好的模拟生物嗅觉神经系统产生的混沌信号,而且提出了一种全新的信息处理和模式识别的概念和理论,是一种更接近生物系统的神经网络模型. 我们对该混沌神经网络进行了模拟研究,同时应用该网络对简单的图像模式和手写体数字进行了模式识别的探索,实验结果验证了KIII网络的模式识别能力,为这种新方法的进一步发展和应用打下了基础.     

基于深度学习网络模型的端到端航迹关联

为提高雷达数据处理中航迹关联的智能性,充分利用目标的特征信息,并简化系统处理流程,提出了一种基于深度学习网络模型的端到端航迹关联算法。首先分析了基于神经网络的航迹关联存在样本细节少、处理流程繁杂的问题,然后提出了端到端的深度学习模型。该模型根据航迹关联数据的处理特征,改进了卷积神经网络结构用于特征提取,充分利用了长短期记忆网络对历史信息和将来信息的处理能力,并分析了前后航迹的关联性。在对原始数据进行卡尔曼滤波后,将全部航迹信息特征作为输入,并由基于卷积神经网络特征提取的长短期记忆深度神经网络模型直接输出航迹关联结果。仿真结果表明,提出的模型可以充分学习推演目标的多个特征信息,具有较高的航迹关联准确率,对航迹关联的智能化分析具有一定的参考价值。     

基于粗糙集和神经网络的分类器及其在LPR中的应用

粗糙集和神经网络在模式识别中都可用于分类,但是都有局限性。虽然两者没有太多的共同点,将它们结合起来却能相互补充,起到比单个理论更好的分类效果。本文从理论上给出了用粗糙集约简算法减少BP网络中的一个神经元或连接时网络输出能产生的最大误差。接着将粗糙集和BP网络结合起来设计分类器,并通过车牌数字识别验证了该分类器的有效性。实验说明该分类器比单独用粗糙集和神经网络设计的分类器识别率高、识别时间短。     

基于粗集和神经网络的石油测井数据挖掘方法

由于石油测井数据存在着模糊性和噪声，在数据挖掘中单纯使用粗集方法会受噪 声干扰而直接影响分类精度，单纯使用神经网络会因输入信息空间维数较大时使网络结构复杂且训练时间长．为解决这些问题，根据测井解释原理，本文提出一种将两者结合起来的数据挖掘方法，即经过测井资料预处理、样本信息粗集方法简化、神经网络学习训练、待识信息网络识别和误差分析等步骤，其中使用的二层非线性连接权神经网络简化了网络的运算．通过岩性识别和储层参数定量计算两个应用实例，结果表明这种数据挖掘方法在测井解释中其识别率远高于其它单一数据挖掘方法，效果令人满意．