CN112068088A - 一种基于优化bp神经网络的雷达辐射源威胁评估方法 - Google Patents

一种基于优化bp神经网络的雷达辐射源威胁评估方法 Download PDF

Info

Publication number
CN112068088A
CN112068088A CN202010799517.7A CN202010799517A CN112068088A CN 112068088 A CN112068088 A CN 112068088A CN 202010799517 A CN202010799517 A CN 202010799517A CN 112068088 A CN112068088 A CN 112068088A
Authority
CN
China
Prior art keywords
neural network
radiation source
particles
max
radar radiation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010799517.7A
Other languages
English (en)
Inventor
应涛
许博
王雪宝
吴荣华
徐佳
陈佳俊
周达华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval University of Engineering PLA
Original Assignee
Naval University of Engineering PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Naval University of Engineering PLA filed Critical Naval University of Engineering PLA
Priority to CN202010799517.7A priority Critical patent/CN112068088A/zh
Publication of CN112068088A publication Critical patent/CN112068088A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/38—Jamming means, e.g. producing false echoes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于优化BP神经网络的雷达辐射源威胁评估方法，其实现步骤是：1.利用n组样本数据对网络进行训练，获得训练好的BP神经网络；2.将训练误差作为适应度值，将神经网络的权值和阈值作为粒子，用位置、速度和适应度值三项指标表示粒子特征，在可行解空间中快速搜索全局最优粒子，即神经网络最优的权值和阈值；3.将雷达辐射源的各项指标数据作为输入，通过优化后的神经网络进行预测，得到的输出即为优化后的雷达辐射源威胁值。本发明充分考虑BP神经网络由于初始权值和阈值的不确定性对整个神经网络预测的精度和收敛速度的影响，实现神经网络初始权值和阈值的最优化，提升了雷达辐射源威胁评估的准确性。

Description

一种基于优化BP神经网络的雷达辐射源威胁评估方法
技术领域
本发明涉及电子对抗技术领域，具体是一种基于优化BP神经网络的雷达辐射源威胁评估方法。
背景技术
随着现代战争的发展，电子战的作用和地位发生了巨大的变化，已成为现代战争的重要手段之一。对于各作战平台来说，电子干扰资源是有限的。因此，正确的电子干扰决策对于合理使用干扰资源和增强平台电子战作战效能意义重大。正确的电子干扰决策是基于威胁辐射源合理的评估而做出的。因此，雷达辐射源威胁评估研究具有重要意义和价值，将为作战指挥和兵力行动决策提供重要情报支撑。神经网络在近期得到了飞跃的发展，在图像分类、语音识别、多指标评估应用等方面有很大的突破。在复杂战场环境中，神经网络可对收集的不确定信息进行融合处理，这就使得神经网络在雷达辐射源威胁评估中的应用成为可能。
因此，现有的雷达辐射源评估技术大都依靠专家主观的评判，会导致评估结果太过于主观化。
发明内容
针对现有技术存在的上述不足，本发明提供一种基于优化BP神经网络的雷达辐射源威胁评估方法，充分考虑BP神经网络由于初始权值和阈值的不确定性对整个神经网络预测的精度和收敛速度的影响，确保了神经网络初始权值和阈值的最优化，提升了雷达辐射源威胁评估的准确性。
本发明的采用的技术方案是：一种基于优化BP神经网络的雷达辐射源威胁评估方法，通过对BP神经网络的权值和阈值进行优化，提高BP神经网络的性能，并利用完成优化后的BP神经网络用于雷达辐射源威胁评估，以提高威胁评估的准确度，其实现步骤包括如下：
步骤一、利用n组样本数据对BP神经网络进行训练，获得训练好的BP神经网络，所述样本数据包括雷达辐射源威胁指标的数据以及所对应雷达辐射源的威胁值；
步骤二、将训练误差作为适应度值，将BP神经网络的权值和阈值作为粒子，用位置、速度和适应度值三项指标表示粒子特征，在可行解空间中快速搜索全局最优粒子，即神经网络最优的权值和阈值；
步骤三、将m组雷达辐射源的各项指标数据作为输入，通过优化后的BP神经网络进行预测，得到的输出即为优化后的雷达辐射源威胁值。
进一步的，所述步骤二按如下步骤进行：
(2a)初始化粒子的位置和速度；
(2b)假设在一个2维的搜索空间中，为防止粒子的盲目搜索，将其位置和速度限制在一定的区间[-Xmax,Xmax]、[-Vmax,Vmax]。-Xmax为粒子运动的位置下限，Xmax为粒子运动的位置上限，-Vmax为粒子运动的最小速度，Vmax为粒子运动的最大速度；
(2c)由p个粒子组成的种群X＝(X1,X2,…,Xn)，初始化Xi的位置和速度，p为粒子的总数；
其初始化如下式所示：
POP(i)＝Xmax*rand(1,2)
V(i)＝Vmax*rand(1,2)
POP(i)为第i个粒子的位置，Xmax为粒子运动的位置上限，V(i)为第i个粒子的速度，Vmax为粒子运动的最大速度，rand(1,2)产生2个[-1,1]的随机数；
(2d)根据目标函数计算出POP(i)对应的适应度值，通过假设神经网络的输入层神经元为inputnum，隐含层神经元为hiddennum，输出层神经元为outputnum，训练函数为logsig，将初始权值编码为W1、W2，将阈值编码为B1、B2；
数据库中雷达辐射源的输入数据为inputn威胁值为outputn则得到适应度值为
fitness＝sum(abs(W2*(logsig(W1*input-B1))-B2)-output)
(2e)第i个粒子的速度为Vi＝(Vi1,Vi2,…,Vin)T其个体极值为Pi＝(Pi1,Pi2,…,PiD)T，种群的群体极值为Pg＝(Pg1,Pg2,…,PgD)T；
(2f)更新粒子的速度和位置，更新速度、位置公式如下：
Vid (k+1)＝wVid k+c1r1(Pid k-Xid k)+c2r2(Pgd k-Xid k)
Xid (k+1)＝Xid k+Vid (k+1)
其中，w为惯性权重；d＝1,2,…,D；i＝1,2,…,n；k为当前迭代次数；Vid为粒子的速度；c1和c2是非负的常数，称为加速因子；r1和r2是分布于[0,1]区间的随机数；
(2g)利用更新后的新粒子通过(2d)计算出新粒子适应度值(即个体最优值)以及新粒子群的适应度值(即群体最优值)；
(2h)最后判断个体极值与群体极值是否满足终止条件，若不满足转到(2f)更新粒子并计算出新粒子适应度值以及新粒子群的适应度值，再次判断是否满足终止条件；直到满足条件输出最后的最优个体极值，得到神经网络最优的权值和阈值。
进一步的，n取值为200，m取值为5。
本发明具有以下优点：
粒子群算法首先在可行解空间中初始化一群粒子，每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标表示该粒子特征，适应度值由适应度函数计算得到，其值的好坏表示粒子优劣。粒子在解空间中运动，通过跟踪个体极值和群极值更新个体位置。个体极值是指个体粒子搜索到适应度值最优位置，群极值是指种群中的所有粒子搜索到的适应度最优位置。粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值和群体极值位置。本发明由于通过对BP神经网络加以粒子群优化，使的BP神经网络以最快的速度找到个体极值和群体极值位置，使得初始权值和阈值达到最优，因此加快了BP神经网络的收敛速度，使学习效率提高，运行时间更快，且最终得到的雷达辐射源威胁等级评估也更加准确。
附图说明
图1是本发明神经网络结构；
图2为本发明通过粒子群算法寻找BP神经网络最优初始权值和阈值的流程图；
图3是本发明优化前后与数据库中雷达辐射源威胁值比较误差图；
图4是本发明优化BP网络前后与数据库中雷达辐射源威胁值对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-3，本发明实施例提供一种基于优化BP神经网络的雷达辐射源威胁评估方法，包括如下步骤：
步骤一、利用200组样本数据(雷达辐射源威胁指标的数据以及所对应雷达辐射源的威胁值)对网络进行训练，获得训练好的BP神经网络。
在训练过程中对模型进行函数和参数的设置，隐含层转移函数可采用tansig，输出层转移函数可采用purelin，训练函数直接用trainlm，学习函数可采用learngdm。设置学习率、模型的最大训练次数epochs和目标精度goal的参数；具体参数如表1所示。
表1 BP神经网络关键参数设置。
Figure BDA0002626874030000041
Figure BDA0002626874030000051
步骤二、将训练误差作为适应度值，将神经网络的权值和阈值作为粒子，并初始化这群粒子的位置和速度，用位置、速度和适应度值三项指标表示粒子特征，在可行解空间中快速搜索全局最优粒子，即神经网络最优的权值和阈值。具体实施步骤如下：
(2a)初始化粒子的位置和速度；
(2b)假设在一个2维的搜索空间中，为防止粒子的盲目搜索，将其位置和速度限制在一定的区间[-Xmax,Xmax]、[-Vmax,Vmax]。-Xmax为粒子运动的位置下限，Xmax为粒子运动的位置上限，-Vmax为粒子运动的最小速度，Vmax为粒子运动的最大速度；
(2c)由p个粒子组成的种群X＝(X1,X2,…,Xn)，则须初始化Xi的位置和速度，p为粒子的总数；
其初始化如下式所示：
POP(i)＝Xmax*rand(1,2)
V(i)＝Vmax*rand(1,2)
POP(i)为第i个粒子的位置，Xmax为粒子运动的位置上限，V(i)为第i个粒子的速度，Vmax为粒子运动的最大速度，rand(1,2)产生2个[-1,1]的随机数；
(2d)根据目标函数计算出POP(i)对应的适应度值；通过假设神经网络的输入层神经元为inputnum，隐含层神经元为hiddennum，输出层神经元为outputnum，训练函数为logsig，将初始权值编码为W1、W2，将阈值编码为B1、B2；
数据库中雷达辐射源的输入数据为inputn威胁值为outputn则得到适应度值为
fitness＝sum(abs(W2*(logsig(W1*input-B1))-B2)-output)
(2e)第i个粒子的速度为Vi＝(Vi1,Vi2,…,Vin)T其个体极值为Pi＝(Pi1,Pi2,…,PiD)T，种群的群体极值为Pg＝(Pg1,Pg2,…,PgD)T；
(2f)更新粒子的速度和位置，更新速度、位置公式如下：
Vid (k+1)＝wVid k+c1r1(Pid k-Xid k)+c2r2(Pgd k-Xid k)
Xid (k+1)＝Xid k+Vid (k+1)
其中，w为惯性权重；d＝1,2,…,D；i＝1,2,…,n；k为当前迭代次数；Vid为粒子的速度；c1和c2是非负的常数，称为加速因子；r1和r2是分布于[0,1]区间的随机数；
(2g)利用更新后的新粒子通过(2d)计算出新粒子适应度值(即个体极值)以及新粒子群的适应度值(即群体极值)；
(2h)最后判断个体极值与群体极值是否满足终止条件，若不满足转到(2f)更新粒子并计算出新粒子适应度值(即个体极值)以及新粒子群的适应度值(即群体极值)再次判断是否满足终止条件；直到满足条件输出最后的最优个体极值，得到神经网络最优的权值和阈值。
步骤三、将5组雷达辐射源的各项指标数据作为输入，通过粒子群优化后的神经网络进行预测，得到的输出即为优化后的雷达辐射源威胁值。
粒子群算法重要参数如表1：
表1粒子群算法重要参数表
种群大小 进化次数 位置 速度 学习率 迭代次数 目标精度
50 2000 [2,2] [-0.5,0.5] 0.01 1000 0.001
本发明的效果可通过以下实验进一步说明：
1)实验条件：
实验环境：Intel Core i7CPU 2.00Ghz，16GB内存，Windows系统，Matlab。
2)实验内容与结果：
优化后的BP神经网络的输入数据(数据库中)，结果见表1和表2。
表1辐射源原始数据
雷达参数 辐射源1 辐射源2 辐射源3 辐射源4 辐射源5
辐射源类 1 1 0.5 0.5 0.1
平台类型 1 0.9 0.9 0.7 0.5
速度 3 2 0.0294 0.6 0.02
相对距离 3 20 80 70 150
运动方向 0 10 -60 60 140
脉冲重复 2 1 0.6 0.9 0.2
载频 10 3 0.5 4 0.3
脉宽 1 3 3 2.5 9
工作模式 1 0.8 0.8 0.8 0.2
表2量化后的数据
雷达参数 辐射源1 辐射源2 辐射源3 辐射源4 辐射源5
辐射源类型 1 1 1 0.5 0.1
平台类型 1 0.9 0.9 0.7 0.5
速度 1 0.6667 0.0073 0.2 0.0067
相对距离 1 0.9942 0.9849 0.9050 0.45
运动方向 1 0.2391 0.1358 0.0498 0.0219
脉冲重复频 1 0.9826 0.0488 0.9592 0.0488
载频 1 0.6 0.1 0.6 0.3
脉宽 0.9901 0.9174 0.7353 0.9412 0.5525
工作模式 1 0.8 0.8 0.8 0.2
实验1：BP神经网络优化前后对威胁值估计的影响，结果见表4。
仿真实验中：总共输入200组样本数据，取其中前195个样本作为训练集，后5个样本作为测试数据。输入层节点个数为9，输出层节点个数为1，隐含层节点数为8。为了验证本发明方法的有效性，分别利用基于优化BP神经网络的雷达辐射源威胁评估方法和基于BP神经网络的雷达辐射源威胁评估方法，对雷达辐射源进行了100次的威胁评估。最后的对两种算法的100次评估结果取平均值进行对比，且分别计算两种算法每次运行结果与数据库威胁值的误差(结果对比如图3及图4所示)。
通过威胁值对表4可以看出通过粒子群优化后的BP神经网络得到了最优的初始权值和阈值后，能使BP神经网络的输出威胁值更加接近与数据库中的威胁值，通过优化前后的对比图看出改进的BP神经网络输出折线离综合评估折线越近，综合以上仿真实验内容，优化后的准确性提高了7.78％，得出优化BP神经网络的雷达辐射源威评估对比BP神经网络威胁评估更加准确和有效。
实验2：BP神经网络优化前后运行时间的影响，结果见表3.
仿真实验中，分别对优化前后雷达辐射源威胁评估运行100次总时间对比。
通过时间对比表，基于BP神经网络的雷达辐射源威胁评估方法相比，基于优化BP神经网络的雷达辐射源威胁评估方法的100次运行时间提高了5.9038s，即提高了收敛速度。
表3优化前后运行100次总时间对比表
Figure BDA0002626874030000081
表4雷达辐射源威胁值对比表
Figure BDA0002626874030000082
Figure BDA0002626874030000091
本发明引入BP神经网络模型，着眼于当前电子战领域的瓶颈问题，开展了基于神经网络的雷达辐射源威胁评估研究，但考虑BP神经网络学习效率低，容易陷入局部最优的问题，且由于初始权值和阈值的不确定性对整个神经网络预测的精度和收敛速度的影响，确保了神经网络初始权值和阈值的最优化，实现神经网络对雷达辐射源的威胁评估的准确性，提升了雷达辐射源威胁评估的准确性，是急需研究解决的问题。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (3)

1.一种基于优化BP神经网络的雷达辐射源威胁评估方法，其特征包括：
步骤一、利用n组样本数据对BP神经网络进行训练，获得训练好的BP神经网络，所述样本数据包括雷达辐射源威胁指标的数据以及所对应雷达辐射源的威胁值；
步骤二、将训练误差作为适应度值，将BP神经网络的权值和阈值作为粒子，用位置、速度和适应度值三项指标表示粒子特征，在可行解空间中快速搜索全局最优粒子，即神经网络最优的权值和阈值；
步骤三、将m组雷达辐射源的各项指标数据作为输入，通过优化后的BP神经网络进行预测，得到的输出即为优化后的雷达辐射源威胁值。
2.如权利要求1所述的基于优化BP神经网络的雷达辐射源威胁评估方法，其特征在于：所述步骤二按如下步骤进行：
(2a)初始化粒子的位置和速度；
(2b)假设在一个2维的搜索空间中，为防止粒子的盲目搜索，将其位置和速度限制在一定的区间[-Xmax,Xmax]、[-Vmax,Vmax]。-Xmax为粒子运动的位置下限，Xmax为粒子运动的位置上限，-Vmax为粒子运动的最小速度，Vmax为粒子运动的最大速度；
(2c)由p个粒子组成的种群X＝(X1,X2,…,Xn)，初始化Xi的位置和速度，p为粒子的总数；
其初始化如下式所示：
POP(i)＝Xmax*rand(1,2)
V(i)＝Vmax*rand(1,2)
POP(i)为第i个粒子的位置，Xmax为粒子运动的位置上限，V(i)为第i个粒子的速度，Vmax为粒子运动的最大速度，rand(1,2)产生2个[-1,1]的随机数；
(2d)根据目标函数计算出POP(i)对应的适应度值，通过假设神经网络的输入层神经元为inputnum，隐含层神经元为hiddennum，输出层神经元为outputnum，训练函数为logsig，将初始权值编码为W1、W2，将阈值编码为B1、B2；
数据库中雷达辐射源的输入数据为inputn威胁值为outputn则得到适应度值为
fitness＝sum(abs(W2*(logsig(W1*input-B1))-B2)-output)
(2e)第i个粒子的速度为Vi＝(Vi1,Vi2,…,Vin)T其个体极值为Pi＝(Pi1,Pi2,…,PiD)T，种群的群体极值为Pg＝(Pg1,Pg2,…,PgD)T；
(2f)更新粒子的速度和位置，更新速度、位置公式如下：
Vid (k+1)＝wVid k+c1r1(Pid k-Xid k)+c2r2(Pgd k-Xid k)
Xid (k+1)＝Xid k+Vid (k+1)
其中，w为惯性权重；d＝1,2,…,D；i＝1,2,…,n；k为当前迭代次数；Vid为粒子的速度；c1和c2是非负的常数，称为加速因子；r1和r2是分布于[0,1]区间的随机数；
(2g)利用更新后的新粒子通过(2d)计算出新粒子适应度值(即个体最优值)以及新粒子群的适应度值(即群体最优值)；
(2h)最后判断个体极值与群体极值是否满足终止条件，若不满足转到(2f)更新粒子并计算出新粒子适应度值以及新粒子群的适应度值，再次判断是否满足终止条件；直到满足条件输出最后的最优个体极值，得到神经网络最优的权值和阈值。
3.如权利要求1所述的基于优化BP神经网络的雷达辐射源威胁评估方法，其特征在于：n取值为200，m取值为5。
CN202010799517.7A 2020-08-11 2020-08-11 一种基于优化bp神经网络的雷达辐射源威胁评估方法 Pending CN112068088A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010799517.7A CN112068088A (zh) 2020-08-11 2020-08-11 一种基于优化bp神经网络的雷达辐射源威胁评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010799517.7A CN112068088A (zh) 2020-08-11 2020-08-11 一种基于优化bp神经网络的雷达辐射源威胁评估方法

Publications (1)

Publication Number Publication Date
CN112068088A true CN112068088A (zh) 2020-12-11

Family

ID=73661087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010799517.7A Pending CN112068088A (zh) 2020-08-11 2020-08-11 一种基于优化bp神经网络的雷达辐射源威胁评估方法

Country Status (1)

Country Link
CN (1) CN112068088A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359876A (zh) * 2021-06-23 2021-09-07 中国电子科技集团公司第三十八研究所 机载sar雷达大承载偏心一轴平台的控制方法及装置
CN113376593A (zh) * 2021-06-10 2021-09-10 西安电子科技大学 基于mpbi分解的stap雷达分布式干扰方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020452A (zh) * 2012-12-13 2013-04-03 中国航天科工信息技术研究院 一种雷达辐射源威胁等级判断方法
CN105138717A (zh) * 2015-07-09 2015-12-09 上海电力学院 一种动态变异粒子群优化神经网络的变压器状态评估方法
CN107547457A (zh) * 2017-09-15 2018-01-05 重庆大学 一种基于改进粒子群优化bp神经网络的盲信道均衡方法
CN109977972A (zh) * 2019-03-29 2019-07-05 东北大学 一种基于step的智能特征识别方法
CN110688689A (zh) * 2019-07-16 2020-01-14 中铁隧道局集团有限公司 一种基于多源监测数据融合的隧道变形预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020452A (zh) * 2012-12-13 2013-04-03 中国航天科工信息技术研究院 一种雷达辐射源威胁等级判断方法
CN105138717A (zh) * 2015-07-09 2015-12-09 上海电力学院 一种动态变异粒子群优化神经网络的变压器状态评估方法
CN107547457A (zh) * 2017-09-15 2018-01-05 重庆大学 一种基于改进粒子群优化bp神经网络的盲信道均衡方法
CN109977972A (zh) * 2019-03-29 2019-07-05 东北大学 一种基于step的智能特征识别方法
CN110688689A (zh) * 2019-07-16 2020-01-14 中铁隧道局集团有限公司 一种基于多源监测数据融合的隧道变形预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘凯等: "基于神经网络的未知雷达辐射源智能识别技术", 电子信息对抗技术, vol. 28, no. 6, pages 18 - 21 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113376593A (zh) * 2021-06-10 2021-09-10 西安电子科技大学 基于mpbi分解的stap雷达分布式干扰方法
CN113359876A (zh) * 2021-06-23 2021-09-07 中国电子科技集团公司第三十八研究所 机载sar雷达大承载偏心一轴平台的控制方法及装置
CN113359876B (zh) * 2021-06-23 2022-02-11 中国电子科技集团公司第三十八研究所 机载sar雷达大承载偏心一轴平台的控制方法及装置

Similar Documents

Publication Publication Date Title
Amari A universal theorem on learning curves
CN109754078B (zh) 用于优化神经网络的方法
US11816183B2 (en) Methods and systems for mining minority-class data samples for training a neural network
CN107247961B (zh) 一种应用模糊轨迹序列的轨迹预测方法
CN113221905B (zh) 基于均匀聚类的语义分割的无监督域适应方法、装置、系统和存储介质
Zhang et al. An improved fuzzy c-means clustering algorithm based on shadowed sets and PSO
CN115096590A (zh) 一种基于iwoa-elm的滚动轴承故障诊断方法
CN112784954A (zh) 确定神经网络的方法和装置
CN112068088A (zh) 一种基于优化bp神经网络的雷达辐射源威胁评估方法
WO2015088780A1 (en) Noise-enhanced clustering and competitive learning
Gonzalez-Carrasco et al. Dealing with limited data in ballistic impact scenarios: an empirical comparison of different neural network approaches
CN111178504B (zh) 基于深度神经网络的鲁棒压缩模型的信息处理方法及系统
Bodyanskiy et al. Self-learning cascade spiking neural network for fuzzy clustering based on group method of data handling
CN115358305A (zh) 一种基于边界样本迭代生成的增量学习鲁棒性提升方法
Liu et al. FOX-NAS: Fast, on-device and explainable neural architecture search
CN109272036B (zh) 一种基于深度残差网络的随机蕨目标跟踪方法
Zhang et al. RUFP: Reinitializing unimportant filters for soft pruning
CN114708479A (zh) 一种基于图结构和特征的自适应防御方法
Monika et al. DI-ANN clustering algorithm for pruning in MLP neural network
Guo et al. Pulsar candidate identification with artificial intelligence techniques
Chen et al. A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification
CN117114053A (zh) 基于结构搜索和知识蒸馏的卷积神经网络模型压缩方法和装置
CN109344995B (zh) 一种基于密度峰值聚类的混沌时间序列多步预测方法
Yamada et al. Weight Features for Predicting Future Model Performance of Deep Neural Networks.
CN116304144A (zh) 基于对抗神经网络结构搜索的图像处理方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination