目标识别中的人工神经网络应用

对分布式无人职守战斗单元的目标识别技术进行了研究 ,提出用模糊神经网络技术来识别战场目标 ,检验结果表明该方法具有较高的识别率     

目标识别中的人工神经网络应用

对分布式无人职守战斗单元的目标识别技术进行了研究,提出用模糊神经网络技术来识别战场目标,检验结果表明该方法具有较高的识别率。     

自动目标识别(ATR)可靠性研究

对同类目标畸变不变的正确识别率与不同类目标分类误识别率是衡量一个自动目标识别 (ATR)系统的两个最重要性能指标。但在实际应用中 ,ATR系统所获取的外场的目标与背景总是处于随时间不断变化的条件下 ,与系统所存储的参考目标通常都不会一致 ,从而导致相关识别SNR劣化。特别对于多目标识别与不同类目标的区分 ,常规的相关门限判决方法会造成很大的误识别 ,大大影响了ATR系统的识别可靠性。本文采用人工神经网络 (ANN)与模糊逻辑技术 ,对相关信号与噪声进行实时数字后处理 ,通过对信号与噪声强度分布等高线而不仅仅是强度的识别 ,大大提高了ATR系统的识别可靠性 ,改善了识别效率。     

一种用于雷达目标识别的新型径向基函数网络

在分析径向基函数网络（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎＮｅｔｗｏｒｋ，ＲＢＦＮ）的基础上，提出了一种更适合于目标识别的基于模糊聚类的径向基函数网络（ＦｕｚｚｙＣｌｕｓｔｅｒｉｎｇＢａｓｅｄＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎＮｅｔｗｏｒｋ，ＦＣＢＲＢＦＮ）。这种网络利用模糊聚类方法，根据训练样本的空间分布确定网络的结构，利用聚类结果中的隶属度函数值控制高斯核函数形状参数。理论分析还表明，此径向基函数网络具有比一般径向基函数网络更强的泛化能力。利用一种战场侦察雷达获取的回波数据进行实验，结果表明，基于模糊聚类的该径向基函数网络的分类结果优于一般径向基函数网络。     

发展中的雷达目标识别

随着雷达技术的发展,雷达目标识别日益受到广泛重视。本文综述了雷达目标识别的重要进展,并特别指出了高频区目标识别急需解决的一些问题。     

多传感器目标的模糊识别

根据模糊理论，采用信息融合技术和模糊识别技术，讨论了在多类传感器网内进行多目标模糊识别的一般原理和方法。     

数据融合处理中的目标识别技术

目标识别数据融合技术是数据融合处理技术的一个基本应用，对目标识别数据融合技术做了详细的介绍，并重点分析了证据推量（D－S）和聚类分析这两种目标识别方法。     

智能化目标识别导论

神经网络的高度并行和强大的联想功能及容错特性,目前已引起了各个不同学科领域的专家学者们的普遍关注,并以极大的热情投入了研究。本文主要介绍基于神经网络模型的智能化目标识别的思想及目前的研究进展,同时亦融入了一些亟待解决的课题及其研究方向的讨论。     

BP神经网络在雷达目标识别中的应用

针对雷达目标信号复杂多样的特点,提出了基于BP神经网络的雷达目标识别方法。BP神经网络具有学习功能,能够有效地提高雷达目标识别系统的效率。实验结果证明了该方法的有效性和实用性。     

基于矢量传感器和LMBP神经网络的水声目标识别

提出了声矢量信号互双谱估计算法.对矢量传感器实测的湖上和海上试验数据,利用二阶和高阶统计量特征提取方法,分别提取了声压和声矢量信号组合特征,并用不同组合特征构造了LMBP神经网络的输入向量集,对舰船目标进行了分类识别.结果表明,基于声矢量信号的组合特征具有较强的类别可分性,用于水声目标识别,其识别率比声压信号高出约12.12%.     

基于运动特征的分层模糊目标识别

提出了一种基于目标运动特征的空中目标实时分层模糊识别方法.对直升机、固定翼飞机、空地弹及巡航弹等空中目标的运动特性进行了分析,提取目标的高度、速度、加速度、高度变化率和加速度变化率等特征.进行分层目标识别,首先根据加速度、高度变化率和加速度变化率等特征识别出空地弹目标,然后根据高度、速度和加速度特征对目标类别的隶属度和模糊密度,实现直升机、固定翼飞机以及巡航弹目标的实时识别.实验结果表明,该方法计算简单,识别率高.在实际工程应用中取得了良好的效果.     

基于神经网络模型的智能化目标识别

本文介绍了Hopfield神经网络模型与其光学实现方法,并用于演示智能化的目标识别。     

基于神经网络模型的自动目标识别

本文提取包含任意极化信息的目标体复数RCS的相关功率散射矩阵的迹作为目标特征,利用Hopfield神经网络的联想记忆功能,对含有不完全信息的雷达目标进行了鲁棒性的自动识别。本文最后给出了三个介质目标体的计算机软件仿真结果,并简要提及了硬件实现的途径。     

目标识别的神经网络方法

本文在分析人工神经网络特点的基础上,利用多层感知器网络,结合目标图象的几何不变矩特征,对目标图象发生大小变化、位置变化及旋转进行了识别。尤其当目标图象的不同部位被遮挡后,仍取得了令人满意的结果,目标最大被遮挡面积占目标总面积29％。实验证明,神经网络识别方法在图象处理、跟踪和制导领域有广阔的应用前景。     

采用mART神经网络进行三维目标识别

为了让可以抑制多目标的自动目标识别系统有实时自适应自组织能力.提出了经改进的自适应共振理论(mART)神经网络。它是由自组织(SOM)警戒测试法和实时自适应ART多目标算法组成。这种神经网络能有效地采集几乎不受二维畸变影响的任意特征图,从而也就解决了三维畸变问题。本文介绍了5种不受二维畸变影响的特征提取办法.为了验证提出的神经网络的性能,做了由9架战斗机和5辆坦克组成的数据库的试验。在系统具有相同存贮容量的条件下,mART的识别率比SOM神经网络高出19％,从而说明这种方法在实现三维畸变不变性的目标识别系统上具有更优良的性能。     

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％和１１．３％,因此该算法是有效可行的。     

多传感器目标识别的数据融合

本文针对军事上的目标识别问题，论述了多传感器的属性融合技术，包括属性融合的概念，原理，处理结构，算法及应用举例，指出属性融合中存在的主要问题，难点及可能解决的途径，并预测了未来发展趋势。     

雷达目标识别技术及其新进展

从雷达目标识别技术作为现代雷达的一个重要发展方向出发，对雷达目标识别的几种主要方法即目标运动轨迹特征识别法、回波幅度起伏特性识别法、多频雷达回波识别法、极点识别法、斜升响应识别法和极化识别法等作了阐述，最后对雷达目标识别技术的新进展即波形综合法、雷达成象技术及神经网络在雷达目标识别中的应用作了展望。     

基于模糊神经网络的雷达对抗目标识别模型

在现代战场上,雷达信号密度大,体制多,波形复杂多变,而且在工作频段上往往相互重叠,在客观上对雷达对抗目标的识别造成了很大的困难。以空中雷达对抗目标的识别为例,采用过零点检测法提取雷达瞬时频率差分序列的样本方差作为脉内细微特征,结合模糊神经网络建立了一个具体的识别模型,通过仿真,证明了利用脉内细微特征和模糊神经网络技术对雷达对抗目标进行识别,是一种有效的方法。