基于模糊邏輯控制的目標(biāo)識別技術(shù)研究.pdf

1、模糊邏輯控制系統(tǒng)是由模糊器、規(guī)則、模糊推理引擎、解模糊器四個主要模塊構(gòu)成的智能化學(xué)習(xí)系統(tǒng)。在工程問題中，將模糊邏輯系統(tǒng)的判決與學(xué)習(xí)能力與目標(biāo)識別結(jié)合起來，使得接收到的原始數(shù)據(jù)中更多的關(guān)聯(lián)信息能夠被充分利用起來，能夠提高對于目標(biāo)類型和參數(shù)的識別能力。在大數(shù)據(jù)的背景下，模糊邏輯控制與識別的融合，將會產(chǎn)生更多的研究方向和新的技術(shù)，而現(xiàn)有的文獻(xiàn)報道和應(yīng)用案例中對這一方面的研究較少。本文針對兩種典型的識別問題設(shè)計相應(yīng)的兩種模糊邏輯系統(tǒng)，分別進行目

2、標(biāo)識別和參數(shù)識別的應(yīng)用基礎(chǔ)研究問題，主要工作包括：
　　1.本文首先介紹了兩類主要的模糊集合及其運算性質(zhì)，以及兩類模糊邏輯系統(tǒng)的設(shè)計。包括一型與二型模糊集合的定義與運算，相同集合與不同集合之間的融合計算等。在此基礎(chǔ)上討論一型和二型模糊邏輯系統(tǒng)的框架，及其各部分模塊的設(shè)計與邏輯關(guān)系表達(dá)。針對二型模糊邏輯系統(tǒng)，從理論研究和工程實際的角度出發(fā)，進一步探討了區(qū)間二型模糊邏輯系統(tǒng)。
　　2.本文然后針對空中目標(biāo)的寬帶雷達(dá)目標(biāo)高分辨率一

3、維距離像，采用一型模糊邏輯控制系統(tǒng)進行識別。該模型針對不同種類的空中目標(biāo)的一維距離像下所提取的兩類特征進行融合。首先根據(jù)目標(biāo)本身的特點，基于專家經(jīng)驗進行分類，然后在分類的基礎(chǔ)上采用兩種不同類型的隸屬函數(shù)建立模糊器，并根據(jù)專家經(jīng)驗設(shè)計模糊規(guī)則和解模糊器。將待測試的兩種基于一維距離像的特征數(shù)據(jù)輸入預(yù)先分類兩種不同的的模糊集中，經(jīng)過模糊化、基于規(guī)則的推理、解模糊幾個步驟輸出識判別的目標(biāo)類型。本文進一步分析了在不同的信噪比和虛警概率條件下的模糊

4、邏輯控制系統(tǒng)對目標(biāo)正確識別的性能變化。
　　3.在研究了一型模糊邏輯系統(tǒng)的基礎(chǔ)上，進一步研究了處理高不確定度的二型模糊邏輯系統(tǒng)，并將兩種模糊邏輯系統(tǒng)進行了比較。這一部分將兩種模糊邏輯系統(tǒng)應(yīng)用于超寬帶雷達(dá)獲取的實測回波數(shù)據(jù)以識別兩類土壤的不同體積含水量值。首先采集砂土和裸土兩類不同的土壤不同的含水量下的超寬帶雷達(dá)回波。經(jīng)過數(shù)據(jù)預(yù)處理后，將多次雷達(dá)回波拼接起來構(gòu)成準(zhǔn)周期信號用于進行時序建模，并在該模型基礎(chǔ)上分別采用了一型和二型模糊邏輯

5、控制系統(tǒng)進行時序預(yù)測學(xué)習(xí)訓(xùn)練。訓(xùn)練中分別采用了后向傳播算法和修正的K-M算法進行迭代，當(dāng)實測和預(yù)測回波的均方根誤差收斂到固定門限時，提取對應(yīng)的隸屬函數(shù)參數(shù)，以獲得不同種類不同含水量的土壤模板。然后采用模板匹配的原理對待識別回波進行同等處理，識別其相應(yīng)的體積含水量，并比較兩種模糊邏輯系統(tǒng)在兩種不同的準(zhǔn)則下的正確識別性能。
　　通過對上述兩種模糊邏輯系統(tǒng)的研究發(fā)現(xiàn)：
　　(1)在對空中目標(biāo)的識別中，對比兩種不同的模糊器的隸屬函數(shù)

6、設(shè)計，在不同的虛警概率條件下，對于F-15和AH-64，采用三角形和梯形隸屬函數(shù)組合的識別率優(yōu)于高斯型隸屬函數(shù)，而Tu-16則情況相反。因此，如何設(shè)計模糊邏輯系統(tǒng)受到了目標(biāo)特征和經(jīng)驗知識的影響。
　　(2)在對土壤的含水量參數(shù)識別中，兩種模糊邏輯系統(tǒng)的時序預(yù)測都實現(xiàn)了收斂，并且經(jīng)過多次迭代后獲得了一型二型模糊集合對應(yīng)的隸屬函數(shù)系數(shù)的參數(shù)模板。識別結(jié)果顯示二型模糊邏輯系統(tǒng)相比于一型模糊邏輯系統(tǒng)而言識別性能更優(yōu)，這是由于融合了背景噪聲