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。     

一种被动声纳目标识别数据融合方法的研究

文章首先对目标噪声信号采用五种不同的方法提取特征矢量,然后采用基于自适应遗传BP算法的神经网络分别对五种特征矢量并发地进行分类,再采用遗传算法对分类器组合过程中的多参数进行优化,最后由五种分类结果最优组合产生最终的分类结果。实验结果表明该系统具有很好的分类效果。     

云平台和分布式处理系统的船舶图像分类

在云平台和分布式处理系统中进行船舶图像分类,提高船舶的调度和识别能力,提出一种基于Harris角点检测和BP神经网络的船舶图像分类算法,在云平台和分布式系统下进行船舶图像采集,对采集的船舶图像进行二值化降噪处理,采用Harris角点检测技术提取船舶的分类标识性特征量,将提取的特征量输入到BP神经网络分类器中,实现云平台环境下的船舶图像分类。仿真结果表明,采用该方法进行船舶图像分类的准确性较高,抗类间干扰性较强。     

基于神经网络的声纳特征级信息融合中目标分类研究

声纳目标特征级融合的主要任务是实现信息压缩、目标身份确定(分类) ,以利于实时处理、决策分析。基于数学模型的各种算法,由于情况复杂,往往很难建立。而人工神经网络通过样本的学习,具有存储记忆、在相似输入下能恢复记忆等特性,从而避免了烦琐而复杂的建模。在神经网络声纳目标识别前的噪声预处理方法中,选用了功率谱特征提取、双谱特征提取算法;在研究了提取的特征后,选取反向传播神经网络(BP)模型;在此基础上构造了BP神经网络,并对网络进行训练与测试,给出识别实验结果。仿真模拟分析证明,基于神经网络的声纳特征级信息的融合,对目标分类有一定效果,为进一步实现声纳信息融合奠定了基础     

基于PCA与BP神经网络的危险化学品船舶识别

对危险化学品船舶进行识别有利于保障海上航道安全和维护海洋生态环境。本文通过PCA算法进行危险化学品船舶的特征提取,并且测试集和训练集样本都投影到特征空间中,利用BP神经网络进行分类识别。最后进行BP神经网络分类器中不同阈值和不同隐层数量的仿真实验。     

基于多神经网络分类器的目标识别

舰船目标自动识别通常需考虑多个特征,而复杂的特征往往需要适合的分类器与之相适应。本文借助已有的一种可组合多种特征和多种分类器的通用分类器,验证其在舰船识别中的有效性。该通用分类器将多分类问题转化为多个二分类问题,利用多个二分类器对舰船各特征进行独立识别,最后根据投票规则决定目标识别结果。本文以二分类BP网络作为多神经网络分类器的基分类器,对航空母舰、驱逐舰、护卫舰、客船、集装箱、民用货船6种船只类型进行了识别。识别结果表明,由多个二分类BP网组成的多神经网络分类器平均分类精度为89%,该通用分类器在实践中有效。     

基于小波能谱系数的舰船目标分类与识别

由于舰船目标发声机理的复杂性及多样性,导致表征其辐射信号特征的数据量较大且维度较高,带来巨大的处理运算量。因此提取可靠、有效的舰船目标信号特征是水声界研究的难点之一。本文提出基于小波能谱系数的舰船目标信号特征提取方法。首先利用小波变换对舰船目标的波形信号进行分析,获取其时域、频域特征;然后采用小波能谱系数描述信号能量在每个频率范围的分布情况并提取特征向量,以区别3类目标信号;最后以BP神经网络作为分类器对3类目标进行识别与分类。对实验数据的处理结果表明,该方法可以有效获得舰船目标的特征信息,具有较好的分类效果和较高的可靠性。     

一种水目标识别方法：基于模糊理论的多神经网络融合分类

在应用多种方法提取目标噪声中分类特征的研究基础上,本文设计出基于模糊理论的多神经网络融合分类器,其研究重点主要包括有监督分类的模糊聚类神经网络分类、多神经网络与模糊综合分析相结合的融合分类。基于大量海试实测信号样本的多组实验表明,该分类方法具有良好的工程应用前景。     

基于模糊贴近度的舰船辐射噪声分类

误差反传神经网络在被动声呐目标分类中得到了广泛的应用，但该算法在搜索过程中容易陷入局部最小值，同时使用赢者独活的识别决策策略，导致识别率的下降。针对BP网络的弱点，提出了基于模糊贴近度的舰船辐射噪声分类方法，该方法能够在不对BP网络作大的改动的前提下，解决神经网络陷入局部最小值，同时使用赢者独活决策策略导致误识的弱点。实验结果证明了该方法的有效性。     

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。     

一种水下目标识别方法──基于模糊理论的多种神经网络融合分类

在应用多种方法提取目标噪声中分类特征的研究基础上,本文设计出基于模糊理论的多神经网络融合分类器,其研究重点主要包括有监督分类的模糊聚类神经网络分类、多神经网络与模糊综合分析相结合的融合分类。基于大量海试实测信号样本的多组实验表明,该分类方法具有良好的工程应用前景。     

基于深度自编码网络的舰船辐射噪声分类识别

针对水下被动声呐目标分类识别问题,借签深度学习网络在图像、语音等领域的成功运用,提出一种基于深度自编码网络的舰船辐射噪声分类识别方法。首先使用Welch功率谱估计方法获得舰船辐射噪声的功率谱特征,然后对原始训练样本集结构优化得到新训练样本集,并构建训练深度自编码网络。依据总体正确识别概率和各类目标正确识别概率对网络参数进行优化设置,实现对舰船辐射噪声的分类识别。经过大量海上实录舰船辐射噪声的分类识别实验,验证了该方法的可行性和实用性。对比BP神经网络分类器,具有更高的正确分类识别概率。     

基于进化规划算法的舰船辐射噪声分类

神经网络分类器在舰船辐射噪声分类中得到了广泛的应用.针对神经网络分类器的设计困难,提出一种基于进化规划算法的设计方法.在该方法中,进化算法的适应度函数不是取为神经网络分类器对训练样本的识别率,而是对训练样本的可分性和聚合度同时考虑,这样能够在保证识别精度的前提下,使网络分类器具有良好的泛化能力,而且该方法不仅能够对待识别的样本进行离线学习,也能够在线学习.使用该分类器对舰船辐射噪声进行分类识别试验,结果表明该方法设计的分类器具有良好的性能.     

基于BP网络的船舶磁性目标定位方法研究

船舶磁性目标定位是海上目标定位系统中重要的方法之一,优点是部署简单、定位精度较高;缺点是定位算法复杂度较高、计算量大,算法较易陷入局部最优解,需要进行改进。神经网络是解决目标最优问题的有效求解手段,利用各神经元权值系数调整能够计算出磁性目标定位的全局最优解。本文研究船舶磁性目标定位的算法结构,针对目标函数,设计基于BP神经网络的定位算法,最后给出基于神经网络算法仿真结果,并与传统算法进行对比。     

基于模糊多层感知机的模式分类方法的研究

本文着重研究应用模糊神经网络来进行模式分类的问题,提出了一种基于模糊多层感知机的模式分类方法,学习方法采用自适应BP算法。这个网络最显著的特征是能处理网络输入、输出的不确定性和不准确性,并可以进行规则解释。输入隶属函数的中心和半径根据数据分布情况自动生成。输入向量由类隶属度决定。对该方法进行检验的结果表明它是切实可行的,其分类的精度很高,明显优于非模糊分类器。     

舰船RCS特征提取与GA-BP神经网络分类研究

在典型舰船RCS的FEKO仿真数据基础上,提取均值、标准差、变异系数、平滑系数4种RCS数字特征作为BP神经网络的分类特征向量,进行目标分类仿真实验。实验结果显示,由于BP神经网络采用梯度下降法,其初始权值、阀值的随机设置会导致BP神经网络易陷入局部极小,为此,本文研究采用遗传算法对BP网络节点权值和阀值进行优化选择,仿真实验结果显示采用遗传算法优化后的BP神经网络分类识别性能稳定,不易陷入局部极小。     

SVM在合成孔径雷达图像目标识别中的应用

提出一种采用Zernike矩和支持向量机SVM结合对SAR图像中的舰船目标类型进行分类识别的算法。此算法首先对SAR舰船切片图像进行预处理,再采用Zernike矩提取SAR舰船图像切片的旋转不变特征算子;然后,利用支持向量机的方法对目标样本进行训练构造分类器,并采用"一对一"多类方式实现多类舰船目标的识别。最后,仿真建立3类舰船三维模型,并利用本文算法进行分类识别,实验结果表明本文算法能够有效识别舰船目标。     

舰船RCS特征提取与GA-BP神经网络分类研究

在典型舰船RCS的FEKO仿真数据基础上,提取均值、标准差、变异系数、平滑系数4种RCS数字特征作为BP神经网络的分类特征向量,进行目标分类仿真实验.实验结果显示,由于BP神经网络采用梯度下降法,其初始权值、阀值的随机设置会导致BP神经网络易陷入局部极小,为此,本文研究采用遗传算法对BP网络节点权值和阀值进行优化选择,仿真实验结果显示采用遗传算法优化后的BP神经网络分类识别性能稳定,不易陷入局部极小.