基于稀疏字典分解的窄带雷达自旋目标干涉三维成像

空间微动目标干涉三维成像技术研究中,最关键的是对各散射点进行保相分离。当脉冲重复频率（PRF）不满足奈奎斯特采样定律时,基于图像处理的成像方法无法有效分离目标各散射点。提出了一种基于稀疏字典分解的窄带雷达自旋目标干涉三维成像方法,该方法能够直接从回波数据中分离出各散射点。首先,根据自旋目标回波信号特性构建稀疏字典,利用稀疏分解算法分解回波,得到各散射点子回波,其次通过时频分析并利用其保相性,获得各散射点的微动曲线,并提取出它们在时频平面上经过位置的干涉相位差,最后根据干涉相位差与坐标之间的关系重构散射点坐标,对空间自旋目标进行三维成像。仿真结果表明,在PRF不小于0.25倍奈奎斯特频率时,所提方法均能有效实现自旋目标三维成像。     

调频连续波雷达自旋目标干涉三维成像方法

相比脉冲体制雷达,调频连续波雷达具有功耗低、成本低、重量轻等优点,发展前景广阔,同时雷达三维成像技术可为目标的分类识别提供重要的特征信息。但是自旋目标在调频连续波信号条件下会产生一维距离走动以及回波相位的改变,这对干涉三维成像产生了影响。针对自旋目标在线性调频连续波雷达中的干涉三维成像技术进行了研究,分析了自旋产生的回波调制效应与相位变化,结合分析所得的调制前后目标在距离 慢时间像上微动特征的变化关系与扩展Hough变换提取的微动参数,解决了干涉三维成像中由于回波调制效应导致的目标坐标畸变问题,提出了基于调频连续波雷达的自旋目标干涉三维成像的具体处理方法。仿真实验证明,所提方法有效提高了自旋目标的干涉三维成像质量。     

基于RBF网络的ECT图像重建算法

介绍了一种基于RBF网络的电容层析成像图像重建算法,包括径向基函数的选取、RBF网络权值的训练方法.仿真实验显示该算法可用于两相流流型辨识.     

基于残差网络的微波关联成像目标重构方法研究

微波关联成像将量子强度关联成像的思想扩展到微波领域,不仅很好地解决了传统雷达无法进行高分辨凝视成像以及复杂的运动补偿等问题,还具有分辨率高、抗干扰能力强等特点,受到广泛关注.针对微波关联成像传统重构算法在低采样数条件下重构质量差问题,将残差网络和卷积神经网络应用于微波关联成像重构中,提出一种基于残差网络的微波关联成像方法,以雷达接收机回波数据作为网络的输入,依次通过训练好的特征提取网络和图像增强网络,进行高质量图像反演,并将文中算法与伪逆算法和压缩感知算法进行仿真对比分析.仿真结果表明:在相同采样率下,文中算法成像质量均高于其他算法.同时,在不牺牲图像质量的条件下,单张图像重构执行程序所耗时间约为0.06s,提高了图像重建的速度,对工程应用有重要意义.     

基于双层网络的混合PSO算法的RBF建模

针对RBF网络的建模问题,设计了基于双层网络的建模方法。第一层网络采用随机方法确定了隐层单元数,并利用并行PSO算法对网络进行初步训练,第二层网络采用了主从粒子群的方式,借鉴了遗传交叉的思想,对第一个网络的最优解进行了再训练以提高网络的训练精度。从对非线性系统的仿真结果看,该方法最终确定的隐层单元数比较少,与RBF网络相比有着一定的优越性,而且优于单层并行PSO算法的RBF网络。     

基于RBF网络的几种学习算法

本文综合叙述了基于RBF网络的几种学习算法,包括:均值聚类算法、混合学习算法、模糊聚类算法等学习算法,简单介绍了各种算法的过程和应用范围,最后对RBF网络学习进行了计算机模拟。     

基于EMD算法的空间自旋目标平动补偿与微动特征提取

针对微多普勒频率附加在空间目标高速轨道运动产生的多普勒频移上使微动特征提取更加困难这一问题,提出了一种利用EMD算法对空间目标进行精确平动补偿和微多普勒特征提取的方法。对空间自旋目标进行建模,推导了窄带雷达条件下空间目标的微多普勒效应,并分析了平动分量对微多普勒的影响;把目标回波分解成一系列本征模态函数(IMF),然后求出瞬时频率,利用经验模型分解(EMD)算法对瞬时频率进行分解,分析各分量的能量百分比判别平动频移分量,实现回波信号的平动补偿;对平动补偿后的信号利用 EMD算法分离出微多普勒曲线,提取微动特征。仿真实验验证了该方法的可行性与有效性。     

基于RBF网络的扫描体制雷达DOA估计方法

针对传统扫描体制雷达无法分辨半功率波束宽度内存在多目标的问题,利用阵列信号处理的思想,把RBF神经网络理论应用于机扫雷达的DOA高分辨估计.首先给出了扫描体制雷达DOA估计的信号模型,提出了一种基于RBF网络实现扫描体制雷达DOA高分辨估计的SRBF算法.然后针对RBF网络存在的学习收敛速度慢等问题,给出了基于模糊学习矢量量化(Fuzzy Algorithm for Learning Vector Quantization,FLVQ)的网络学习算法,FLVQ方法采用模糊C均值方法中的模糊权重函数在线自适应调整,来确定输入和中心之间的权值,使得网络具有更高的非线性逼近性能和高效的收敛性.理论分析和仿真结果均表明SRBF网络具有快速准确的DOA估计能力,算法便于工程实现,具有较高的实用价值.     

量子鱼群算法优化RBF网络的浮选预测模型

传统的浮选过程分析主要依靠人工化验,其采样化验周期较长,难以满足控制要求,使得浮选精矿品位偏低,因此建立浮选精矿品位预测模型是必要的。利用神经网络在非线性复杂系统研究中的优势,在分析浮选过程工艺指标相关影响因素的基础上建立了一种基于量子鱼群算法优化的RBF神经网络预测模型。仿真结果表明,提出的模型能准确地对浮选过程的经济指标进行全局预测,满足优化浮选药剂添加的计算要求。     

基于RBF网络和遗传算法的电阻抗图像重建算法

针对RBF网络的特性，提出一种实数编码的遗传算法，不仅可以同时确定网络参数（连接权、邹节点中心和宽度），而且解决了电阻抗图像重建问题，实验结果表明，用遗传算训练RBF神经网络再构图像较RBF网络使用Poggio学习规则的训练算法有明显改善。     

基于径向基神经网络的目标识别研究

本文讨论了传统的径向基(RBF)神经网络聚类算法的基本原理,针对其选取初始中心矢量的不足,提出了一种新的选择初始中心矢量的方法,给出了新的学习算法,并将其应用于目标识别.仿真结果表明,新算法比传统的RBF算法具有更强的聚类能力,使目标识别更加准确.     

基于流形分析与AP算法RBF神经网络分类器

提出了一种基于流形分析与近邻传播（AP）算法的径向基函数（RBF）神经网络分类算法.通过流形分析算法对数据集进行初步处理,然后通过指数函数调整相似度矩阵,再重新进行AP聚类,在此基础上构造RBF神经网络分类器,通过拟合正确率来判断算法是否收敛,并对分类结果运用FMI指标进行评价.实验结果表明：改进算法中RBF网络隐节点数普遍得到增加,使得RBF神经网络拟合精度得以提高;从分类结果可以看出该算法对训练数据集都获得了很好的拟合正确率,对测试数据集也获得了较高的测试正确率.     

基于RBF神经网络的异向介质基本单元分析

利用径向基神经网络(RBF神经网络)对异向介质的基本单元进行分析,建立异向介质等效介电常数及等效磁导率与介质敏感结构参数之间的神经网络模型.实验结果表明,该模型所得结果与全波分析相吻合,分析时间为138.465793s,训练平方和误差为0.0374879,满足工程要求.验证了该模型的可靠性及合理性,减少数值分析法由于厚度谐振等问题而引起的结果错误问题,解决了异向介质分析精度与效率难以共存的问题.     

基于RBF神经网络的自动泊车路径规划

文章通过逆向路径规划分析平行泊车过程的可能碰撞点和计算泊车所需的最小泊车空间,用泊车初始区域代替传统路径规划的初始点,实车试验采集泊车过程的数据,采用不同的数据样本用于粒子群优化的RBF神经网络,避免对安全距离等多种约束关系的分析,使规划的泊车路径能较好适用于实际泊车过程。仿真结果和实车试验均表明按照上述方法生成的路径泊车成功率较高。     

基于RBF神经网络的热力系统煤种辨识方法

为了保证热力系统稳定运行,提高锅炉安全寿命,控制污染物,该文利用多模型思想,对煤种低位发热值进行初步辨识和精确辨识。初步辨识中,采用改进的K均值聚类算法,快速辨识出煤种类型;精确辨识中,利用初步辨识的结果优化发热量辨识模型,减少模型搜索范围,采用自动调节隐节点和参数的径向基函数(RBF)神经网络算法。仿真结果表明,该辨识方法的辨识误差在1.5%以内,具有良好的辨识精度,在速度上也优于单独的RBF辨识算法,可以应用于热力系统煤种发热量在线辨识。     

基于RBF神经网络预测的MMSE控制

为了降低过程干扰造成的生产过程波动,研究了一种基于径向基(RBF)神经网络预测的MMSE控制器.首先,采用基于k-聚类学习算法的3层优化径向基网络结构,预测过程干扰时间序列,在此基础上设计MMSE控制器,将其作为EPC过程调整策略,应用于一个化工生产过程的SPC与EPC集成控制系统.然后,采用SPC控制图监测经上述MMSE控制器调整后过程输出并与传统MMSE控制器调整后的过程输出作比较.结果表明,径向基(RBF)神经网络可提高过程干扰预测精度,改进MMSE控制器的控制性能,减小过程波动,提升SPC与EPC集成控制的能力.     

Performance prediction for Grid workflow activities based on features-ranked RBF network

Accurate performance prediction of Grid workflow activities can help Grid schedulers map activities to appropriate Grid sites.This paper describes an approach based on features-ranked RBF neural network to predict the performance of Grid workflow activities.Experimental results for two kinds of real world Grid workflow activities are presented to show effectiveness of our approach.     

利用自定阶RBF神经网络的分类优势 对气泵进行状态识别

神经网络理论的出现是机器处理向人的思维模式迈进的又一突破。本文在传统的BP和RBF神经网络理论的基础上采用了新算法,即自定阶径向基函数对ZYB03-60型滑片式真空压力复合气泵进行了识别。结果表明,该算法具有更快的训练学习速度和良好的数据自适应能力。     

基于改进RBF神经网络的PID整定

针对非线性系统,采用了基于径向基函数（RBF）神经网络的PID整定。RBF神经网络参数的初始值直接影响收敛速度,本文通过聚类法优化初始值。仿真结果表明,基于聚类法优化的RBF神经网络收敛速度快,整定效果优于未使用该方法的整定结果。     

遗传算法优化工业对象的RBF神经网络模型

针对石油化学工业中的某一典型对象的建模过程,介绍一种以可变长度的自然数编码、以AIC(Akaike’sinformationcriterion)为优化目标的遗传算法(GA)设计径向基函数(RBF)神经网络隐含层结构。文中阐述了该方法的原理,实现步骤及网络泛化性能检验,并与正交最小二乘 (OLS)算法相比较,发现前者设计的网络结构相对简单且网络泛化能力有所改善。