人工神经网络在舰船火灾探测中的应用

舰船火灾探测系统的目的是能及时、准确地探测到舰船上发生的火灾。提出一种利用人工神经网络的舰船火灾探测方法，通过设计三层反向传播（BP）人工神经网络模型，使用改进的BP算法——LM算法，对多传感器（温度传感器、烟雾传感器和CO传感器）同时探测到的数据进行智能化处理。仿真结果表明：基于人工神经网络的舰船火灾探测系统能及时、准确地识别各种火灾信号。     

基于调制线谱特征提取的被动声呐目标识别技术研究

目标噪声特征提取和目标分类器设计是被动声呐目标识别系统的关键技术。本文针对被动声呐目标识别，首先着重研究了调制线谱特征提取方法，然后为了训练神经网络目标分类器，本文将遗传算法和BP算法相结合，提出了一种新的自适应遗传BP算法。最后，对海上实录的三类目标噪声进行了分类识别，实验结果表明本文设计的被动声呐目标识别系统具有很好的分类效果。     

基于变分模态时频分布下的水下目标DOA估计研究

在声呐、雷达等设备的目标探测中,声源方位估计是需要解决的关键问题之一。针对水下传感器阵列接收信号的波达方向角(DOA)估计算法中,传统的BP神经网络算法会因网络参数不合理和层数过多导致过拟合的问题,以往通过粒子群算法(PSO)进行优化后,网络仍容易过早结束训练而导致性能不佳。为此,本文提出一种基于变分模态分解结合粒子群算法优化后的BP神经网络算法。首先对目标回波信号进行可变模态分解,对分解得到的各分量进行时频分析后叠加的谱图特征作为经粒子群算法优化后的BP神经网络算法的输入进行训练测试,以此来提高阵元接收目标回波的DOA估计精度。仿真实验结果表明,结合变分模态分解及粒子群算法优化的BP神经网络具有更好的识别效果和泛化能力,提高了DOA的估计精度。     

BP神经网络的舰船辐射噪声识别

当前舰船辐射噪声识别方法存在识别率低,对环境鲁棒性差等缺陷,为了对复杂环境下的舰船辐射噪声识别进行准确识别,提出了BP神经网络的舰船辐射噪声识别方法。首先采集舰船辐射噪声,并提取舰船辐射噪声识别有效特征参数,然后采用BP神经网络建立舰船辐射噪声识别模型,从而实现对舰船辐射噪声信号的分类和识别,最后进行舰船辐射噪声识别的仿真测试。结果表明,相对于已有的舰船辐射噪声识别方法,BP神经网络提高了舰船辐射噪声识别率,可以对各种舰船辐射噪声信号进行准确分类。     

OBF分解与BP网络在船舶磁场信号检测中的应用

针对水中兵器探测船舶磁场信号时信噪比较低的问题,提出了基于OBF分解与BP网络的船舶磁场信号检测算法。首先采用BP网络对测量数据进行预处理,滤除大部分环境磁噪声;再采用OBF分解算法对网络输出信号进行检测,提取归一化能量信号作为检验统计量。试验结果表明,本文算法可以显著提高信噪比,增强对船舶磁场信号的检测能力,性能明显...     

基于BP神经网络的齿爬式升船机横导向装置结构损伤识别*

为了准确有效地实现齿爬式升船机横导向装置的损伤识别，提出以固有频率变化率、应力、位移作为输入特征参数，由损伤结构分类器、损伤位置分类器、损伤程度分类器构成的结构损伤识别模型。以向家坝升船机横导向装置为例，对18种损伤状态下的横导向装置进行模态分析和静力学分析，得到1 646组训练样本和100组测试样本，分别采用BP神经网络、支持向量机和贝叶斯算法进行结构损伤识别模型的训练与识别准确率测试。结果表明：基于BP神经网络算法的横导向装置结构损伤识别模型对损伤结构、损伤位置、损伤程度的识别准确率分别为93%、90%和91%，比基于支持向量机、贝叶斯算法的识别准确率分别平均提高7%、13%，该模型能够有效准确地对横导向装置进行损伤识别。     

基于进化规划的自适应高斯神经网络

自适应高斯神经网络能够对目标信号的功率谱有效识别特征进行自动提取和分类，但此网络使用BP算法，其误差能量函数是一个不规则的超曲面，容易陷入局部极小值。因此，提出了一种使用进化规则来设计和训练自适应高斯神经网络的新方法，该方法能够自动的确定网络的最优结构和联结权值，同时避免网络的局部优化。将该方法用于被动声呐晶目标的分类识别，实验结果表明基于进化规则的自适应高斯神经网络能够有效的克服局部最小问题，具有更好的识别率。     

机载双站SAR后向投影成像算法

推导了BiSAR的dechirp公式,建立了BiSAR的回波信号模型,分析了BP成像算法的原理和运算效率,给出了BP成像算法的主要步骤。当双基地角为90°时,进行了仿真。通过对点目标PSF定量分析,验证了BP成像算法在BiSAR下具有良好的聚焦效果。     

一种目标识别的三级混合数据融合方法

多级混合数据融合方法是解决目标分类识别问题的一种重要途径，研究了一种三级混合数据融合方法，该算法在不同级别使用了改进的BP算法、D-S证据理论及基于模糊综合的方法。     

数字通信信号调制识别的Gabor变换方法

Gabor变换是线性时频变换中的一种，它通过加窗函数的办法对Fourler变换加以改进。把Gabor变换引入到了数字通信信号调制识别领域，对ASK、FSK和PsK信号的Gabor变换域特征进行了理论分析和软件仿真，最后给出了识别算法和仿真结果。     

基于线谱特征提取的被动声纳目标识技术研究

该文针对被动声纳目标识别,着重研究了线谱特征提取方法,提出了一种自适应遗传BP算法,并用该算法训练神经网络目标分类器。经对上海上实录三类目标噪声分类识别实验结果表明,所设计的被动声纳目标识别系统具有很好的分类效果。     

船舶焊缝图像缺陷识别研究

首先阐述BP神经网络结构,得到不同层神经元之间的关系;然后详述BP神经网络进行分类的原理,并进行改进,提出误差逆向的神经网络识别算法,加强了系统的学习性和收敛性,将其应用到船舶焊缝图像缺陷识别中,最后进行实验,说明本文所设计的BP神经网络结构能够提高缺陷识别的正确率。     

基于遗传BP算法的神经网络目标分类器的研究

首先阐述了水下目标识别的研究发展和系统组成,然后提出了一种基于遗传BP算法训练神经网络目标分类器的新方法。实验结果表明采用新方法的神经网络分类器比采用改进BP算法的神经网络分类器具有更优的分类效果。     

基于遗传BP算法的神经网络目标分类器的研究

首先阐述了水下目标识别的研究发展和系统组成,然后提出了一种基于遗传BP算法训练神经网络目标分类器的新方法。实验结果表明采用新方法的神经网络分类器比采用改进BP算法的神经网络分类器具有更优的分类效果。     

船用计程仪信号传输系统的神经网络故障诊断算法

计程仪信号传输系统是由步进电机通过齿轮带动多个旋转变压器。为实现对其故障的智能诊断,提出一种基于BP神经网络算法的故障诊断方法,并采用LM(Levenberg-Marquardt)最优化算法对BP网络进行训练。通过Matlab神经网络工具箱仿真计算,结果表明LM算法提高了BP神经网络的学习效率及稳定性,明显加快了网络的收敛速度。使用BP神经网络对步进电机带动多旋变系统故障诊断的方法行之有效,在减少故障诊断人员工作量同时提高了系统故障诊断的效率。     

波形匹配法识别罗兰-C信号周期

提出一种新的周期识别算法,以满足数字化罗兰-C接收机软件实现的需要.借助MATLAB工具模拟天波干扰下的罗兰-C信号,对算法进行了有效性验证.该算法通过比较接收到的罗兰-C采样脉冲与模板信号的相似程度来识别第三周过零点.仿真结果表明在一定的信噪比条件下,该方法初步实现了罗兰-C信号周期识别的数字化,具有一定的实用性.     

水下探测目标识别的BP网络模型的设计与实现

船舶在海洋中航行时,需要雷达系统对航道进行实时监控,此时水下目标的自动识别就显得尤为重要,只有对水下潜在的危险目标进行实时的预测,才能保证航行的安全。因此,本文着重对水下目标的特性识别方法进行了研究,通过BP网络模型建立了能够提取水下目标特征值的算法,同时对输出层和隐含层进行优化,得到了较为理想的水下目标识别模型。仿真结果表明,通过BP网络模型对目标识别算法的优化,目标的识别率都获得了较为明显的提升。     

磨粒识别神经网络专家系统的设计与实现

智能型磨粒识别是铁谱技术发展的主要趋势,人工神经网络技术的出现为这种智能化提供了一条崭新的途径。介绍神经网络专家系统的基本原理,叙述BP学习算法,设计基于该算法的磨粒识别神经网络专家系统,并予以实现。     

基于神经元网络的钻杆热处理温度信号校正

神经网络是非线性系统建模的重要方法。反向传播（BP）算法常常用于神经网络的权值训练中，但是BP算法收敛慢。为此，将非线性最小二乘法用于前馈神经网络的权值学习。采用这一建模方法对石油钻杆在热处理中的温度测量偏差进行校正。研究结果表明，该方法具有很快的收敛速度和很好的拟合精度，适用于工业过程中测量信号的在线校正。     

船载远程电子通信设备异常信号识别方法

传统的船载远程电子通信设备异常信号识别方法存在着识别性能差的缺陷,为此提出船载远程电子通信设备异常信号识别方法研究。利用比较判别法对采集的船载远程电子通信设备信号进行判别,对异常信号特征进行提取并组成异常信号特征集合,以异常信号特征集合为依据采用异常信号识别算法对异常信号进行识别,实现了船载远程电子通信设备异常信号的识别。通过实验得到,提出的船载远程电子通信设备异常信号识别方法识别正确率比传统方法高出24%,说明提出的船载远程电子通信设备异常信号识别方法具备更好的识别性能。