• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于主成分分析和神經(jīng)網(wǎng)絡(luò)的目標識別*

    2012-01-01 05:51:06陳新來
    現(xiàn)代防御技術(shù) 2012年2期
    關(guān)鍵詞:隱層貢獻率戰(zhàn)場

    陳新來

    (海軍蚌埠士官學(xué)校,安徽蚌埠 233012)

    0 引言

    戰(zhàn)爭條件下,目標屬性信息的獲取具有很大的不確定性,更使得海戰(zhàn)場目標的識別面臨很大的困難。能否對目標進行準確快速識別關(guān)系到戰(zhàn)場的勝負,各國都致力于目標識別技術(shù)的研究。目前采用的目標識別方法主要有基于隸屬度和D-S理論的目標識別[1-3]、基于貝葉斯網(wǎng)絡(luò)的目標識別[4]、模糊聚類和模糊模式識別[5]、圖像融合的目標識別[6]和一些智能方法[7-8]等。這些方法綜合運用目標的物理特征和戰(zhàn)術(shù)特征對目標進行識別將可以提高對目標類型識別的準確性和科學(xué)性,但同時也增加了指標的復(fù)雜性和綜合分析的難度。隨著傳感器技術(shù)的發(fā)展使海戰(zhàn)場可以獲得的目標信息空前廣泛,涉及運動特征、電磁特征、聲響特征、影像特征等各個方面,將傳感器得到的信息全部用于對目標的識別,冗余信息的加入使得識別復(fù)雜性增加,識別速度大大減慢,無關(guān)信息的加入甚至?xí)鼓繕俗R別中出現(xiàn)較多的誤判。而海戰(zhàn)場態(tài)勢分析對目標的識別速度與準確度要求是很高的。

    可以將統(tǒng)計分析與神經(jīng)網(wǎng)絡(luò)結(jié)合起來,首先運用多元統(tǒng)計分析中的主成分分析法對海上目標的多項指標進行綜合聚集,將海上目標繁雜的高維價值指標濃縮為互不相關(guān)的低維指標來處理,借助神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力強,而且有一定的泛化能力的特點,能夠?qū)ξ丛跇颖局谐霈F(xiàn)的目標進行正確識別。提高識別速度和準確度。

    1 基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的海戰(zhàn)場目標識別

    1.1 主成分分析用于屬性聚集

    主成分分析(principal component analysis,PCA)是一種通過降維技術(shù)把多個變量化為少數(shù)幾個主成分(即綜合變量)的統(tǒng)計分析方法。這些主成分能夠反映原始變量的絕大部分信息,它們通常表示為原始變量的某種線性組合。主成分分析的一般目的是變量的降維和主成分的解釋。海戰(zhàn)場目標識別中采用主成分分析法進行屬性聚集的步驟如下:

    Step 1: 計算相關(guān)系數(shù)矩陣

    式中:R 為實對稱矩陣;rij(i,j=1,2,…,p)為原變量xi與xj之間的相關(guān)系數(shù)。

    Step 2: 計算特征值與特征向量

    Step 3: 計算主成分貢獻率及累計貢獻率

    主成分zi的貢獻率為

    累計貢獻率為

    一般累計貢獻率達85% ~95%的特征值λ1,λ2,…,λm所對應(yīng)的第一、第二,…,第 m(m≤p)個主成分。

    1.2 基于BP神經(jīng)網(wǎng)絡(luò)的海戰(zhàn)場目標識別

    人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)在神經(jīng)解剖學(xué)、神經(jīng)生理學(xué)以及神經(jīng)元的電生理過程等研究基礎(chǔ)上,借助數(shù)學(xué)和物理方法從信息處理的角度對人腦神經(jīng)網(wǎng)絡(luò)進行抽象,建立簡化模型[9-10]。在模式識別/分類中BP網(wǎng)絡(luò)應(yīng)用最廣泛,是前饋網(wǎng)絡(luò)的核心。用于海上目標識別的BP神經(jīng)網(wǎng)絡(luò)設(shè)計方法如下。

    Step 1: 確定網(wǎng)絡(luò)層數(shù)

    BP神經(jīng)網(wǎng)絡(luò)可以包含不同的隱層,理論上已經(jīng)證明,在模式樣本相對較少的情況下,較少的隱層節(jié)點,可以實現(xiàn)模式樣本空間的超平面劃分,此時選擇兩層BP網(wǎng)絡(luò)就可以了;當模式樣本數(shù)很多時,減小網(wǎng)絡(luò)規(guī)模增加一個隱層是必要的,但BP網(wǎng)絡(luò)隱層數(shù)一般不超過兩層。采用主成分分析法與BP神經(jīng)網(wǎng)絡(luò)進行識別時采用兩層BP網(wǎng)絡(luò)。

    Step 2: 確定輸入層與輸出層節(jié)點數(shù)

    輸入層節(jié)點數(shù)等于輸入矢量的維數(shù)即主成分數(shù)。輸出層節(jié)點數(shù)為待分類模式總數(shù),此時對應(yīng)第j個待分類模式的輸出為

    即第j個節(jié)點輸出為1,其余輸出均為0。而以輸出全為0表示拒識,即所輸入的模式不屬于待分類模式中任何一種模式。

    Step 3: 隱層節(jié)點數(shù)

    對于一個具有無限隱層節(jié)點的兩層BP網(wǎng)絡(luò)可以實現(xiàn)任意從輸入到輸出的非線性映射。但對于有限個輸入模式到輸出模式的映射,并不需要無限個隱層節(jié)點。對于模式識別/分類的BP網(wǎng)絡(luò),根據(jù)經(jīng)驗可以參照如下公式進行設(shè)計:

    式中:n為隱層節(jié)點數(shù);ni為輸入節(jié)點數(shù);n0為輸出節(jié)點數(shù);a為1~10之間的常數(shù)。

    Step 4: 傳輸函數(shù)

    BP網(wǎng)絡(luò)中傳輸函數(shù)通常采用S(sigmoid)型函數(shù):

    采用BP網(wǎng)絡(luò)進行模式識別,一般采用S型函數(shù)。因此在進行海戰(zhàn)目標識別時,采用S型函數(shù)作為神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)。

    Step 5: 訓(xùn)練方法

    BP網(wǎng)絡(luò)學(xué)習(xí)方法很多,這些方法具有自己的特點。理論和實踐證明將彈性BP算法(resilient back-PROPagation,RPROP)進行訓(xùn)練應(yīng)用于模式識別時,其速度是最快的[11-12]。同時,為了提高 BP 網(wǎng)絡(luò)的泛化能力,采用提高BP網(wǎng)絡(luò)泛化能力的策略。進行海上目標識別采用RPROP算法進行訓(xùn)練以提高網(wǎng)絡(luò)收斂速度和識別效率,同時采用提前終止法提高網(wǎng)絡(luò)的泛化能力。

    將各主成分的得分作為神經(jīng)網(wǎng)絡(luò)的輸入進行訓(xùn)練,各種優(yōu)化策略的采用使得算法具有較高的收斂速度和泛化能力。然后用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對已知樣本和未知樣本進行識別來測試算法的有效性。

    2 海戰(zhàn)場識別屬性的確定及目標類型的劃分

    海戰(zhàn)場用于目標識別的技術(shù)手段主要有雷達、ESM、光電傳感器和雷達成像技術(shù)[11]。綜合利用這些傳感器可以得到關(guān)于戰(zhàn)場目標的多種信息。由這些傳感器得到的海戰(zhàn)場目標的屬性主要包括:巡航速度、雷達反射面積、編隊數(shù)量、電磁特性、發(fā)現(xiàn)距離、航跡類型等。選取這些特性作為識別屬性,將這些屬性標準化后用于海上目標的識別。

    通過對海戰(zhàn)場目標的特性分析,將海戰(zhàn)場目標分為以下四類:

    I類:該類目標為航母、巡洋艦。屬于大型目標。

    II類:該類目標為驅(qū)逐艦、護衛(wèi)艦。是各國海軍主要作戰(zhàn)艦艇。

    III類:該類目標為巡邏艇、快艇。這類目標大都運動速度快,機動性強。

    IV類:該類目標為偵察船、測量船、商船、漁船等。這類目標對我威脅度較小,一般運動較慢,航跡較固定。

    3 算例仿真

    根據(jù)以往的資料積累可以得到一些目標屬性及目標識別結(jié)果,如表1所示。

    將樣本數(shù)據(jù)標準化(歸一法)后采用主成分分析法計算相關(guān)系數(shù)矩陣的特征值與貢獻率,如表2所示。

    表1 目標識別樣本Table 1 Sample of target recognition

    表2 相關(guān)系數(shù)矩陣的特征值及貢獻率Table 2 Eigenvalue of the correlation coefficient matrix

    將各屬性貢獻率與累計貢獻率表示為圖1,2。

    若取累計貢獻率閾值δ=0.85,則有3個主成分,得分矩陣為S。

    用得分矩陣訓(xùn)練建立好的BP神經(jīng)網(wǎng)絡(luò),得到誤差下降曲線和目標識別結(jié)果如圖3,4。

    對訓(xùn)練結(jié)束后的網(wǎng)絡(luò)進行測試,可以對樣本進行100%準確率的識別。對新發(fā)現(xiàn)的目標進行識別結(jié)果如表3所示。

    圖3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差下降曲線Fig.3 Curve of error descending

    圖4 測試樣本識別正確度Fig.4 Testing of the arithmetic

    將基于主成分分析法和神經(jīng)網(wǎng)絡(luò)的目標識別算法與沒有經(jīng)過屬性聚集后作為輸入的神經(jīng)網(wǎng)絡(luò)識別算法進行對比。神經(jīng)網(wǎng)絡(luò)在相同訓(xùn)練算法和優(yōu)化策略下,2種網(wǎng)絡(luò)同時訓(xùn)練50次。沒有經(jīng)過屬性聚集的神經(jīng)網(wǎng)誤差下降曲線和目標識別結(jié)果分別如圖5,6 所示。

    表3 目標識別測試Table 3 Target recognition testing

    雖然對樣本經(jīng)過了主成分分析法和神經(jīng)網(wǎng)絡(luò)的2次計算,但由于主成分分析法去除了對識別貢獻率小的屬性,使識別維度大大降低,加快了神經(jīng)網(wǎng)絡(luò)的收斂速度,而主成分分析法的算法相對簡單。仿真結(jié)果表明,經(jīng)過2次運算,計算時間度并無大的改變。同時由于這些時間僅在神經(jīng)網(wǎng)絡(luò)訓(xùn)練期間產(chǎn)生,而不會影響到識別階段,因此,該方法在時間復(fù)雜度上具有一定的優(yōu)勢。

    4 結(jié)束語

    采用基于主成分分析和神經(jīng)網(wǎng)絡(luò)的海戰(zhàn)場目標識別方法能夠?qū)⒍囗椬R別屬性進行綜合聚集,各種優(yōu)化策略的使用使神經(jīng)網(wǎng)絡(luò)具有較快的收斂速度和很高泛化能力。主成分分析與神經(jīng)網(wǎng)絡(luò)的結(jié)合既能減少識別屬性,有效利用多項識別指標又能具有較快的識別速度和很強的自學(xué)能力,并具有一定的泛化能力。這種識別方法非常適合戰(zhàn)場條件下目標屬性不易獲取或獲取不完全的情況,可以有效的對海戰(zhàn)場目標進行識別。最后通過對比仿真試驗證明了該方法的有效性。

    [1] 牛鵬飛,王晟達,馬健.基于隸屬度和D-S理論的雷達目標識別方法[J].微計算機信息,2007,23(11):218-220.

    [2] 姚欽,肖明清.基于證據(jù)理論的交互式目標識別算法[J].系統(tǒng)工程與電子技術(shù),2005,27(27):592-596.

    [3] 李玉榕,蔣靜坪,楊富文.基于神經(jīng)網(wǎng)絡(luò)的D-S證據(jù)理論應(yīng)用于多傳感器目標識別[J].儀器儀表學(xué)報,2001,22(6):652-655.

    [4] 肖秦琨.基于貝葉斯網(wǎng)絡(luò)的海上目標識別[J].微機發(fā)展,2005,15(10):152-154.

    [5] 眭志方,張冰,朱志宇,等.模糊聚類和模糊模式識別在目標識別中的應(yīng)用[J].電光與控制,2007,14(4):35-38.

    [6] 劉松濤,周曉東,楊紹清.圖像融合系統(tǒng)研究現(xiàn)狀[J].電光與控制,2007,14(5):14-18.

    [7] BRYANT A,BRYANT J.Recognizing Shapes in Planar Binary Imagers Pattern Recognition[C]∥ Proc.Int.Comput.Symp.,1989:155-164.

    [8] 李飚,李吉成,沈振康.一種基于神經(jīng)網(wǎng)絡(luò)的紅外目標識別方法[J].系統(tǒng)工程與電子技術(shù),1999,21(2):39-47.

    [9] 朱大奇,史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京:科學(xué)出版社,2006.

    [10] MAGALI R,MEIRELES G,PAULO E,et al.Comprehensive Review for Industrial Applicability of Artificial Neural Networks[J].IEEE Trans on Industrial Electronics,2003,50(3):585-601.

    [11] GEVREY M,DIMOPOULOS I,LEK S,et al.Review and Comparison of Methods to Study the Contribution of Variables in Artificial Neural Network models[J].Ecological Modelling,2003,160(1):249-264.

    [12] 王強,胡維平,胡建平,等.基于幾何不變性和BP網(wǎng)絡(luò)的二維目標識別算法[J].北京航空航天大學(xué)學(xué)報,2001,27(4):413-416.

    猜你喜歡
    隱層貢獻率戰(zhàn)場
    戰(zhàn)場上的神來之筆
    C-130:戰(zhàn)場多面手
    一種通用的裝備體系貢獻率評估框架
    貼秋膘還有三秒到達戰(zhàn)場
    意林(2020年20期)2020-11-06 04:06:14
    基于RDPSO結(jié)構(gòu)優(yōu)化的三隱層BP神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測模型及應(yīng)用
    人民珠江(2019年4期)2019-04-20 02:32:00
    關(guān)于裝備體系貢獻率研究的幾點思考
    В первой половине 2016 года вклад потребления в рост китайской экономики достиг 73,4 процента
    中亞信息(2016年10期)2016-02-13 02:32:45
    基于近似結(jié)構(gòu)風險的ELM隱層節(jié)點數(shù)優(yōu)化
    計算機工程(2014年9期)2014-06-06 10:46:47
    最優(yōu)隱層BP神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷
    BP神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)確定方法
    荃湾区| 台南市| 汽车| 芦溪县| 禄丰县| 黔南| 光山县| 出国| 吉水县| 山东| 房产| 张家界市| 军事| 锡林浩特市| 甘孜县| 蛟河市| 富宁县| 青州市| 桃江县| 健康| 通许县| 镇宁| 威远县| 寿光市| 长寿区| 威宁| 海阳市| 岳阳县| 宿州市| 大荔县| 海门市| 武平县| 松原市| 岑巩县| 岑溪市| 兰考县| 大名县| 浏阳市| 乌鲁木齐市| 巨鹿县| 闵行区|