人工神经网络在雷达目标识别中的应用

发布时间：2017-05-16 00:08

  本文关键词：人工神经网络在雷达目标识别中的应用，由笔耕文化传播整理发布。

【摘要】：雷达诞生之日起，科学家们就在不断的研究雷达目标识别技术，由最开始的人工识别，到现在的智能算法识别，这也代表了雷达目标识别技术的发展方向——智能化。人工神经网络是机器学习的重要领域，具有诸多优点：具有较强的容错性；可以有很强的适应能力；并且可以大规模并行处理。将其应用到雷达目标识别中，并提出新的算法具有重要意义。 本文重点研究了支持向量机和自组织特征映射神经网络在雷达目标识别技术中的应用。 首先，，本文介绍了具体需要解决的雷达目标识别问题，本章通过选取阈值，消除孤立点，去除不合理的聚集点等一系列方法找到目标的准确位置。 其次，本文重点介绍了支持向量机的原理及其推导过程。随后，分析了支持向量机的参数寻优方法：交叉验证方法和粒子群算法。本文还定义了四个用于检验雷达目标识别效果的指标。最后将支持向量机应用到雷达目标识别中，通过比较两种参数寻优方法，证明支持向量机在雷达目标识别中可以取得很好的效果。 最后，将自组织特征映射神经网络引入到雷达目标识别中，在研究了它的结构、原理和训练过程后，用多组实验数据对其在雷达目标识别中的性能进行测试，取得了非常好的效果。随后，将自组织特征映射神经网络和支持向量机两种算法组合起来，既解决了支持向量机受目标点影响大的缺点，同时也缩短了自组织特征映射神经网络运行计算时间。
【关键词】：雷达 SVM SOM 粒子群算法 交叉验证
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN957.52
【目录】：

• 摘要4-5
• Abstract5-8
• 第一章 绪论8-15
• 1.1 雷达目标识别概述8-9
• 1.2 雷达目标识别研究现状与发展趋势9-11
• 1.3 神经网络概述11-13
• 1.4 本文的主要工作13-15
• 第二章 统计方法在雷达目标识别中的应用15-21
• 2.1 雷达目标识别问题描述15
• 2.2 利用统计方法分析雷达目标识别问题15-19
• 2.3 总结19-21
• 第三章 支持向量机在雷达目标识别中的应用21-33
• 3.1 支持向量机原理21-27
• 3.1.1 分类样本线性可分21-25
• 3.1.2 分类样本线性不可分25-27
• 3.2 参数寻优27-29
• 3.2.1 CV 方法27
• 3.2.2 PSO 算法27-29
• 3.3 评价指标29-30
• 3.4 实验结果30-32
• 3.4.1 训练过程30-31
• 3.4.2 预测过程31-32
• 3.5 小结32-33
• 第四章 自组织特征映射网络在雷达目标识别中的应用33-41
• 4.1 自组织特征映射网络概述33
• 4.2 自组织特征映射网络结构及训练过程33-36
• 4.3 SOM 算法36-37
• 4.4 实验结果37-38
• 4.5 SVM 和 SOM 相结合38-40
• 4.6 小结40-41
• 第五章 总结与展望41-42
• 5.1 本文的主要工作41
• 5.2 本文展望41-42
• 参考文献42-46
• 读硕士学位期间发表的论文46-47
• 致谢47-48

【参考文献】

中国期刊全文数据库 前9条

1 郑小亮;张伟;汪学刚;;一种一维距离像的识别算法[J];电讯技术;2007年01期

2 李智勇;吴晶莹;吴为麟;宋保明;;基于自组织映射神经网络的电力用户负荷曲线聚类[J];电力系统自动化;2008年15期

3 陈燕玲;;一种基于滤波特征和不变矩的混合指纹识别算法[J];桂林电子科技大学学报;2010年01期

4 范嫦娥;李德华;;基于自组织特征映射神经网络的路面使用性能评价方法[J];重庆交通大学学报(自然科学版);2013年01期

5 储理才;基于最优超平面方法的乳房肿瘤分类模型[J];集美大学学报(自然科学版);2005年01期

6 孙文峰;雷达目标识别技术述评[J];雷达与对抗;2001年03期

7 吴晓萍;赵学靖;乔辉;刘东梅;王志;;基于LASSO-SVM的软件缺陷预测模型研究[J];计算机应用研究;2013年09期

8 李廷军,姜文利,王新政,陈贻焕;发展中的雷达目标识别[J];现代雷达;2000年06期

9 张静,宋锐,郁文贤;雷达目标识别中的BP神经网络算法改进及应用[J];系统工程与电子技术;2005年04期

中国博士学位论文全文数据库 前1条

1 柴晶;雷达高分辨距离像目标识别的拒判算法和特征提取技术研究[D];西安电子科技大学;2010年

  本文关键词：人工神经网络在雷达目标识别中的应用，由笔耕文化传播整理发布。

本文编号：369182