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     

智能化雷达辐射源型号识别及其实现

针对国内雷达辐射源型号识别普遍采用数据库比较查询的缺点,提出和实现了一种用雷达辐射源体制和用途识别专家系统与数据库比较查询相结合进行智能化雷达辐射源型号识别的方法.实验结果表明,该方法能够显著地提高雷达辐射源型号识别的准确度,对于参数不全、参数发生畸变的雷达辐射源,其识别精度较采用直接数据库比较查询法尤为显著.     

基于神经网络BSB模型的反辐射导弹辐射源识别技术研究

利用反辐射导弹来摧毁敌方雷达系统和有关设施是现代战争中一种有效的对抗手段。但是,在目前辐射源增多、信号密集的情况下,传统的信号分选和识别方式都遇到了困难,促使人们去研究以并行分布处理为特征的神经网络理论,探求一种(?)的智能信息处理方法和识别途径来解决这一难题。本文正是从这一点出发,利用BSB(脑中盒状态)模型来完成反辐射导弹的辐射源识别。计算机模拟结果证明这种方法是行之有效的。     

新型雷达辐射源识别专家系统的研究与实现

介绍了一种新型雷达辐射源识别专家系统 (RadarRadiating -SourceRecognizingExpertSystem ,RRRES)的研究和实现方法。RRRES是一种采用VC 作开发工具 ,利用数据库和ODBC实现知识库的数据库方式存取 ,采用多黑板和推理历史树实现任务之间数据共享和传递 ,基于数据驱动方式推理的多任务多知识库专家系统。它同时提供了交互式和连续式两种推理方法 ,使用户既可以进行交互式的推理 ,又可以对一批雷达辐射源连续进行推理并将结果写入输出数据库中供用户查询。同时 ,RRRES还可以以数据库接口和Client/Server模式方便地集成在其它应用程序中     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾.针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural netw...     

基于复合神经网络的数据分布模式仿真识别

采用复合结构神经网络对数据概率分布模式进行了仿真识别。首先提取数据的样本峰度、偏度、分位数和累积概率等数字特征 ,构建数据概率分布模式和仿真识别训练样本 ,然后采用Kohonen网络对概率分布进行聚类 ,接着运用BP网络对各聚类分别进行分类识别 ,最后对任意数据流进行了仿真识别。仿真识别结果表明 ,同其它模式识别方法相比 ,该方法更能够反映数据流概率分布的特征 ,从而得到了满意的模式识别效果。     

基于Hilbert-Huang变换与对抗训练的特定辐射源识别

为有效解决特定辐射源的个体识别问题, 提出一种基于Hilbert-Huang变换与对抗训练相结合的方法。首先根据辐射源硬件差异, 建立辐射源信号的数学模型; 其次, 对信号进行Hilbert-Huang变换得到Hilbert谱; 然后, 在预处理过程中, 从信号所有的Hilbert谱时频点对应的能量值中, 确定最具区分度的一组能量值, 并记录其对应的时频点; 最后, 对每一类辐射源信号的Hilbert谱提取上述记录的时频点对应的能量值, 将其送入卷积神经网络进行训练与测试, 并通过对抗训练的方式提升网络的抗噪性能。识别准确率实验表明, 对比不进行对抗训练的方法以及不进行预处理与对抗训练的方法, 所提算法的识别率分别平均提升3.1%与5.45%。识别鲁棒性实验表明, 所提算法训练样本为100时即可达到较好识别效果, 同时随着辐射源个数增多优势更加明显。复杂度分析表明, 所提算法能有效降低神经网络在大量训练与识别过程产生的运算量。     

基于注意力机制和改进CLDNN的雷达辐射源识别

传统的辐射源识别通过比对、匹配辐射源信号与雷达数据库来识别,这种方法很难满足战时高效、快速和准确的识别要求.随着机器学习方法的提出,诸如支持向量机等算法在辐射源识别领域的运用,可以满足战时高效、快速的识别要求,但这种方法在低信噪比环境下,辐射源识别准确率低.针对上述问题,采用深度学习,引入注意力机制和特征融合方法,提出...     

基于VMD分解和多域联合分布的雷达辐射源识别

针对现有雷达辐射源个体识别存在的识别准确率低、难以区分同型号雷达、缺乏实采信号验证等问题,提出了一种基于变分模态分解(variational modal decomposition, VMD)和时频能多域特征联合的雷达辐射源个体识别方法。首先对雷达信号进行VMD,然后对得到的模态分量分别在时域、频域和时频域提取13种特征参数,最后结合k近邻分类器实现雷达个体识别。采用实际采集的船用导航雷达信号对所提方法和现有的其他两种方法进行了对比验证,实验结果表明所提方法在识别准确率、算法鲁棒性方面优于现有两种方法,具有一定的工程应用价值。     

基于多级跳线残差网络的雷达辐射源识别

针对复杂体制雷达辐射源的识别问题, 提出了一种基于时频特征提取与多级跳线残差网络(multi-level jumper residual network, MLJ-RN)结合的识别方法。首先,计算辐射源信号的平滑伪Wigner-Ville时频分布生成时频图像以表达信号本质特征, 将图像进行预处理以保留信号细微特征差异。然后,设计多级跳线连接的残差单元, 在此基础上构造MLJ-RN, 对时频图像相邻卷积层的细微特征进行学习和识别, 并使用随机梯度下降法训练网络。最后,通过对网络进行参数优化, 强化对信号的深层特征提取能力。仿真结果表明, 信噪比为－5 dB时, 该方法对12类雷达辐射源信号的整体识别概率达到95.1%, 从而验证了该方法在低信噪比下识别雷达信号的有效性。     

基于模糊神经网络的电梯系统交通模式识别

介绍采用模糊神经网络进行电梯群控系统交通模式识别的方法。用3步混合训练方法对用于模式识别的两个模糊神经网络进行训练,测试结果表明此方法可以准确地辨识出各种交通模式所占的比例,可以指导群控器优化派梯策略,提高电梯群控系统的服务性能。     

基于RBF 神经网络的调制识别

针对通信信号这种非稳定的、信噪比(SNR)变化范围较大的信号,利用遗传算法训练的径向基神经网络分类器对各种调制信号的特征矢量进行分类识别,充分发挥径向基神经网络的广泛映射能力和遗传算法的全局收敛能力,并在遗传算法中加入了梯度下降算子,克服遗传算法收敛速度慢的缺点,加快了遗传算法训练神经网络的速度,使得分类器的识别率和鲁棒性得到明显改善。仿真实验的结果证明了此方法的有效性和可行性。     

基于神经网络的航管装备故障预报系统研究

根据神经网络BP算法和专家系统原理 ,研究了航管装备故障预报的方法 ,给出了特征参数选取和知识库建立的过程 ,讨论了航管装备故障预报系统的系统结构和功能实现 ,界定了系统的推理机、解释机制、知识库规则和人机接口 ,并进行了航管装备机杨管制中心系统故障预报的过程举例 ,给出了一种基于神经网络实现航管装备故障预报系统的方法     

Decision feedback equalizer based on non-singleton fuzzy regular neural networks

1. INTRODUCTION Badly nonlinear distortion often occurs in high-speed wireless digital transmission systems, which calls for an adaptive nonlinear equalizer capable of counteracti- ng deep fading. There are two types of nonlinear equalizers: maximum-likelihood sequence equalizer (MLSE) and decision-feedback equalizer (DFE). Bec- ause of intense computation and enormous storage, MLSE isn’t suitable for application. DFE is widely used due to its simple structure, but the forward and f…     

一种非线性时变系统小波网络辨识算法

提出一种可对任意非线性时变系统进行辨识的新方法，即基于小波神经网络的带自校正移动窗的递推最小二乘算法，与现有的神经网络辨识算法不同，该算法是根据被估权值时变速度的快慢来自适应地调整移动窗的长度，以跟踪非线性时变系统的动态特性，文中推导了了算法，并将全局算法进一步推广成不含任何矩阵运算的局部算法以提高算法的实时性能，几个典型的系统辨识仿真实例显示出这种方法具有跟踪精度高和计算简便的良好性能。     

动态神经网络的非线性系统鲁棒辨识和状态观测

针对多变量仿射非线性系统辨识和状态估计问题。采用动态神经网络作为辨识器和观测器,从而将系统辨识和状态观测设计过程合二为一,给出了辨识和状态估计的系统设计方法及具体设计步骤。在考虑建模误差项影响的情况下,采用基于Lyapunov理论的权调节律确保权值估计误差和状态观测误差的一致最终有界。仿真结果验证了所提方法的有效性。     

基于神经网络的不确定非线性时滞系统保成本控制

保成本控制问题受到了人们的关注,并取得了很多的研究成果,但这些研究均未考虑提高系统动态特性的问题,且很少涉及非线性系统。为此,将神经网络和控制理论相结合,针对一类不确定非线性时滞系统,结合系统动态特性以及非线性扰动抑制问题,提出了新的控制算法。通过将稳定度引入保成本控制中,可以在保成本控制的基础上提高系统的动态特性;利用神经网络良好的非线性逼近能力,很好地解决了系统存在任意非线性扰动时的控制问题。     

基于神经网络的建筑行业投标报价研究

在建筑行业的投标报价过程中，如何在众多的信息中选出对最终报价影响较大的几项因素以及如何确定这些因素与最终报价之间的关系是一个棘手的问题．论文针对这两大难题提出了基于神经网络技术的解决方法．首先根据贡献变量分析理论确定出影响报价结果的9个报价因素，从而建立起基于神经网络的报价模型，然后在所确定模型的基础上改进传统的BP算法，进一步提高网络的泛化能力．从实际应用的结果可以看出，经过变量选择后所确定的报价因素是合理的，改进学习算法后的网络的泛化能力也有了很大的提高．     

Super-resolution image reconstruction based on three-step-training neural networks

A new method of super-resolution image reconstruction is proposed, which uses a three-step-training error backpropagation neural network (BPNN) to realize the super-resolution reconstruction (SRR) of satellite image. The method is based on BPNN. First, three groups learning samples with different resolutions are obtained according to image observation model, and then vector mappings are respectively used to those three group learning samples to speed up the convergence of BPNN, at last, three times consecutive training are carried on the BPNN. Training samples used in each step are of higher resolution than those used in the previous steps, so the increasing weights store a great amount of information for SRR, and network performance and generalization ability are improved greatly. Simulation and generalization tests are carried on the well-trained three-step-training NN respectively, and the reconstruction results with higher resolution images verify the effectiveness and validity of this method.     

基于BP神经网络的弹炮结合系统作战效能评估

以拦截巡航导弹为例,针对抗击低空目标特点,提出了弹炮结合防空武器系统作战效能评价指标体系,简要分析了指标选取的理由。然后,采用专家打分的方法取得了几组训练样本,并对所构造的三层BP神经网络进行训练,当训练精度达到要求后,再运用BP神经网络对几种典型的弹炮结合防空武器系统对巡航导弹的作战效能进行了评估。结果表明,在选定指标的基础上,用训练好的BP神经网络评估弹炮结合防空武器系统作战效能是合理的,减少了评估中的人为因素,使评估的结果更为可信。研究结果可为在现有武器装备的基础上开发和研制新型弹炮结合防空武器系统提供理论参考。