RBF神经网络在二相编码雷达脉冲压缩中的应用

研究了径向基函数(RBF)神经网络在二相编码脉冲压缩技术中的应用，对网络的学习算法进行了改进，基于最小二乘原理调整网络隐含层至输出层的连接权值，采用自适应梯度下降方法，在线调整隐层神经元的宽度参数a，采用13位巴克码进行仿真，结果表明，改进的算法有较快的收敛性，可获得45dB以上的输出主旁瓣比，提高了雷达的探测性能。     

基于模糊神经网络的二相码旁瓣抑制

研究了模糊神经网络在二相码旁瓣抑制中的应用,对网络的学习算法进行了改进,采用梯度下降算法优化规则前件参数,而用最小二乘算法优化规则后件参数.对13位巴克码进行的仿真结果表明,改进的算法具有极快的收敛速度,可获得60 dB以上的输出主副比,提高了雷达的探测性能.     

基于蚁群算法的二进神经网络学习算法

本文提出一种实现任意布尔函数的二进神经网络学习算法,该算法首先借助蚁群算法优化选择核心节点及节点访问顺序;其次,根据优化的节点访问顺序给出扩张分类超平面的步骤,减少了隐层神经元的数目,同时给出隐层神经元及输出元的表达形式;并进一步通过理论分析了该算法的收敛性。该算法成功地改进了已有学习算法的不足,并通过典型实例验证了该算法的有效性。     

前向神经网络的神经元分层逐个线性优化快速学习算法

本文提出了一种新的前向神经网络快速分层学习算法.在此学习算法中,其优化策略为对输出层和隐层神经元的连接权值交替优化.对输出层权值优化算法采用基于广义逆的最小二乘递推算法,对隐层神经元的连接权值采取则对每个神经元逐个进行优化,而且采用正交变换加快每一步学习的计算速度和提高算法的数值稳定性.当学习过程停滞时采用随机扰动的方法摆脱过早收敛.数值实验表明,与BP动量因子法、牛顿型方法和现有的分层优化算法相比,新算法不仅学习速度快学习时间短,而且当网络规模增大时仍然比较有效.     

一个新的二进前向多层网学习算法及布尔函数优化实现

本文首先给出二进前向多层网几何学习算法的一个改进策略,提高了原算法的学习效率,然后同个新的神经网络启发式遗传几何学习算法。ＨＧＧＬ算法采用面向知识的交叉算子和变异算子对几何超平面进行优化的划分,同时确定隐层神经元的个数及连接权系数和阈值,对任意布尔函数,ＨＧＧＬ算法可获得迄今为止隐节点数量少的神经网络结构。     

基于盲信源分离技术的雷达信号分选研究

基于雷达信号分选的实时性处理要求，提出了一种基于盲信源分离（BSS，Blind Source Sepamtion）技术的雷达信号分选算法。该算法在盲信源分离自然梯度算法的基础上，引入动态神经网络（DNN）构成分离系统，通过自适应增加或删减输出神经元个数，检测出变化着的雷达信号数目，并很好的对其进行分离。其中，增加输出神经元个数的方法很好的解决了脉冲雷达信号并非同时到达时的问题。仿真结果验证了该算法的有效性。     

红外/毫米波雷达双模制导跟踪融合算法的优化

双模制导是导弹武器系统实现精确打击的关键技术之一,对双模制导跟踪融合算法进行优化研究具有一定的理论价值和工程应用价值。根据红外/毫米波雷达双模制导跟踪融合算法的工程应用要求,从算法的实时性、鲁棒性、抗干扰性等要求出发,设计了跟踪融合算法优化方案：一是构造基于特征层的空情特征,并利用决策层提供的决策可信度因子,对跟踪融合算法进行了相应改进;二是根据模糊神经网络及双模传感器在飞行中的不同特征提供的决策信息,对跟踪融合算法进行了优化调用。进行了相应的仿真分析,证明了方案的可行性。     

面向室内定位的DHOHF-Elman神经网络算法

针对传统Elman神经网络算法在室内存在定位精度低的问题,提出了一种基于UWB（Ultra Wideband ）的改进的DHOHF-Elman(Elman neural network with Double Hidden layers and Output-Hidden Feedback,DHOHF-Elman)神经网络算法。该算法改进了神经网络拓扑结构增加了第二隐含层和第二承接层,达到了双隐含层反馈的效果,采集了大量的实验数据对构造的神经网络模型进行了训练与测试,表明了改进后的神经网络算法较传统神经网络算法有更高的定位精度和较好的收敛性,最后通过仿真结果分析验证了改进算法的优良性和有效性。      

采用遗传算法的MIMO雷达L型阵列稀布优化

针对多输入多输出（MIMO）雷达阵列稀布导致栅瓣效应的问题,研究了L型阵列方向图综合方法。通过在发射和接收阵列的阵元位置中引入随机扰动,同步优化收发阵列,对MIMO雷达Ｌ型阵列等效构造的虚拟矩形平面阵列进行二维方向图综合,并且对遗传算法的变异算子进行改进,提高全局搜索性,从而有效抑制栅瓣,降低二维合成方向图中方位维和俯仰维的峰值旁瓣电平。仿真实验证明了所提算法的有效性。     

雷达信号识别的GANN方法

利用神经网络方法进行雷达信号识别存在两个问题,一是难以选择最优的网络结构;二是用传统的BP学习算法,常常收敛到局部解。本文提出一种GANN方法,即首先利用遗传算法优化两层前馈神经网络结构以确定中间隐层的节点数,然后用遗传算法进行学习。通过与BP算法相比较,遗传算法不仅速度快,而且能找到最优解。实验表明,将GANN应用于雷达信号识别,识别率更高。     

基于GA-BP神经网络的矿用刮板输送机故障诊断

针对矿用刮板输送机的故障诊断问题,提出一种基于GA-BP神经网络的故障诊断方法。为了避免BP神经网络易陷入局部最小值、隐含层节点数难确定等问题,这里首先根据经验公式缩小隐含层节点数范围,在小范围里寻找最优的隐含层节点数;进而根据遗传算法具有全局寻优的特点,用遗传算法优化BP神经网络训练的初始权值阈值。研究表明经经验公式寻找最优隐含层节点数后,再将遗传算法与BP神经网络结合可以有效地解决神经网络收敛速度慢,易陷入局部最小等问题,提高了刮板输送机传动部的故障诊断精度。通过仿真实验验证了文中方法的有效性。     

基于熵的前馈网络修剪算法

剪枝算法是一种通过简化网络结构来避免过拟合的有效方法之一。文章依据Shannon熵原理定义了神经网络隐层节点输出的拟熵,该熵与Shannon熵对不确定性的描述具有相同的效果,但克服了Shannon熵中无定义和零值的缺点。将交叉熵和隐节点输出拟熵作为目标函数,并采用熵周期的策略对网络参数进行寻优,通过删除合并隐层神经元达到简化网络结构的目的。仿真结果表明,此方法简单易行,对BP网络的泛化性能有较好的改善。     

保障无人机安全通信的自主飞行3D路径规划

在无人机服务多个地面移动用户并存在一个窃听者窃听信息的安全通信场景中,为了最大化安全速率,本文提出一种新的深度强化学习算法对无人机3D轨迹进行优化,该算法名为正确轨迹深度确定性策略梯度算法（correct trajectory - deep deterministic policy gradient, CT-DDPG）。CT-DDPG算法使用多个深度神经网络与环境交互,采用修正输出层激活函数值的方式,代替传统的使用多个激活函数的方法,简化深度神经网络结构。同时对无人机的飞行轨迹进行修正,使无人机始终处于安全速率最大化的最佳位置。与其他强化学习算法相比,该算法训练时间短,执行时能实时更新无人机的位置。仿真结果表明,所提出的算法能够快速收敛,在保障无人机安全通信的情况下完成飞行任务。      

GA-BP神经网络在雷达目标跟踪中的应用研究

目标的运动过程一般是非线性过程,神经网络具有很强的非线性拟合能力,可映射任意复杂的非线性关系,以神经网络为基础的模型能够很好地反应目标的非线性运动趋势。本文在分析传统的BP神经网络的基础上,引入GA遗传算法来优化神经网络的初始权值和阀值,同时将GA-BP神经网络模型运用于对雷达目标的跟踪过程中,并通过仿真验证该模型的精度较高。     

A Gabor atom network for signal classification with application inradar target recognition

A Gabor atom neural network approach is proposed for signal classification. The Gabor atom network uses a multilayer feedforward neural network structure, and its input layer constitutes the feature extraction part, whereas the hidden layer and the output layer constitute the signal classification part. From the physics point of view, it is shown that the time-shifted, frequency-modulated, and scaled Gaussian function is available for a basic model for the signal of high-resolution radar. Two experiment examples show that the Gabor atom network approach has a higher recognition rate in radar target recognition from range profiles as compared with several existing methods     

基于GMM和神经网络的辐射源识别方法

针对基于截获雷达脉冲特征参数的辐射源识别问题,通过建立一个高斯混合模型(GMM),采用最大化期望(EM)方法对模型参数进行训练,构建了一个输入为截获雷达脉冲特征参数,输出为雷达辐射源类型的分类器。同时,为实现对分类识别性能对比,进一步提出基于神经网络方法构建雷达辐射源类型分类器。仿真试验结果表明,基于GMM和神经网络构建的两种分类器均能实现对雷达辐射源的在线识别,且当用于训练的样本比例不低于10%时,均能获得90%以上的分类正确率。     

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.     

基于小波神经网络的毫米波雷达目标距离像识别

给出一种隐层由小波基组成的神经网络用于实现频率步进毫米波雷达目标一维距离像的识别。利用小波变换所具有的良好的时频分析特性，实现了输入输出之间映射关系的多分辨学习。介绍了小波神经网络的数学框架及其误差反向学习算法。详细描述了用小波神经网络进行识别的步骤。将所提出的小波神经网络用于频率步进毫米波雷达目标一维距离像的识别。实验结果表明该方法对目标距离像的识别是有效的。     

基于模型输出敏感度分析的动态神经网络结构设计

神经网络的性能由其训练算法和拓扑结构共同确定。为了解决设计网络结构的动态调整问题,论文给出了一种神经网络结构动态设计方法。以隐含层神经元输出的贡献对模型输出敏感度进行分析,从而调整神经网络结构,对贡献太小的神经元予以删除,对贡献值太大的神经元利用最邻近法在其附近插入新的神经元。通过对非线性函数进行逼近和对非线性系统关键参数进行预测证明了该方法的有效性。