數(shù)據(jù)融合中基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別方法研究.pdf

1、本文在綜述目標(biāo)識別、神經(jīng)網(wǎng)絡(luò)目標(biāo)識別方法后，重點研究了神經(jīng)網(wǎng)絡(luò)目標(biāo)識別問題。在特征量測向量已知的條件下，應(yīng)用神經(jīng)網(wǎng)絡(luò)對目標(biāo)進(jìn)行識別。首先，提出了利用徑向基神經(jīng)網(wǎng)絡(luò)對多個目標(biāo)進(jìn)行識別的方法，針對傳統(tǒng)徑向基神經(jīng)網(wǎng)絡(luò)模型算法的不足，提出了改進(jìn)學(xué)習(xí)算法，并將新算法用于目標(biāo)的識別，通過仿真比較了新算法與傳統(tǒng)的徑向基神經(jīng)網(wǎng)絡(luò)算法的優(yōu)劣；其次，研究了基于自組織神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別，針對自組織神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的不足，提出了改進(jìn)方法，通過仿真說明了新算法的

2、可行性，并針對目標(biāo)樣本重疊時新算法的誤識率較大的缺點，進(jìn)一步采用LVQ網(wǎng)絡(luò)與新算法相結(jié)合的方法對目標(biāo)進(jìn)行識別，仿真結(jié)果表明LVQ網(wǎng)絡(luò)與新算法相結(jié)合有效地提高了目標(biāo)的識別率；最后研究了基于遺傳算法的神經(jīng)網(wǎng)絡(luò)目標(biāo)識別方法，針對傳統(tǒng)遺傳算法的缺點，進(jìn)行了改進(jìn)，通過兩個測試函數(shù)將改進(jìn)后的遺傳算法與傳統(tǒng)的遺傳算法的進(jìn)化次數(shù)作了比較，同時，為了克服傳統(tǒng)遺傳算法尋優(yōu)搜索過程帶有一定程度的盲從性和隨機(jī)性，將有監(jiān)督學(xué)習(xí)的BP算法與之結(jié)合，并將此算法應(yīng)用于