+

神经网络在各个行业中的应用实例和解决应用 对你有很大帮助

      align=justify>BSB是一个并行结构，信息的存储与处理合二为一，它比以串行为特征、信息的存储与处理互不相关的传统方法优越得多，分选效果明显提高，是一种很有吸引的分选识别方法。</P>
      <P align=justify>3. BP模型应用于信号分选和识别</P>
      <P 
      align=justify>BP(Back-Propagation)算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐单元逐层处理，并传向输出层且每一层神经元的状态只影响下一层神经元的状态；如果在输出层不能得于期望的输出，则输入反向传播将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小。</P>
      <P 
      align=justify>BP这种采用最小均方差学习公式的多层映射网络，是目前使用最广泛的网络，它是一种异联想网络，同样可以用来进行特征的识别。首先要用有关的雷达参数进行训练，训练好的网络可以识别出输入信号的类别。</P>
      <P align=justify>三、神经网络在自适应</P>
      <P align=justify>信号处理中的应用</P>
      <P align=justify>1.自适应滤波</P>
      <P 
      align=justify>Hopfield网络虽然可以在电路常数量级内求解复杂的优化问题，但存在编程复杂的问题，而且只能给出局部最优解，不能给出全局最优解。产生编程复杂性的一个重要原因是Hopfield网络的输出稳定值是两个状态的离散值，然而实际问题的解通常是模拟量。若采用线性规划神经网络就可输出连续变化的模拟量，但这种网络可能会产生不稳定。通过对其不稳定性的分析，找出了使该网络保持稳定(即适当地选择约束放大器和信号放大器的形式和具体参数)的方法，这种网络可以在几百微微秒数量级内求解自适应滤波器的最佳权系数和自适应谱估计的模型参数，所得结果与准确解可以任意接近，而不存在任何编程复杂性问题，又能给出所需的真正全局最优解，因此在自适应信号处理中有很好的应用前景。</P>
      <P align=justify>2.自适应噪声和干扰对消</P>
      <P 
      align=justify>自适应噪声和干扰对消是自适应处理领域的一个重要内容，利用改进的BP神经网络，效果甚为明显。BP网络由于引入了隐层单元，网络能够实现各种内部判决；在输出层可以实现波形识别，BP网络这种结构与波形识别特征表明，对于各种各样噪声和干扰的需要波形特征，从而可以实现噪声和干扰的对消。根据ADALINE(自适应线性神经元)，构适一种新的自适应噪声和干扰的对消系统，它是一个二层感知器。这种二层感知器网络能够实现单频干扰和窄带噪声的良好对消，且性能优于ADALINE网络。</P>
      <P align=justify>3.自适应波束形成</P>
      <P 
      align=justify>神经网络自适应波束形成技术除具有自适应波束形成的优点外，还具有降低天线制造及维护成本的潜力。神经网络自适应波束形成器主要包括预处理，人工神经网络及后处理。</P>
      <P 
      align=justify>预处理部分能修正并简化神经波束形成器的原数据以使得网络易于学习。虽然神经网络可以用原始数据来训练，但是为了产生更好的特征以及能强调高阶趋向，所形成的网络通常比用经过变换后的数据来训练的网络大，越大则意味着该网络在串行计算机上的模拟会越慢。因此，对于好的网络性能，精巧的预处理是非常必要的。</P>
      <P 
      align=justify>神经网络自适应波束形成器的关键是神经网络结构的选择。由于径向基函数可在理论上构造任何连续函数，所以选择其作为网络的结构。对于连续函数的建模来说，径向基函数及经典的后向传播结构均可作为导入神经网络结构。但由于径向基函数网络较后向传播结构小而且训练速度快，所以选择径向基函数作波束形成器的神经网络结构较好。</P>
      <P 
      align=justify>后处理部分用于处理输出节点能量以产生所需的网络信息。对于信号检测及测向来说，需要所探测目标的角位置且具有某种可信度。在噪声情况下，还需避免虚警。在后处理期间，应检验输出节点的能量以确定目标的存在、准确位置及相关的可信度。后处理首先寻找输出节点中能量集中的输出节点，通过计算相邻各输出节点对的差来发现能量集中的点。在这一步由正至负的过门信号可以认为是目标源。</P>
      <P align=justify>4.自适应波形选择</P>
      <P 
      align=justify>用神经网络进行自适应波形选择的方法是通过利用多层神经网络快速导出CARPET(计算机辅助雷达评定工具)函数来估计预测的雷达性能，然后传输网络按序排列预测的雷达性能与波形参数的函数关系，最后利用模拟处理技术导出波形参数的最佳集，从而达到自适应选择波形的目的。</P>
      <P align=justify>此外，神经网络还可应用于自适应阵列信号处理和自适应编码等多种自适应信号处理领域。</P>
      <P align=justify>四、神经网络在雷达对抗与反对抗中的其它应用</P>
      <P align=justify>1.识别反辐射导弹(ARM)</P>
      <P 
      align=justify>对抗ARM的方法很多，其中采取ARM告警措施是一个重要的抗ARM的方法，是采用其它诸如启动诱偏、关机及空中硬拦截等抗ARM措施的前提。告警装置有一个重要任务是从大量回波中识别出来袭的ARM。识别技术包括两个方面的内容，首先要从复杂的电子对抗环境中提取出能反映ARM本质的特征量，然后根据这些特征量，使用有效的智能识别方法把ARM识别出来。</P>
      <P align=justify>　</P>
      <P 
      align=justify>诸如许多目标识别技术一样，识别ARM可以采用高分辨雷达及一些新体制雷达来完成，但雷达成本高且有的尚处于理论探索阶段。因此，目前用得较多的是采用低分辨相参雷达来实现：首先提取ARM的运动特征量(速度及加速度特征量、弹机分离特征、距离变化特征量、S/N变化特征量等)，自身电磁散射特征量(位置特征参数、散布特征参数、分布特征参数等)和极化特征量(极化散射矩阵行列式、目标功率散射矩阵的迹、去极化系数)等，然后利用神经网络来识别ARM。</P>
      <P 
      align=justify>例如采用双层双向联想记忆器(BAM)能识别ARM。BAM能存储双极性或二值模式对，其学习算法是基于Hebb规则，它的工作过程分为训练与联想二个阶段。此网络有一定的容错性，但其容量是有限的，在存储模式对时受到一定的限制。改进型BAM神经网络是在双层BAM神经网络基础上增加一层U，形成三层BAM，它对任何存储向量都有收敛的轨迹，与双层BAM相比大大提高了存储容量，因此在模式较多时，具有较强的抗噪声能力，但由于增加了一层隐含层，因而增加了网络的复杂性。</P>
      <P 
      align=justify>2.低角跟踪为了解决低角跟踪问题，人们进行了大量的研究，许多高分辨力的阵列信号处理技术因此得到了发展，但也有许多技术均未能获得满意的低角跟踪性能。然而，将径向基函数神经网络用于低角目标跟踪具有下列优势：即使在恶劣的背景(病态环境)下，也能进行精确的多变量逼近；能以线性方法估计出径向基函数网络的最优权值。因此，它比其它神经网络结构，如BP多层网络具有快得多的收敛速度。径向基函数网络与多路径综合模型联系起来能用于实现比较好的跟踪性能。这些改进是因用非线性代替了线性模型而获得的。所进行的估计径向基函数网络性能的计算机仿真表明：在低噪声比条件下，径向基函数网络能高精度地低角跟踪固定目标和运动目标。</P>
      <P align=justify>3.恒虚警处理</P>
      <P 
      align=justify>无论是参量恒虚警处理，还是非参量恒虚警处理，其实质是实现一个映射。由于BP神经网非线性映射的特性，用一三层BP网络来实现雷达接收机信号的非线性交换，使接收的雷达信号成为与杂波统计参量无关的变量，将此变量与门限比较，达到恒虚警处理的目的。</P>
      <P 
      align=justify>对于不同统计特性的杂波背景，完成恒虚警处理的非线性映射也随之不同，表现在BP网络上就是神经元的阀值不同。将所需的杂波统计模型作为训练样本，根据BP算法训练BP网络，实现所需的非线性映射，达到虚警率恒定。由于BP网络具有强的容错能力，即使在输入杂波的统计特性与训练样本的统计特性不一致时，也会得到较好的恒虚警性能，这给神经网应用于恒虚警处理提供了一个广阔的前景。</P>
      <P align=justify>4.三层神经网络用于方位估计及其精度改进</P>
      <P 
      align=justify>在雷达对抗中，对入射源的方位进行估计是一个重要的课题。将三层神经网络用于谱估计，证明比FFT更优越，这种网络抑制旁瓣而不展宽主瓣；恒定只作两级运算而不论输入信号样本数有多少；输入样本数无需为2的幂；内部通路即使有25%被截断也可得出正确输出结果。</P>
      <P 
      align=justify>谱估计为一对输出神经元代表一个频率，方位估计为一个输出神经元代表一个角度。最大响应的神经元θ<SUB>m</SUB>确实精确代表了入射角度。可利用θ<SUB>m</SUB>近旁两节点θ<SUB>m</SUB>-Δθ(所取的角度量化值)和θ<SUB>m</SUB>+Δθ之响应的不平衡性改进估计精度，据此对估计公式作修改，从而可使估计误差获得很大的改进。</P>
      <P align=justify>5.末制导雷达抗干扰自动管理</P>
      <P 
      align=justify>随着导弹抗干扰技术的发展，抗干扰措施的自动管理显得越来越重要。利用联想记忆网络对所有的干扰情况均能作出正确响应，实现了对干扰样式的自动判别，判别结果送到逻辑控制网络，启动相应的抗干扰电路，就能实现对末制导雷达抗干扰措施的准确、快速的自动管理，满足实战要求。</P>
      <P align=justify>6.探测隐身飞机</P>
      <P 
      align=justify>美国正在研制一种用于隐身飞机及小目标探测的神经网络系统，这种系统的探测距离为30公里。由于各种复杂的应用环境及大量要求处理的数据问题，使得采用传统的方法难以处理这一问题，因此只能通过应用神经网络来解决。</P>
      <P align=justify>7.抗人为窄带干扰</P>
      <P 
      align=justify>美国Rensselaer工学院利用神经网络去抗人为窄带干扰，它采用BP感知神经网络在存在外来窄带干扰和强白噪声情况下检测宽带信号。这种非线性神经网络不仅在抗干扰能力、比特差错率上优于LMS自适应滤波器，而且在收敛速度和整体性能上也比LMS 
      Midow-Heff滤波器好。</P>
      <P 
      align=justify>此外，美国HNC公司成功地实现了用神经网络作为纠错分组码及卷积码的译码器，可在雷达对抗环境中进行训练，使其适应外来干扰的情况，并能增加编码增益，很有应用价值。</FONT></P></TD></TR></TBODY></TABLE></CENTER></DIV></BODY></HTML>