一种优化RBF神经网络训练算法及其在目标识别中的应用

OLS训练方法应用在径向基(RBF)神经网络里时，存在当训练数据量很大时速度很慢的问题，并且OLS方法不能自动确定基函数的平滑参数。本文针对此问题提出了一种基于快速模糊C-均值算法(AFCM)与OLS算法相结合的AFOLS训练算法，该算法使用AFCM方法对数据进行聚类，并获取基函数的平滑参数，然后使用OLS方法从聚类结果中选取网络中心。利用实测的4类飞机目标数据对其进行性能检验，试验结果验证了该训练算法可提高网络的训练速度，缩小网络规模，提高网络的分类能力。     

步进频信号散射中心的提取及目标识别

针对宽带步进频测量雷达体制，用几何绕射理论（GTD）模型来描述目标宽带RCS测量数据，利用多重信号特征（MUSIC）算法估计目标散射中心的数目和位置，并将目标的散射中心作为特征进行目标识别。利用暗室测量的缩比目标模型数据进行目标识别实验，结果表明，用该方法提取的散射中心特征稳当有效，识别效果较好。     

基于灰度图形状特征的低分辨雷达架次判别

提出了一种基于回波灰度图低分辨雷达目标架次判别方法。分析了机群目标架次属性与灰度图形状结构之间的联系,对去噪后的灰度图分块提取形状特征,并采用径向基神经网络对实测四类不同架次的飞机目标数据提取的特征进行了识别,结果验证了灰度图形状特征信息的有效性,达到了较高的识别率。     

核Fisher判别方法在低分辨雷达目标识别中的应用

将机器学习领域新的研究成果应用到雷达目标识别中，并开发有效、实用的分类器具有重要实际意义。核Fisher判别方法是基于Fisher线性判别方法而提出的一种非线性分类方法，在这种方法中使用了基于核的算法中的“核技巧”。本文研究了核Fisher判别分类方法在低分辨雷达目标识别中的应用，并用从某低分辨雷达录取的实际飞机目标回波数据时该算法进行了测试，实验证明了核Fisher方法在低分辨雷达目标识别中的有效性。