多传感器目标识别的神经网络与证据理论结合方法

FMM人工神经网络在模式识别和分类中具有独特的优势，D—S证据理论在多传感器决策融合上具有优势。提出了一种FMM神经网络与D—S证据理论相结合的多传感器数据融合目标识别方法，给出计算机仿真结果，表明该方法可以克服单一传感器ATR系统的局限性，提高对目标的识别率和系统的容错性。     

一种基于多频谱特征的舰艇识别方法

多频谱技术是红外探测中的一种重要方法。利用这种方法研究雷达信号的多频谱特征，讨论利用多频谱特征识别目标的方法，并利用神经网络的方法对这种识别技术进行验证，得到了很好的效果。     

基于满意度门限检测的多雷达航迹对提取研究

针对多部雷达航迹对提取问题,首先提出了门限法,通过设定多个参数的门限,依据相关准则判断下一时刻的点是否选人该门限内,剔除野点后对单部雷达的观测数据建立航迹。进一步提出航迹在某时间段相交的判别准则,找出了各雷达站观测到的有相交时间段的航迹;对应多个有相交段的航迹,采用了线性插值的方法进行时间配准,让不同雷达表示同一目标位置的时刻集合扩大为一致;在此基础上,按照航迹相关准则抽取了表示同一目标的航迹对。仿真结果验证了算法的有效性。     

基于神经网络的多传感器模糊航迹关联算法

文章以模糊数学中的隶属度概念为基础,针对分布式多传感器系统中的多节点情况,提出了一种航迹关联的多维分配方法。多维分配问题是是一个完全非确定性多项式问题,很难找到问题的最优解,而且其计算量容易出现指数爆炸现象。文章提出了一种新的三维神经网络模型用以解决三维分配问题。仿真实验结果表明,文章提出的人工神经网络模型不仅使航迹关联具有较高的关联正确率,而且计算时间短,其计算时间不会出现指数爆炸现象。所提出的三维神经网络模型同样可以推广到多维情况,以解决航迹关联的多维分配问题。     

基于多假设的航迹关联方法研究

提出了一种基于多假设思想(MHT)的航迹关联方法,将多平台多目标航迹关联问题转化为假设树的构建和管理问题,利用树形结构特征进行快速剪枝,极大地减少了错误假设的冗余计算量。先通过航迹粗精两级关联,形成关联假设,然后设计基于关联假设的航迹关联假设树,根据关联假设历史累积的关联质量搜索最优关联解。这种关联能充分利用航迹的各种特征信息和历史累积信息来提高关联的正确性和实时性。仿真计算表明,该算法具有较高的正确关联率,在复杂环境下达到了良好的效果。     

雷达与AIS目标航迹模糊关联与统计加权合并融合方法的探讨

基于多传感器信息融合理论，探讨了雷达与AIS 2种传感器的目标航迹，采用多因素模糊综合决策航迹关联与统计加权航迹合并的融合方法。确定其模糊因素集、评判集、关联与评判等准则，建立其数学模型，并进行计算机仿真。初步验证了该方法可以有效地提高目标航迹的精度与可靠性。     

基于动态规划的多目标的TBD算法

在弱目标检测领域中，动态规划法是一种有效的能量积累方法。文章针对低信噪比下的多目标检测问题，提出了一种基于动态规划的多目标检测前跟踪算法。该算法能够较有效地估计搜索空间中的目标个数，也能分离出每个目标的航迹。     

基于拓扑相似度的航迹关联算法

航迹关联是分布式多雷达数据融合系统中的关键问题,多个雷达对同一目标观测的局部航迹,在系统偏差的影响下相差很大,传统的基于统计和模糊的思想,通过目标位置、速度等信息进行关联判决,难以达到更好的关联效果。文章基于目标之间的拓扑信息,提出了一种新的航迹关联算法,该算法能避免空间划分不均匀、算法经验性太强、对密集航迹场景不适应等多种问题。仿真实验表明该方法具有较高的关联精度和鲁棒性。     

基于最近航迹迭代的目标航迹对准关联算法

论文探讨了雷达存在探测系统误差时的目标航迹关联问题,提出了一种基于最近航迹迭代的目标航迹对准关联算法,以此解决传统目标航迹关联技术与雷达系统误差配准技术之间的矛盾。最近航迹迭代对准关联算法考虑目标漏跟及虚警情况,以航迹为单位,通过目标航迹集间航迹映射关系搜索与旋转平移变换参数估计两步迭代过程,能够达到航迹集的逐步逼近和精确对准,并获得目标航迹间的可靠关联关系,最终实现雷达存在探测系统误差时的航迹准确对准关联。     

多数据链综合组网应用及其信息分发与处理

通过分析欧美等国多链网络环境下信息的传输过程和处理特点,归纳出一种典型的多链综合组网的网络结构,提出了多链信息的表示原则和分发方式;使用分布式航迹处理方法实现全网航迹的一致性处理,在地面网络中形成航迹号一致的实时战术态势,并在全网共享,为解决大区域范围内航迹一致性处理及航迹实时共享等问题提供一种新的思路。     

基于加权矢量神经网络的辐射源识别方法

现有的很多分类识别方法包括基于专家系统的方法[1]、基于贝叶斯理论的方法、基于模糊模式识别的方法[2]、基于最近邻的方法[3]、基于人工神经网络的方法[3]等等在辐射源识别中都有比较成功的应用,但这些方法一般都针对测量参数为标量形式的测量值进行处理,在一定程度上解决了由于参数测量误差所引起的辐射源识别问题,对于误差的另一种情形,即测量参数为区间类型模糊值的情况讨论却较少,文献提出了一种基于模糊IF-Then规则的神经网络算法,给出了能够处理模糊输入的神经网络体系结构,同时给出了一种基于代价函数的学习算法,其代价函数由实际模糊输出和无模糊输出决定,通过学习该网络能够实现模糊输入到模糊输出的非线性映射。     

神经网络在舰载米波搜索雷达方向估计中的应用研究

阐述了舰载米波搜索雷达天线阵转动时多的目标回波信号的模型及最大似然法实现舰载米波搜索雷达天线阵转动时多目标回波信号的方向估计，提出了方向估计的神经网络方法，仿真结果表明了此方法的有效性。     

基于模糊神经网络的燃气轮机故障诊断专家系统研究

针对神经网络和传统专家系统在燃气轮机故障诊断过程中各自存在的局限性,提出了一种将模糊神经网络和专家系统相结合的方法.解决了以往专家系统专家知识获取困难和不能描述模糊性知识的缺陷.通过已开发的某型三轴燃气轮机运行模拟器取得典型的故障样本完成了对模糊神经网络的训练工作,最后选取一定数量的测试样本对网络进行了测试,证明了系统的可行性.结果表明,该方法行之有效,在燃气轮机故障诊断领域中有很好的应用价值.     

基于IGA-BP算法的船舶航向智能自适应控制系统设计

在深入研究基于BP学习算法的前向神经网络以及模糊神经网络控制器的基础上,针对模糊神经网络控制器难以设计以及传统BP学习算法易于陷入局部收敛的不足,结合免疫遗传算法的全局收敛特性以及BP学习算法局部收敛的快速性,提出了一种基于混合计算智能方法的IGA-BP算法的神经网络参数的优化设计方法.将设计的控制器用于建立船舶航向控制系统模型,仿真结果表明,在船舶无干扰和存在随机干扰的情况下,基于IGA-BP算法设计的船舶航向控制系统均能使船舶转向控制无超调,跟踪快,比BP学习算法的控制效果更理想.     

防空兵群指挥员综合素质模糊评价

根据人工神经网络的理论,利用BP神经网络建立了防空兵群指挥员综合素质的模糊评价模型,通过仿真和实例验证模型评价的有效性。     

基于神经网络的船舶间碰撞态势模糊分类方法

本文提出一种采用神经网络技术实现船舶间碰撞态势模糊分类的方法。通过对复杂问题的分解,建立了一个由三个子网构成的多级网络模型。每个子网实现一部分分类功能。仿真结果表明：该网络模型具有模糊分类功能,同时,对不正确的输入具有容错性。     

基于ASM和FNN的人脸识别

将主动形状模型ASM(Active Shape Model)与模糊神经网络FNN(Fuzzy Neural Networks)相结合并用于人脸识别。针对经典ASM对初始化位置敏感、收缩速度慢的现象和传统模糊神经网络难以解决高维模式分类的问题进行了分析和改进。ORL人脸库上的试验表明了该算法的有效性。     

基于模糊RBF神经网络的辐射源识别

针对模糊识别系统的不足,为了提高辐射源识别系统的识别正确率,构建了基于模糊RBF神经网络的辐射源识别系统,提出了一种等价型模糊RBF神经网络的结构和学习算法,采用五层神经网络结构来实现模糊系统的模糊化和规则推理,神经网络的所有节点和参数对应了模糊系统的隶属函数和推理过程.在仿真实验中,分别采用模糊识别系统、并联型模糊RBF神经网络、结构等价型模糊RBF神经网络进行辐射源识别,给出了三种算法在相同噪声环境下的仿真结果,表明等价型模糊RBF效神经网络有较高的正确识别率,具有更强的抗干扰能力,但运算量相对较大.     

基于模糊神经网络的水下机器人局部路径规划方法

该文探讨了基于模糊神经网络理论的实时局部路径规划问题，并提出了能实现模糊控制规则的基于强化学习的自学习和自调整的规划算法，设计了水下机器人实时运动规划器结构以及规划器操作过程和相应的算法。仿真实验结果验证了本文所提方法的有效性和可行性。     

AUV fuzzy neural BDI

The typical BDI （belief desire intention） model of agent is not efficiently computable and the strict logic expression is not easily applicable to the AUV （autonomous underwater vehicle） domain with uncertainties. In this paper, an AUV fuzzy neural BDI model is proposed. The model is a fuzzy neural network composed of five layers ： input （ beliefs and desires）, fuzzification, commitment, fuzzy intention, and defuzzification layer. In the model, the fuzzy commitment rules and neural network are combined to form intentions from beliefs and desires. The model is demonstrated by solving PEG （pursuit-evasion game） , and the simulation result is satisfactory.