一种基于神经网络的识别反辐射导弹方法

本文利用反辐射导弹的飞行和电磁散射特性,给出了提取反辐射导弹特征量的方法,并用改进双向联想记忆神经网络作为识别器完成目标识别,分析表明,识别器有很好的识别效果.     

用附加辐射源对抗反辐射导弹的布防研究

研究附加辐射源对抗反辐射导弹(anti-radiation missiles,ARM)布防方案中有关点源间距选择的问题。从空间分辨条件和ARM几何运动分析出发,推导ARM以任意攻击角斜入射时,两点源能够安全诱偏ARM的间距的数学模型,确定了假定条件下的最佳诱偏距离。计算分析ARM分辨角、攻击角和点源间距对诱偏效果的影响。指出选择点源间距时,仅按垂直入射情况选择的间距不能完全保证辐射源的安全,应该考虑ARM斜入射的情况。     

小波-神经网络在辐射源识别中的应用研究

针对目标所采用的辐射源识别方法对复杂体制雷达信号识别效率低或无法识别的现象 ,提出了一种新的辐射源识别方法。首先 ,利用小波包可对信号进行多维多分辨率分析的特点 ,对辐射源信号进行信号特征的提取 ,然后将各辐射源的信号特征作为ART2神经网络的训练样本 ,对其进行辐射源类型的识别。通过计算机仿真 ,对上述方法进行了验证。试验结果表明 ,这种基于小波 神经网络的辐射源识别方法在识别复杂体制雷达信号的应用中不仅克服了目前识别方法识别效率低的弊端 ,而且还有效地解决了对未知雷达信号无法识别的问题     

宽频反辐射导弹的攻击过程建模及Matlab仿真

详细分析了宽频反辐射导弹攻击辐射源的主要过程,包括空间信号传输、电子信号接收、电子信号处理、测向定位和导弹导引控制环节,给出了各环节的教学模型.利用Matlab开发环境,从作战指挥角度出发,设计并实现了多辐射源抗宽频带反辐射导弹攻击效果的仿真系统.系统可以对辐射源信号发射频率,辐射功率、辐射源相对位王、辐射源工作时序等参数进行灵活设置,为多辐射源抗反辐射导弹攻击策略研究提供了一个有效的仿真平台.     

一种对反辐射导弹多源诱偏干扰的建模方法

针对反辐射导弹(ARM)传统有源诱偏理论的不足,从单脉冲雷达跟踪合成波阵面法线方向的理论出发,对多个辐射源的诱偏公式在三维空间中作了推导,对多目标影响建立了较通用的干扰模型并分析得到该模型具有当只有一个干扰源时,诱偏方位角偏差跟目标干扰源方位角之差有关的特点,同时诱偏仰角偏差也有类似的特点。仿真了其对数据的影响,为算法的设计和测试提供了依据。     

基于神经网络的辐射源识别系统设计

针对当前辐射源识别系统中存在的问题,提出了一种结合神经网络技术的辐射源识别新方法。该方法可以快速高效的识别各类辐射源,既有基于统计分析的辐射源识别系统的快速性,又有基于专家系统的辐射源识别系统的自适应性和准确性。实际仿真结果表明该方法是有效的,尤其对于参数不全、参数畸变的雷达辐射源,其识别率和识别置信度都有较大提高。在本文方法的基础上,设计出一种结构简单、快速有效的辐射源识别系统,具有一定的推广价值。     

抗反辐射导弹措施

反辐射导弹对军用雷达构成了严重威胁,研究如何抗反辐射导弹成了电子对抗中的重要课题。本文从战术和技术两关方面论述了抗反辐射导弹的措施。     

反辐射导弹的最优检测

本文以反辐射导弹告警系统为背景，根据典型反辐射导弹的发射模式，建立了反辐射导弹雷达回波时间序列模型，指出告警系统对反辐射导弹的脉冲串检测实际上是速度及加速度分量未知的线性调频信号的检测。推导了反辐射导弹的最优检测的表达式及参数估计的精度，并给出了最优检测的检测性能，为工程完成反辐射导弹回波脉冲串的检测提供了理论基础。     

空-地反辐射导弹效能评估方法研究

分析了建立反辐射导弹效能评估模型的必要性。根据不同的电子对抗等级 ,给出了反辐射导弹效能评估的不同实验方法。这些方法对反辐射导弹效能评估、战技指标论证及其鉴定验收有重要的理论参考价值     

抗反辐射导弹雷达诱饵阵防御效能分析

为了评定一个布置有诱饵的雷达阵地抗反辐射导弹(ARM)攻击的防御效能,提出了采用马尔可夫链的转移概率矩阵进行计算的方法。该方法通过计算在多枚ARM的攻击后,雷达诱饵阵地状态的变化,获得雷达阵地在ARM攻击后的毁伤概率矩阵,以及摧毁雷达所需要的ARM的期望数目。给出了应用该方法的具体步骤,并通过仿真实例检验了该方法的可行性和有效性。     

进化神经网络的研究进展

进化神经网络由于充分利用了进化算法与神经网络的优点而越来越受到人们的关注,从而形成了一门新兴的计算智能学科.讨论了进化神经网络的起源,从辅助式进化神经网络和结合式进化神经网络评述了进化神经网络的研究现状,阐述了进化神经网络的并行实现.最后指明了进化神经网络的发展与未来.     

基于神经网络的假设检验故障诊断算法研究

传统的χ2检验法通过比较先验信息与量测信息进行故障检测,当先验信息所依赖的模型出现错误时将无法进行有效的故障检测和故障隔离。提出利用神经网络的方法结合χ2检验法进行故障诊断,训练神经网络来跟踪系统模型,则正确的先验信息保存在训练好的神经网络中,系统模型输出与网络模型输出之差作为故障诊断的依据。针对INS/GPS组合导航系统进行算法仿真,该算法能够快速、准确地判断系统故障源,通过故障隔离和系统重构,使系统在故障情况下依然保持正常工作。     

混合使用专家系统与神经网络的智能控制系统

本文以融合符号主义及连接机主义这两种人工智能理论为指导思想，提出了混合使用专家系统与神经网络的智能控制系统形式定义及其三种基本混合结构。进而提出一种专家系统神经网络混合式递阶智能控制系统结构（ＥＳＮＮＩＣＳ），并以ＰＩＤ自整定智能控制系统和水净化智能控制系统为例，说明了ＥＳＮＮＩＣＳ结构的实际应用。     

基于模糊神经网络的自适应滤波方法仿真研究

提出了一种模糊自适应卡尔曼滤波算法。该算法基于模糊规则，根据新息相关性，自适应调整测量噪声方差R，有效的解决了噪声的统计特性与实际不符时，滤波器发散的现象。同时，利用Elman网络作为误差估计器，补偿模糊自适应卡尔曼滤波器的估计误差。仿真结果表明，两种方法结合，可以有效地防止滤波器发散，缩小实际的滤波误差，提高滤波精度，实现滤波器参数的在线改进。     

基于模型跟随的神经网络非线性重构控制

针对歼击机在结构故障下的动力学方程 ,提出了一种基于径向基函数 (RBF)神经网络的模型跟随非线性重构控制策略。该方法不必精确已知系统故障的位置及其损伤程度 ,可直接对故障系统实施重构控制 ,使其输出能精确跟踪期望参考模型的输出。该方法在模型跟随重构控制的基础上 ,引入了神经网络控制器 ,以补偿故障引起的非线性因素的影响。理论分析和仿真验证表明 ,所提方法可保证闭环系统具有良好的重构性能和很强的鲁棒性 ,且算法高效简单 ,易于计算机在线控制。     

基于神经网络的轮廓误差控制仿真研究

运动控制系统不同轴的动态特性的差异是造成系统轮廓误差较大的主要原因。为系统每个轴设计一个高性能的前馈补偿器，可以改善每个轴的动态特性，使不同轴相互匹配，从而残小系统的轮廓误差。由于前馈补偿器的传递函数通常具有二阶或二阶以上微分环节，物理实现较困难，本文利用神经网络辨识系统的控制对象逆模型作为前馈补偿器，很好地解决了该问题；而利用在遗传算法中加入BP算法形成的混合遗传算法作为神经网络的训练算法，此算法具有收敛速度快，不易陷入局部权小的特点。     

神经网络理论在投入产出分析中的应用

把神经网络理论应用到投入产出分析中，由此建立起一种新的投入－产出模型，把这一模型中的某些变量理想化并进行变换后即可得到列昂节夫（Ｌｅｏｎｔｉｅｆ）模型。为此，本文把基于神经网络的新模型与列昂节夫模型进行了多方面的比较，并讨论了新模型系统的Ｌｙａｐｕｎｏｖ函数及关联强度的变化规则等.     

基于神经网络的形状识别系统及优化

Ｈｏｕｇｈ变换用于形状识别、神经网络用于分类都不是新课题,而我们将这两种方法结合起来,用神经网络实现 Ｈｏｕｇｈ变换并进行特征提取,所提取的特征矢量不受待识别体的大小和位置的影响,且所提特征为一维矢量。对于所构成的神经网络形状识别系统,采用ＢＰ算法进行初１练,优化系统参数。文中最后得出令人满意的实验结果。     

一种基于神经网络的混沌控制方法

将神经网络(NN)与内模控制(IMC)相结合,提出了一种用基于BP神经网络的内模控制进行混沌抑制的方法,该方法既具有内模控制的特点,又引入了神经网络的在线自校正机制。应用所提出的方法,针对Duffing振荡器的混沌控制问题进行了仿真研究,仿真结果验证了该方法的有效性,同时还表明该方法具有很好的鲁棒性与自适应能力。