基于前向型神经网络的空袭目标类型识别模型

对防空作战中空袭目标类型识别问题进行了研究 ,给出了进行目标类型识别的指标集 ,并建立了基于前向型神经网络识别模型 ,实例证明该方法是可行的。

基于多层前向型神经网络的步态分类方法

步态分类在人体健康诊断等应用中具有重大意义,提高分类精度一直以来是步态分类的研究热点。传统的特征向量法在步态分类中存在难以提取步态特征、计算量大和算法复杂等局限,步态分类不能得到较好的效果,因此,提出了一种基于多层前向型神经网络的步态分类方法。首先志愿者以不同的行走方式通过“Intelli地毯”地板传感器系统采集行走过程中的时序运动学信息,采用Savitzky-Golay平滑滤波器进行滤波处理并将其数据输入到多层前向型神经网络,实现对不同步态模式下时序压力信号的自动分类;然后采用尺度化共轭梯度反向传播算法(trainscg)对网络进行训练学习;最后使用混淆矩阵对结果进行解释,对五种步态模式的分类精度对比其他分类方法显著提高。实验证明了该方法的可行性。

基于GMDH型神经网络的EEG分类研究

为了提高对不同认知状态下脑电信号 (EEG)的分类正确率 ,提出一种GMDH型神经网络及改进的训练算法。此网络结构在演化中生成 ,分类规则由简单多项式表示 ,训练算法可防止出现过拟合。此网络用于区分算术运算和休息状态下的脑电信号 ,正确率达到 84 5 % ,与标准前向型神经网络 (FNN)比较 ,显示了较好的分类效果。

一种改进BP算法及其在滚动轴承故障诊断中的应用

分析了前向型神经网络动力系统模型 ,根据该模型的特点提出了能够克服传统 BP算法学习速度慢、容易陷入局部极小的新算法。改进后的算法用于滚动轴承故障诊断 ,试验结果表明 ,该算法可以有效缩短网络在训练过程中滞留于局部极小区域的时间 。

空袭目标综合识别模型的研究

如何对空袭目标进行准确的属性识别和类型识别是防空导弹武器发射决策中的关键环节之一。为实现防空作战指挥自动化 ,必须对影响目标综合识别的各种因素进行定性和定量的分析 ,然后建立有效的模型并使用可行性的方法进行处理。结合现代防空作战的特点和指挥自动化系统的工作过程 ,给出了进行目标属性识别的准则集及类型识别的指标集 ,并建立了相应的识别模型。