空间点目标识别的模糊神经网络应用研究

doi:10.3778/j.issn.1002-8331.2009.32.075

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (32): 244-248.DOI: 10.3778/j.issn.1002-8331.2009.32.075

• 工程与应用 • 上一篇

空间点目标识别的模糊神经网络应用研究

郑俊生¹，张继红²

1.东软信息学院计算机科学与技术系，辽宁大连 116023
2.大连交通大学理学院，辽宁大连 116028

收稿日期:2008-06-23 修回日期:2008-10-08 出版日期:2009-11-11 发布日期:2009-11-11
通讯作者: 郑俊生

Research on spatial point target recognition using Fuzzy Neural Network

ZHENG Jun-sheng¹，ZHANG Ji-hong²

1.Department of Computer Science，Neusoft Institute of Information，Dalian，Liaoning 116023，China
2.Department of Science，Dalian Jiaotong University，Dalian，Liaoning 116028，China

Received:2008-06-23 Revised:2008-10-08 Online:2009-11-11 Published:2009-11-11
Contact: ZHENG Jun-sheng

摘要/Abstract

摘要： 首先对空间目标辐射特性进行了研究，指出了用空间目标在3个不同波段的辐射通量作为特征向量进行目标识别。然后研究了进化模糊神经网络（EFuNN）和动态进化神经模糊推理系统（DENFIS），最后用EFuNN和DENFIS进行了仿真实验，并且与BP神经网络、遗传算法以及遗传-神经算法进行了比较。仿真结果表明EFuNN尤其是DENFIS具有较好的学习能力和泛化能力，较大地提高了目标识别率，能够较好地进行空间点目标的识别。

关键词: 模糊神经网络, 进化模糊神经网络, 动态进化神经模糊推理系统

Abstract: Radiometric characteristics for spacial target are discussed.And irradiances at three different wave bands of spacial target are taken as eigenvector for target recognition.Then，EFuNN and DENFIS are presented for spacial point target recognition.At last numerical experiment based on EFuNN and DENFIS is presented.It is demonstrated that EFuNN，especially DENFIS can effectively learn complex temporal sequences in an adaptive way and outperform some existing models.

Key words: Fuzzy Neural Networks（FNN）, Evolving Fuzzy Neural Network（EFuNN）, Dynamic Evolving Neural-Fuzzy Inference System（DENFIS）

中图分类号:

TP311

郑俊生¹，张继红². 空间点目标识别的模糊神经网络应用研究[J]. 计算机工程与应用, 2009, 45(32): 244-248.

ZHENG Jun-sheng¹，ZHANG Ji-hong². Research on spatial point target recognition using Fuzzy Neural Network[J]. Computer Engineering and Applications, 2009, 45(32): 244-248.

[1]	周非，罗晓勇，刘云萍. 基于概率模型的实时修正IMM目标跟踪算法[J]. 计算机工程与应用, 2020, 56(21): 85-92.
[2]	彭越兮1，徐蔚鸿1，2，陈沅涛1，马宏华3. 改进量子粒子群算法的模糊神经网络水质评价[J]. 计算机工程与应用, 2018, 54(11): 211-216.
[3]	张楠，南敬昌，高明明. 基于分组混沌PSO算法的模糊神经网络建模研究[J]. 计算机工程与应用, 2017, 53(9): 31-37.
[4]	南敬昌，周丹，高明明. 基于自适应模糊神经网络的功放预失真新方法[J]. 计算机工程与应用, 2016, 52(7): 96-100.
[5]	孟劦1，胡亚洲2,陈晓2. 基于自适应模糊神经网络控制器的网络控制系统[J]. 计算机工程与应用, 2015, 51(18): 90-93.
[6]	刘国荣1，2，钟庭欢1. 一种基于FNN的感应电机定子电阻辨识建模方法[J]. 计算机工程与应用, 2015, 51(18): 233-238.
[7]	侯越，赵贺. 改进的粒子群算法优化TSFNN的交通流预测[J]. 计算机工程与应用, 2014, 50(4): 236-239.
[8]	周晔，余隋怀，初建杰. 基于DFNN的语义驱动色彩智能设计研究[J]. 计算机工程与应用, 2014, 50(3): 145-149.
[9]	刘亮，徐蔚鸿. 模糊Hopfield网络的收敛性与鲁棒性分析[J]. 计算机工程与应用, 2014, 50(23): 73-76.
[10]	冯文洁1，李万莉2，嘉红霞3. 模糊神经网络变幅液压系统故障诊断[J]. 计算机工程与应用, 2014, 50(11): 241-245.
[11]	汪群芳，谭满春，郑珍. 混合时滞非恒同模糊神经网络的同步控制[J]. 计算机工程与应用, 2013, 49(8): 63-66.
[12]	黄胜忠1，黄天开1，2. 基于优化模糊神经网络的CPI趋向预测[J]. 计算机工程与应用, 2012, 48(4): 176-178.
[13]	高培1，赵鑫1，王士同2. 基于有效神经元的自组织模糊神经网络算法[J]. 计算机工程与应用, 2012, 48(35): 50-56.
[14]	张梅. 一种基于模糊神经网络的语音端点检测方法[J]. 计算机工程与应用, 2012, 48(16): 133-135.
[15]	李雷霆，张宗益. 科技企业人才孵化效率的S-FNN评价研究及应用[J]. 计算机工程与应用, 2012, 48(1): 16-20.

空间点目标识别的模糊神经网络应用研究

Research on spatial point target recognition using Fuzzy Neural Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics