基于BP网的雷达辐射源分类器设计

为了提高侦察告警设备中雷达辐射源识别模块的正确识别率，设计了一种基于BP（Back Propagation）网络的雷达辐射源分类器，并就设计关键点——分类器拓扑结构、训练次数的确定以及训练集的设计进行了研究。分类器以BP网络为基础，以载频、脉宽、重频和天线扫描方式为输入特征向量对雷达辐射源进行分类。实验结果证明，该分类器能够对6种不同功能的雷达进行较好的分类，     

基于BP网络的设备状态分类器设计

BP(Back-Propagation Network)网络是神经网络中最常用到、最典型的一网络模型,它的结构简单、可塑性强,应用范围广泛。本文利用BP神经网络设计了一个状态分类器,用于检测减速箱的工作状态。实验结果与实际情况相符合,证明该网络设计是合理的。     

基于人工神经网络的人脸识别分类器设计

为了提高人脸识别系统的自适应性,采用BP神经网络对抽取出的人脸特征进行识别。对人工神经网络、BP网络应用于人脸识别的过程做了简要介绍。并通过仿真实验加以验证。     

信度网分类器

分类问题是人工智能中机器学习研究的一个重要问题,它在模式识别、故障诊断以及数据挖掘等领域有着广泛的应用。利用信度网可以构造出分类性能更好的分类器。文章着重探讨了Naive Bayes分类器,增强的Naive Bayes分类器和通用信度网分类器的构造方法,并分析比较了这三类分类器的优缺点。     

基于粗集理论的雷达辐射源信号识别

将粗集理论（RST）引入到雷达辐射源信号（RES）识别中，提出一种区间连续属性离散化新方法及相应的特征选择算法，将RST与神经网络（NN）结合，设计粗集神经网络（RNN）分类器．实验结果表明，该方法解决了已有方法难以处理的区间连续属性离散化问题，获得的正确识别率比其他3种方法分别高出7．29％、4．34％和4．00％．RNN的平均训练代数比NN少97．54，RNN的平均识别率比NN高2．84％，这表明RNN具有比NN更好的分类能力和泛化能力，从而证实了该方法的有效性和可行性．     

基于双谱的雷达辐射源识别

针对当前复杂电磁环境下电子侦察中雷达辐射源识别困难的问题,提出了一种基于双谱分析和势函数分类识别雷达辐射源的新方法。首先用Hinich方法检验雷达辐射源信号,发现其具有非线性特性。然后用适合处理该类信号的双谱分析法提取信号的双谱对角切片,利用主成分分析法(PCA)从大量训练样本特征中挑选低维、低复杂度的特征矢量,并融合对分类具有显著贡献的辐射源属性参数作为识别特征矢量。最后采用势函数分类法实现雷达辐射源识别。仿真结果表明,基于双谱的识别法对噪声不敏感,对不同脉内调制的辐射源信号识别率达到了92.9%,该方法为决策层提供了识别不同雷达辐射源的新途径。     

基于人工神经网络的人脸识别分类器设计

为了提高人脸识别系统的自适应性,采用BP神经网络对抽取出的人脸特征进行识别.对人工神经网络、BP网络应用于人脸识别的过程做了简要介绍.并通过仿真实验加以验证.     

基于组合矩不变量特征的BP神经网络分类器

本文通过研究特生的性质，在传统的７个矩不变量的基础上，提出了５个组合矩不变量一完成对目标特征的描述，为完成对三维物体的识别，这里采用三层的ＢＰ神经网作为分类器，其输入特征为上述组合矩不变量。文中对三类目标在各种姿态下的矩特征分布的情况进行了研究，并将神经网分类器和最小距离分类器的分类性能作了比较。     

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.     

基于信号特征综合处理的雷达辐射源识别

主要针对复杂信号环境下的雷达辐射源识别所面临的如何有效的综合处理雷达信号各个特征参数以及如何解决采用多个特征参数后所面临的高维特征参数的识别问题,提出了一种基于调制类型粗分类与混合核函数支持向量机综合信息精确识别的两级识别模型。仿真实验表明,该算法具有较好的识别效果。     

基于BP神经网络的探地雷达图像识别技术

探地雷达作为一种常用的物探方法,在工程和科研方面都具有广泛的应用,在应用中由于地下介质的复杂性,常使得图像的反射原因较难判断,对于地下介质的典型特征也较难统计.为了更好的解译以及快速准确的分析统计出雷达反射图像中的各类特征,本文利用神经网络的高度模糊识别能力,将标准雷达图像输入到神经网络模型中,并通过一系列的改进,提高了网络性能.通过仿真试验表明,改进后的神经网络可以较为高效的对雷达图像中的典型反射特征进行识别与统计,具有很好的应用前景.     

BP神经网络预测河湾最大冲刷深度

影响河湾凹岸最大冲刷深度的因素众多，而且这些因素的关系是非线性的．实现河湾最大冲刷深度预测的实质是建立一个非线性映射．实现这种映射的传统途径是在室内试验的基础上，采用量纲分析和多元回归的方式建立经验公式．根据BP（前馈）神经网络模型能逼近任何闭区间的连续函数的性质，在室内试验的基础上，尝试采用人工神经网络模型对河湾冲刷深度进行预测，并与经验公式的计算结果进行了比较．结果显示，BP神经网络能够更为准确地对河湾最大冲刷深度做出预测。     

基于主成分分析与模糊BP方法的藻类繁殖状态预测

将主成分分析（PCA）与模糊反向传播（BP）网络建模方法相融合,提出了PCA-模糊BP方法并用于藻类繁殖状态的预测,建立了叶绿素a含量的预测模型.采用PCA对各类采集数据进行预处理,并将PCA所得各理化因子作为模糊BP网络的输入变量,叶绿素a的含量作为模糊BP网络的输出变量,经过学习训练,获得藻类繁殖状态的预测模型.结果表明,PCA-模糊BP方法降低了各类输入样本数据之间的相关性和模型系统的维数,加快了模糊BP网络的收敛速度,其与典型BP神经网络模型相比,具有更快的计算速度和更高的预测精度,能够较好地预测海洋藻类繁殖的生长状况.
     

改进的BP算法在多传感器数据融合中的应用

采用了基于小波神经网络的BP权值平衡改进算法,构造小波神经网络并训练以改变BP网络权值.根据多传感器特征级数据融合模型,并结合该权值平衡算法,使测量到的数据进行基于特征级的融合,并将该数据融合结果提供给决策级判断,从而得出理想的判定效果.仿真结果表明,该数据融合算法避免了BP权值平衡算法的缺点,不仅提高了学习的速度,而且具有更高的计算精度.     

一种基于模糊推理的神经网络学习算法

提出了一种新的神经网络学习算法．相对于其他学习算法，该算法侧重于网络参数的调整，通过对样本集的模糊推理、调整和分类学习来实现自适应的神经网络学习．结果表明，该算法能大大提高神经网络的学习速度和学习效率，并能从样本集中得到反常样本和小概率事件样本，对小概率事件样本有很好的学习能力．     

基于BP网络的装备维修质量评估设计

依据有关规定和武器装备的特点,提出了装备维修质量评估的指标体系,并给出了指标体系标准化处理的方法。在此基础上,建立了基于BP网络的装备维修质量评估模型。通过训练,该模型具有了对装备维修质量的评估功能。实验结果表明：该模型用于装备维修质量评估,减少了传统装备维修质量评估方法中人为因素的影响,并且评估误差很小。     

基于BP神经网络的坡面降雨产流预测

为预测坡面降雨产流,基于坡面降雨产流的非线性特性,引用3层BP(Back-Propagation)网络建模方法,对B市密云水库流域石匣小区水土保持监测小区的坡面降雨产流进行了研究。模型输入层变量数为5个,分别代表坡度、坡长、降雨强度、降雨历时、土壤的有效糙率,输出层变量数为坡面降雨产流量,利用野外小区实测数据,对上述网络进行了训练,学习100次后网络趋于收敛,训练样本集误差达到2.040 96×10-10,小于预设精度,预测样本的平均相对误差为1.67%。该模型的建立与实践,为坡面降雨产流预测的研究提供了新的方法。     

河道水量还原计算中的遗传BP人工神经网络方法

将遗传算法GA及人工神经网络BP算法结合起来运用于河道水量的还原计算.结果表明:基于GA BP的河道水量还原优化算法能够克服BP算法自身不可优化的弊病,较好地改善网络全局寻优能力,提高网络速度,防止网络陷入局部最小值.同时该算法较确切地反映出河道水量还原计算中河道水量形成非线性这一本质现象,提高了河道水量还原计算结果的精度.     

用户电力控制器神经网络控制分析

针对电力系统模型及运行参数不确定性 ,在用户电力控制器中引入神经网络控制策略 ,应用神经网络设计了线性控制器 ,所提出的神经网络采用改进BP算法 ,改进BP算法比传统BP算法多了两个变量 ;学习速率和动量因子。将计算得的补偿电流经过神经网络训练实现预定目标 ,由MATLAB仿真结果可观察到经神经网格控制的用户电力控制器可实现系统侧的控制目标。并且其控制算法更为简单、有效。     

基于BP神经网络的MOCVD温度控制系统参数优化

为解决MOCVD设备温度控制的非线性、时变性以及大时滞等问题,提出改进的基于误差反向传播算法（BP）的神经网络控制方法．在传统BP算法基础上附加一个使搜索快速收敛全局极小的惯性项,在微调权值修正量的同时也使学习避免陷入局部最小．该方法不仅具有自学习自适应能力,而且具有自调整比例因子功能．仿真和试验表明,神经网络控制器具有很强的鲁棒性、自学习功能和自适应解耦．在整个温度控制范围基本误差可达到l℃％。,有效的改善MOCVD系统温度的控制性能,对实际温度控制具有较好的指导意义．