基于雷达距离象序列的循环神经网络飞机目标识别

本文应用雷达目标瞬态高分辨距离象序列来识别目标，提出了一种基于距离象序列的实时循环神经网络分类方法，并进行了三类飞机目标的分类实验研究，结果表明，该方法可以得到高的识别率。     

基于神经网络的雷达目标识别

本文讨论了基于径向基函数网络（ＲＢＦＮ）的雷达目标识别问题，在分析了一维距离象特点的基础上，提出了采用非相关幅度平均一维距离象以获取稳定模式这一有效方法，在指出传统经验公式局限性后，给出了一种基于训练样本空间分布来估计高斯函数形状参数的方法，用微波暗室试验数据进行转台成象并对一维距离象三种模式进行识别分类的结果表明，本文所提出的方法用于研究雷达目标识别是有效的。     

基于注意循环神经网络模型的雷达高分辨率距离像目标识别

针对雷达高分辨率距离像(HRRP)数据的识别问题,该文利用HRRP生成的时序特性,提出一种基于循环神经网络的注意模型。该模型利用具有记忆功能的循环神经网络对时域数据进行编码,并根据HRRP中不同距离单元所映射的隐层对目标识别的重要性,自适应地赋予隐层不同的权值系数,并根据隐层特征编码特征进行HRRP目标识别。该模型利用了隐藏在HRRP数据内部的目标结构信息,提高了特征的区分度。实测数据的实验结果表明,该方法可以有效地进行识别,在样本存在一定余度数据和样本偏移的情况下,都能准确地找出目标支撑区域。     

基于神经网络的雷达目标识别

本文讨论了基于径向基函数网络(RBFN)的雷达目标识別问题。在分析了一维距离象特点的基础上,提出了采用非相关幅度平均一维距离象以获取稳定模式这一有效方法。在指出传统经验公式局限性后,给出了一种基于训练样本空间分布来估计高斯核函数形状参数的方法。用微波暗室试验数据进行转台成象并对一维距离象三种模式进行识别分类的结果表明,本文所提出的方法用于研究雷达目标识别是有效的。     

基于线性内插神经网络的雷达目标一维距离像识别

本文提出一种新颖的神经网络模型－－线性内插神经网络用于雷达目标一维距离像识别,它可避开提取不变特征的难点,利用目标一维距离像特征随姿态变化的信息来提高目标识别性能,实验结果表明,采用ＬＩＮＮ很好地解决了在大的廨范围内识别目标时所存在的计算量与识别率的矛盾,提高了雷达对任决任意姿态目标的识别性能。     

基于线性内插神经网络的雷达目标一维距离像识别

本文提出一种新颖的神经网络模型线性内插神经网络(Linear InterpolationNeural Network,LINN)用于雷达目标一维距离像识别。它可避开提取不变特征的难点,利用目标一维距离像特征随姿态变化的信息来提高目标识别性能。实验结果表明,采用LINN很好地解决了在大的姿态角范围内识别目标时所存在的计算量与识别率的矛盾,提高了雷达对任意姿态目标的识别性能。     

基于小波神经网络的毫米波雷达目标距离像识别

给出一种隐层由小波基组成的神经网络用于实现频率步进毫米波雷达目标一维距离像的识别。利用小波变换所具有的良好的时频分析特性，实现了输入输出之间映射关系的多分辨学习。介绍了小波神经网络的数学框架及其误差反向学习算法。详细描述了用小波神经网络进行识别的步骤。将所提出的小波神经网络用于频率步进毫米波雷达目标一维距离像的识别。实验结果表明该方法对目标距离像的识别是有效的。     

基于Kohonen神经网络的飞机目标识别

首先分析了Ｋｏｈｏｎｅｎ神经网络算法及其识别机理，结合飞机目标识别实现情况，借鉴人及从粗分到细分的思想，提出了基于ＫＮＮ－ＭＬＦＮＮ网络组分类器的飞机目标分类方法，应用于五种飞机目标的识别结果表明，自组织神经网络的学习速度快，自学习能力强；ＫＮＮ－ＭＬＦＮＮ网络组分类器有高的分类精度。     

雷达目标一维距离象多分辨特征描述和快速匹配法研究

文中首先阐述了信号奇异性与小波变换模极大值的关系、含噪非平稳信号在小波变换下信号与噪声的不同特性；然后提出了可用于高距离分辨力雷达目标识别的一维距离象多分辨分解和目标结构特征的多分辨描述方法，根据目标结构特征的多分辨描述，定义了距离象的相异度概念，利用相异度可以实现目标的快速匹配识别。     

基于BP网络的雷达目标距离像识别性能仿真

针对反向传播(BP)神经网络用于高分辨率雷达目标距离像分类的问题.讨论了对识别性能产生影响的主要因素:训练算法的选择、输入数据的预处理方法以及神经网络的参数设计。利用4种飞机模型的重点散射源二维分布测试数据和频率步进法得到目标的一维距离像,对于从不同方位角范围内获得的距离像,用BP神经网络对目标识别的性能进行了仿真测试,结果表明选择弹性传播算法或模拟退火弹性传播算法训练网络时具有更好的分类性能,而且对输入样本进行对数变换也有助于提高识别率。     

谐振区雷达目标识别的模块化神经网络方法

本文研究了基于模块化神经网络的谐振区雷达目标识别方法,该方法先用BP网络进行波形预测,再用最大后验概率准则或修正最小平方误差准则进行分类。通过计算机模拟,证实了该方法有较好的识别性能,且对信号留数变化,即目标的姿态变化不敏感。另外,该方法还具有实现简单,结构扩展方便等优点。     

用HM框架下的神经网络分类器识别雷达目标

提出了一种HMM框架下的神经网络分类器,它既克服了普通神经网络不能有效地识别时变信号的缺点,又解决了HMM识别时变信号时不能突出不同信号的差异性问题。用网络权的遗传算法进化学习解决了Baum-Welch及BP网络学习中易陷入局部极小点的问题,还给出了用该网络成功识别实测雷达回波信号的实例。     

宽带毫米波雷达目标时延神经网络识别新方法

基于一维距离像和神经网络研究宽带毫米波雷达目标识别问题,研究了用于雷达距离像序列识别的时延神经网络模型及其学习算法,并提出了基于距离像序列的宽带雷达目标时延神经网络识别方法,还利用三种飞机缩比模型的暗室测量数据,研究了时延神经网络分类器中时延单元数目对分类精度的影响以及分类器的分类性能。实验结果表明：本方法具有良好的应用前景。     

目标识别决策层融合神经网络算法研究

该文针对毫米波／红外传感器融合目标识别问题,提出一种新的用于决策层目标识别的神经网络融合算法。该网络结构新颖,网络训练时修改的是门限而不是连接权值。融合后的识别率可比毫米波和红外子源提高9.7％到11.3％,因此,该算法是有效可行的。     

一个基于神经网络的航空照片自动目标识别算法

针对航空照片中自动目标识别的复杂性,该文提出了一种基于神经网络的自动目标识别算法,算法包括检测和虚警排除两个阶段。检测阶段是在整幅区域中进行快速搜寻,找出所有可能的目标;虚警排除阶段是对检测阶段得到的结果进行进一步的验证,在尽可能保留全部真目标的前提下,将伪目标排除。实验结果证明了算法的可行性。     

基于模糊神经网络的声母识别

模板匹配法技术是汉语声母识别中较为成功的算法,但它的缺陷影响了其恢复错误、改善识别性能。神经网络(NN)和模糊系统的结合,保留了双方的优点,充分利用了模糊神经网良好的容错性能、计算性能、分类性能和决策性能。本文重点研究了两种基于模糊神经网的声母识别方案,通过对其结构、识别率和特点的分析,可看出模糊神经网的声母识别性能明显优于模板匹配法,是更适于语音识别的网络。     

基于极化不变量的飞机目标识别

基于宽带毫米波极化雷达体制背影，通过极化不变量之一的去极化系数，研究了飞机目标的极化散射特性，并提取了极化特征，设计了飞机目标的分类或识别器结构，它能对五种飞机目标进行有效的分类或识别。