机载气象雷达的三维湍流模型和探测仿真方法

对湍流等复杂气象目标的探测仿真是研究复杂气象目标的有效方法,为了提高机载气象雷达对湍流目标的探测仿真系统的精度,提出一种新的基于蒙特卡罗原理的大气湍流三维建模方法。基于相关函数矩阵生成了Von Karman湍流模型,将该模型应用到机载气象雷达湍流目标检测系统中,通过该数学模型生成湍流的雷达回波模型,对湍流目标的多普勒速度和谱宽进行估计和分析。仿真结果表明,该模型可以满足机载气象雷达湍流目标仿真时对湍流风场数值的要求,通过理论分析与仿真数值的相关性检验对比,证明所提仿真模型符合理论模型特征且具有较高的仿真精度,满足大气湍流的统计特性。通过与Dryden模型在湍流探测仿真结果进行对比,所提模型更接近于真实风场特点。     

弱湍流中无线光通信系统差错性能建模与仿真

大气无线光通信（FSO）信号受大气湍流及光电转换器件影响,不确定性大。从探测接收光信号的实际过程出发,以大气信道和光电探测信道两个基本模型为基础进行理论推导,提出了弱湍流扰动下光电转换的离散计数概率和连续计数概率密度两个严格数学表达式,给出了其数值计算方法。在此基础上,推导出二进制强度调制下检测电流的概率密度计算式,建立了弱湍流无线光通信差错性能的数学计算模型,并据此对闪烁指数、背景噪声等因素影响进行仿真。结果表明,基于该模型的系统差错性能与预测分析相一致,所给模型可有效评估弱湍流条件下无线光通信系统性能。     

基于集成学习的复杂仿真模型验证方法

针对复杂仿真模型验证中海量数据的相似性分析问题,提出了一种基于集成学习的仿真模型验证方法。将仿真时间序列与参考时间序列的相似性分析问题转换为相似性等级分类问题,进而利用神经网络、支持向量机、集成学习等机器学习方法,设计了一种集成分类系统对时间序列的相似性等级进行分类。为了增强基分类器的多样性,提出了基于惩罚因子的多样性筛选准则;通过挑选具有最大差异性的基分类器,构造高性能集成分类系统。最后利用相关数据,对所提出的方法进行应用研究,验证了方法的有效性。     

基于散射中心的目标建模与识别

准光学区目标对高分辨探测信号的散射，表现出多散射中心。本文利用目标的这一物理特性，推导了相邻两个观测方位角上散射信号的近似比例关系，采用梅林变换重建了目标类模式，有效地克服了目标散射中心模型的参数敏感于观测方位角变化而带来的特征选择的困难。文中针对三种飞机目标（歼七、Ｂ５２、Ｍｉｇ２７）进行了识别实验研究，结果表明了本文所提出的目标识别方法是有效可行的。     

基于结构自适应模糊神经网络的前列腺癌诊断方法

前列腺癌是近年来严重危害男性健康的疾病.利用模糊神经网络方法可以实现前列腺癌诊断,并将诊断模型表示为模糊规则集合.针对模糊神经网络所提取规则解释性差的问题,提出结构自适应模糊神经网络方法,通过改进损失函数,在训练中控制相似隶属度函数的合并,实现模糊神经网络模型结构自适应调整,减少模糊规则数量,在保证诊断准确性情况下,提取出容易理解的可解释性规则.同时该方法在模型的训练过程中引入粒子群优化(PSO)算法进行结构和参数学习,有效减少计算量,提高训练效率.最后,使用临床医学科学数据中心提供的前列腺疾病检查数据进行数值实验,验证了所提出方法在前列腺癌诊断和可解释性规则提取中的有效性.     

一种多门限空海目标分类方法

针对利用高度信息进行空海目标分类时存在很大不确定性的问题,提出了一种机载雷达多门限空海目标分类方法。首先基于假设检验思想,利用高度估计值构建了空海目标分类判别函数,然后采用多门限决策规则进行空海目标分类,并结合统计理论,给出了各门限的计算公式。仿真表明该方法能够有效地进行空海目标分类,可同时将两类错误分类概率控制在较低水平。最后,给出了该方法的实际应用模型。     

基于神经网络的遥感影像超高分辨率目标识别

现有遥感图像的许多分类方法大都忽略了混合像元存在的事实,通过理解遥感影像像元点目标的空间分布特性,提出基于Hopfield神经网络的遥感图像超分辨率目标识别算法。在Hopfield神经网络模型下,利用模糊分类技术进行模糊分类,然后用分类结果约束Hopfield神经网络的方法获取超高分辨率的遥感图像,能够提高遥感图像的目标分辨率,使其目标特征信息更清晰。     

机载雷达三维空间湍流场产生与仿真分析

为有效分析机载雷达湍流场产生机理以及在有因次和无因次条件下的湍流变化规律,利用快速傅里叶变换三维对称特性产生出三维零均值高斯噪声,结合Von Karman模型建立了空间三维湍流场模型,并提出了一种机载雷达湍流信号的处理算法。在三维湍流场计算机仿真中引入了湍流尺度和湍流强度参数。仿真结果表明,产生的三维湍流场能较好地符合实际情形,可以满足机载雷达对湍流目标检测的飞行仿真要求。此外,在有因次情形下的湍流变化规律与无因次情形下基本是一致的,但其波动幅度要大于无因次情形。     

炼钢一连铸调度模型参数优化设定方法

针对炼钢-连铸调度模型的系数由人工经验给出,缺乏科学依据的现状,提出了基于正交设计的调度模型参数(系数)优化设定方法.通过对试验结果的方差分析给出了各参数对调度目标影响程度.利用工业实际生产数据进行测试,结果表明:所提方法可以在短时间内找到目标函数系数的最优设定值,由方差分析确定的模型参数对目标函数的影响程度与现场实际相吻合.通过与人工经验值进行比较,验证了所提方法的合理性和有效性.     

高精度伺服系统神经网络自适应控制研究

经典的、基于对象模型的PI控制方法简单、易于实现,但对于一些负载扰动和模型参数的变化,往往不能起到很好的抑制作用。针对上述问题,提出了一种神经网络自适应PI的控制方法,利用负载干扰观测器和神经网络自适应地调整PI控制器的参数,从而来有效地减少负载的干扰和模型参数的变化对系统造成的影响,提高了系统的鲁棒性。仿真结果表明了该方法的有效性。     

GMDH-Based Outlier Detection Model in Classi?cation Problems

In many practical classification problems, datasets would have a portion of outliers, which could greatly affect the performance of the constructed models. In order to address this issue, we apply the group method of data handing(GMDH) neural network in outlier detection. This study builds a GMDH-based outlier detection(GOD) model. This model first implements feature selection in the training set L using GMDH neural network. Then a new training set L can be obtained by mapping the selected key feature subset. Next, a linear regression model can be constructed in the set L by ordinary least squares estimation. Further, it eliminates a sample from the set L randomly every time, and then rebuilds a linear regression model. Finally, outlier detection is realized by calculating Cook's distance for each sample. Four different customer classification datasets are used to conduct experiments. Results show that GOD model can effectively eliminate outliers, and compared with the five existing outlier detection models, it generally performs significantly better. This indicates that eliminating outliers can effectively enhance classification accuracy of the trained classification model.     

基于卷积神经网络的小型建筑物检测算法

针对基于传统卷积神经网络的建筑物目标检测算法对于小型建筑物检测准确率低的问题, 提出一种基于Mask-区域卷积神经网络(Mask-region convoluional neural networks, Mask-RCNN)模型的小目标检测算法模型。该模型对Mask-RCNN模型中的特征提取网络进行了改进, 设计了一种带有注意力机制的多尺度组卷积神经网络, 有效解决了小目标有用特征较少且易被背景特征和噪声干扰的问题。航拍图像实验结果表明, 改进的检测模型使小型建筑物目标检测准确率较原始Mask-RCNN模型提升了28.9%, 达到了0.663。并且整体检测准确率达到了0.843, 有效提升了航拍建筑物检测准确性。     

光学遥感图像目标检测方法

更快速区域卷积神经网络(faster region-based convolutional neural network,Faster RCNN)是两阶段的目标检测模型,通过区域生成网络将区域提议与识别完全融合到网络模型中,使主要的运算可以在图形处理器中完成,因此,其同时具有良好的检测速度与精度。但是当Faster RCNN直接应用于遥感图像目标检测,面对宽尺寸范围的多种目标时,性能受到了很大削弱。分析了池化操作和目标尺寸对区域提议的影响,提出联合多层次特征进行区域提议的方法,提升了目标区域的提议召回率。针对性地优化前景样本的生成策略,避免训练过程中的产生无效前景样本,使得整个检测模型的训练更加高效。实验结果表明,所提出的模型和训练方法能够提高多尺度遥感图像目标的召回率与检测精度,且具备较高的训练效率。     

基于集成深度学习的有源干扰智能分类

针对现有基于机器学习的雷达有源干扰分类大多需要构建人工特征集且小样本情况下分类精度低的问题, 提出一种基于多通道特征融合的集成卷积神经网络(convolutional neural network, CNN)分类方法。首先, 建立多种有源干扰的数学模型, 仿真并利用短时傅里叶变换获得其时频分布图; 其次, 提取时频分布图的实部、虚部和模值三通道特征, 通过多种特征组合方式建立不同特征组合的样本集; 最终, 构建以CNN为基分类器的集成深度学习模型, 每个CNN分别提取不同样本集的特征, 对所有基分类器的预测结果做多数投票得到集成模型的整体预测结果。实验表明, 该方法能够有效实现小样本情况下多类有源干扰的高精度智能化识别。     

基于神经网络的舰船雷达目标特征抽取与分类方法研究

本文着重研究应用神经网络来进行舰船雷达目标特征抽取与分类问题,提出了一种基于Mellin变换和多层前馈神经网络的特征抽取方法和一种基于Kohonen网络组的特征分类方法。采用实地录取的三类舰船雷达目标视频回波数据对本文提出的有关方法进行检验,结果表明本文提出的雷达目标特征抽取与分类的神经网络方法是切实可行的,其抽取的特征具有良好的稳定性,其分类的精度很高,明显优于传统的K-邻近分类器。     

基于卷积神经网络的陆战兵棋战术机动策略学习

针对从“人在回路”兵棋推演的复盘数据中提取推演者战术经验高价值知识的问题,提出一种基于深度神经网络从复盘数据中学习战术机动策略模型的方法。将战术机动策略建模为在当前态势特征影响下对目标候选位置进行优选的分类问题：梳理总结影响推演者决策的关键认知因素,定义了由机动范围和观察范围等7个属性构成的基础态势特征,建立了带有正负样本标注的态势特征数据集;设计了基于卷积神经网络的分类器,以分类概率实现了单个棋子战术机动终点位置的预测。实验结果表明：该模型的预测准确率可达到78.96%,相比其他模型提高至少4.59%。     

基于深度学习的弹道目标智能分类

针对弹道目标微动分类前需平动补偿及典型雷达散射截面积(radar cross-section, RCS)序列分类需构造人工特征的问题,提出利用弹道目标微动特性和RCS相结合的弹道目标智能分类算法。首先,建立弹道目标运动模型并分析得到方位角和俯仰角,从而获取RCS序列,在此基础上利用小波变换得到时频图并构建数据集;然后,通过卷积神经网络(convolutional neural network, CNN)提取时频图像特征序列并与RCS序列融合成高维特征;最后,利用具有容错能力的双向长短期记忆网络充分学习序列之间的相关性以实现目标分类。仿真结果表明,该算法比卷积神经网络和支持向量机的分类精度分别提高5%和2%以上,分类速度比卷积神经网络和双向长短期记忆网络分别提高1.5倍和2.5倍,实现了更高精度的快速智能分类。     

基于卷积神经网络的水下目标特征提取方法

针对水下目标特征提取问题,在卷积神经网的基础上,提出了一种新的网络结构。该框架通过引入特征图多维加权层,强化了特征图的空间信息,弥补了进入全连接层时空间特征的丢失。以层次结构构造一个集特征提取和分类器训练于一体的端到端网络,同时利用深度网络的反向传播完成分类器对特征提取的反馈以改进特征的效果。在仿真模拟实验上,该网络框架分类目标达到了78.61%的精度,与其他方法相比,有效提高了目标的识别精度。所提框架能有效分类识别水下目标,具有良好的识别精度,且具备模块化结构,无需复杂预处理,实现简单。     

基于Fuzzy-ART神经网络的红外弱小目标检测

针对现有背景抑制算法未能有效抑制背景而导致目标检测率低的问题,提出了一种基于模糊自适应共振理论（fuzzy adaptive resonance theory, Fuzzy ART）神经网络的弱小目标检测算法。首先,采用Fuzzy ART神经网络结合Robinson 警戒环技术,建立自适应局部空间背景模型,并以此分析像素点的背景模糊隶属度来抑制背景杂波;然后依据目标与残留背景杂波的空间特征采用模板均差法来突显目标,并提出基于行列模糊聚类的自适应分割算法来提取候选目标;最后结合目标的运动连续性进行多帧轨迹关联从而检测出真实目标。理论分析与实验结果表明,该算法能随背景的局部情况来自适应调节空间背景模型,从而自适应抑制背景杂波、突显目标,能有效提高信噪比,检测出弱小目标。     

基于改进的CNN和数据增强的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题, 提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法。首先在训练阶段引入Dropout, 随机删除部分神经元, 增强网络的泛化能力。其次, 在网络中引入L2正则化, 简化模型的同时降低结构风险, 并且能有效地抑制过拟合。然后, 采用Adam优化网络, 提高模型的收敛效率。最后, 采用优选的数据增强方法, 扩充SAR目标数据集, 为网络训练提供更为充足的样本, 进一步提高识别的准确率和模型的泛化性。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)数据集上进行了实验, 结果表明设计的卷积神经网络识别准确率高, 且具有更好的泛化性。