下载文档原格式
基于神经网络的船舶水下目标探测算法研究近年来，随着深度学习和神经网络技术的发展，越来越多的领域开始探索使用神经网络解决具体问题。
其中，水下目标探测也成为了神经网络应用的领域之一。
在船舶领域中，基于神经网络的水下目标探测算法已经取得了不俗的成果。
一、问题背景水下目标探测一直是船舶工作中的重要环节，特别是在深海勘探、海洋资源调查、军事侦察等领域。
而传统的水下目标探测方法，往往需要借助大量的人力和物力，而且效率低下。
为了提高水下目标探测的效率，船舶工程领域开始尝试利用神经网络技术解决这一问题。
二、神经网络应用在船舶领域中，神经网络主要应用于水下目标的识别和分类。
水下目标可以是各种设施、生物和物理现象等，其特征参数多样性较大，这给水下目标探测带来了一定的难度。
神经网络通过对大量数据的学习，可以在一定程度上解决这种多样性问题。
此外，神经网络的“自学习”和“自适应”特点，也可以使得探测算法更加精准和高效。
三、水下目标特征参数的提取在使用神经网络进行水下目标识别和分类之前，需要先提取出水下目标的特征参数。
常见的特征参数包括水下目标的尺度、形状、纹理、颜色等。
在提取特征参数的过程中，可以使用较为成熟的计算机视觉技术，例如对象检测、轮廓提取、纹理分析等。
四、神经网络模型的设计神经网络模型的设计是水下目标探测算法的关键环节。
在设计模型时，需要考虑多个方面的因素，例如哪些特征参数对目标分类起到了决定性作用、网络结构的选择、训练集和测试集的划分与后期维护等。
在设计模型时，需要基于具体的研究问题和数据集考虑多种方案，并综合考虑各种因素，找到一个能够较好地解决具体问题的模型。
五、模型训练与优化完成神经网络模型的设计后，需要使用大量的数据来进行训练。
在训练的过程中，需要给定神经网络的初始权重和偏置参数，然后通过反向传播算法来进行网络参数的训练。
训练过程中，需要反复调试神经网络参数，直到达到预期的性能指标。
此外，为了提高神经网络的泛化能力，需要进行数据扩增和正则化操作等。
基于神经网络的船舶动态定位与通信技术研究近年来，随着各国经济和科技的发展，海洋运输业获得了快速发展。
船舶定位和通信技术的发展成为了海洋运输业的关键支撑。
目前，基于神经网络的船舶动态定位和通信技术已经成为了一种热门的研究方向，本文将对这一领域进行深入探讨。
一、神经网络在船舶动态定位中的应用船舶动态定位是指根据不同环境、条件下的船舶状况进行动态位置的确定，并实时跟踪船舶，在运输安全和调度中发挥着重要作用。
神经网络技术是一种模拟神经元的计算方式。
利用神经网络算法，可以建立复杂的数学模型，从而实现对船舶动态定位的精确、实时计算。
1.1 神经网络模型建立神经网络模型是船舶动态定位中的核心，其所建立的模型会直接影响到船舶位置的精度和准确性。
目前，神经网络模型主要有三种建立方式：（1）基于BP神经网络的模型BP神经网络结构简单、容易理解，适用于多输入、单输出的动态定位问题。
它通过反向传播算法不断调整权值和偏置，训练网络整体误差，从而不断优化网络的预测精度。
（2）基于RBF神经网络的模型RBF是一种基于径向函数的神经网络，其具有快速收敛、可逆性等优点，适用于小样本数据集的定位问题。
RBF神经网络适合于逼近未知的多变函数并进行预测。
（3）基于FNN神经网络的模型FNN神经网络由多个BP网络组成，能够进行并行计算和预测，适用于大量数据和高精度的动态定位问题。
FNN神经网络需要较长的训练时间和更高的运算能力，但其预测精度更高，适用于复杂环境下的动态定位。
1.2 神经网络模型调参神经网络模型在实际应用中，需要通过调整各层之间节点数、权值、偏置项等参数，以达到更高的预测精度。
模型调参需要遵循以下原则：（1）模型中节点数过多或过少，均会导致模型预测精度下降。
（2）权值和偏置项的调整需要进行多次迭代，以达到更优参数。
（3）训练集和测试集需要充分考虑，以避免模型过拟合或欠拟合。
二、神经网络在船舶通信中的应用船舶通信指的是在摩擦剧烈的海面和复杂的海上环境中，船舶与其他船只或地面通信站之间进行信息交互。
基于神经网络的潜艇大机动水动力表达方式潜艇的大机动水动力表达是指描述潜艇在水下的加速、转向等运动时所产生的水动力现象。
这些现象对潜艇的稳定性和操纵性有着至关重要的影响。
为了建立精确的潜艇水动力模型，可以利用神经网络技术进行表达。
神经网络是一种模仿人脑神经网络结构和功能的计算模型。
它由大量的处理单元组成，能够自适应地学习并从中提取规律，具有强大的表达和预测能力。
在潜艇大机动水动力表达中，可以使用神经网络模型来对水动力系数进行拟合和预测。
具体而言，可以利用实验数据构建一个神经网络模型，通过对输入的潜艇姿态、速度、舵角等参数进行学习，得到输出的水动力系数。
这些系数包括阻力系数、升力系数、横向力系数等，用于描述潜艇在水下受到的各种水动力力量。
为了提高预测精度，可以采用多层神经网络结构，加入隐藏层进行中间特征的提取和转换。
同时，可以利用反向传播算法进行训练，使得神经网络不断优化并逐渐趋近于最优预测模型。
除了使用实验数据进行神经网络训练外，还可以采用CFD数值模拟方法，将潜艇在水下的运动过程划分成若干个时间步，利用有限体积法等数值方法求解雷诺平均Navier-Stokes方程，得到潜艇在不同运动状态下的水动力系数，并利用神经网络拟合这些数据，得到预测模型。
利用神经网络对潜艇大机动水动力进行表达不仅可以提高预测精度，使潜艇模型更加真实可信，还可以在设计阶段中为潜艇的船体结构、控制系统等方面提供重要的信息。
在未来，随着神经网络技术的不断发展，相信潜艇大机动水动力的表达和预测将更加准确和高效。
数据分析是基于数据的收集、整理、分析和展示，从数据中挖掘出有价值的信息和知识。
在现代数据化的社会中，数据分析应用广泛，涉及到商业、医疗、科学研究等各个领域。
以下是一个数据分析案例，分析了某公司的销售数据。
数据收集某公司是一家销售服装的企业，为了更好地掌握市场需求，公司在一年内收集了销售数据，包括销售额、销售量、单价、成本、利润等。
潜艇航向神经网络控制系统研究的开题报告
概述
潜艇是一种在水下操作的舰艇，具有隐蔽性和攻击性等特点。
潜艇航向控制系统是潜艇船体控制系统的重要组成部分，对潜艇航行的稳定性和精度起着至关重要的作用。
本文旨在探究潜艇航向控制系统的现状和问题，并提出一种基于神经网络的控制系统。
研究目的
潜艇在水下航行时，由于水流的影响、气压的变化等因素的影响，航行过程的环境十分复杂。
为了保证潜艇的安全航行和精确到达目的地，需要探索一种可靠的潜艇航向控制方法。
神经网络是一种能够模拟大脑运作方式的智能算法，具有极高的适应性和学习能力，因此构建一种基于神经网络的潜艇航向控制系统是本文的研究目的。
研究内容
1. 潜艇航向控制系统的现状和问题分析：分析潜艇航向控制系统的组成和特点，探讨现有控制方法的优缺点及存在的问题。
2. 神经网络在控制系统中的应用研究：介绍神经网络的基本原理和类型，分析其在航向控制系统中的应用价值和优势。
3. 基于神经网络的潜艇航向控制系统设计：根据潜艇航行过程中的特点和神经网络的学习能力，设计一种基于神经网络的潜艇航向控制系统，并进行仿真实验验证方法的可行性和有效性。
4. 系统优化和性能评价：对设计完成的神经网络控制系统进行调优和优化，评估系统的控制性能和鲁棒性。
研究意义
本文的研究对完善潜艇航向控制系统、提高潜艇航行精度和安全性具有一定的参考意义。
同时，采用神经网络算法构建控制系统也将对控制领域的研究提供新的思路和方法，具有推广应用的价值。
基于神经网络的潜艇大机动水动力表达方式周志刚;黄建伟;董根金【摘要】In this paper, the BP neural network is used to build the submarine's hydrodynamics model at high angles of attack.The model is extremely nonlinear,and the net is trained based on few experiment data.The research shows that, the Bayesian regularization algorithm is reasonable to describe the system.The net is set to learn recurrently to improve itself.The submarine's hydrodynamics predicted by the BP network model shows good agreement with the experiment data.%基于BP 神经网络技术对潜艇大攻角机动运动水动力的表达方式进行了研究.所建网络具有循环强化以及自适应设计最佳隐层单元数的特点.应用Bayesian正则化算法进行网络训练,结果表明,这种方法训练的网络具有较高的泛化能力和准确性,适合于表达样本数据较少且非线性强烈的潜艇大攻角机动运动水动力.【期刊名称】《舰船科学技术》【年(卷),期】2011(033)005【总页数】5页(P28-32)【关键词】大攻角水动力;BP神经网络;Bayesian正则化法【作者】周志刚;黄建伟;董根金【作者单位】武汉第二船舶设计研究所,湖北武汉430064;武汉第二船舶设计研究所,湖北武汉430064;武汉第二船舶设计研究所,湖北武汉430064【正文语种】中文【中图分类】U674.940 引言潜艇在应急上浮过程中，容易出现大攻角运动状态。
基于RBF神经网络的无人水面舰艇自适应控制夏俊【摘要】研究了一个3自由度(DOF)无人水面舰艇的轨迹追踪控制问题,具有不确定性的动力学模型和不可预测的外部扰动使其数学模型很难被精确获得.提出了利用径向基函数神经网络的设计,通过反推的方式,设计了一个稳定的自适应神经网络控制器,达到设定轨迹控制和所有信号有界的目标.通过李雅普诺夫稳定定律证明了该未知系统的稳定性.仿真结果证实了该控制的有效性.【期刊名称】《机械制造与自动化》【年(卷),期】2019(048)003【总页数】4页(P185-188)【关键词】自适应神经网络控制;径向基函数;无人水面舰艇;设定规矩追踪;障碍李雅普诺夫【作者】夏俊【作者单位】华南理工大学电力学院,广东广州510640【正文语种】中文【中图分类】TP1830 引言水上无人舰艇(USV)是一种机器人，可以用来减少人工开支，增加操作的准确性。
相比水上有人载具而言，USV对海洋环境更为友好。
在过去的几十年，大量的水上无人舰艇用在搜索、军事、环境、探索、监控领域。
这些USV的成功应用得益于控制理论和智能学习领域[1-2] 的发展。
为了成功完成无人舰艇的工作任务，研究人员在很多相关领域的技术上进行了大量研究，比如轨迹追踪，障碍躲避等。
而轨迹追踪始终是其中最重要的一个研究热点。
现在仍然存在着很多的挑战。
例如，在复杂和不可预知的工作环境中可能会产生的洋流等外界干扰。
此外，由于高度非线性和时变的性质，大多数USV精确动力学模型用目前的建模技术很难获得。
针对稳定跟踪问题，很多研究人员已经提出了自己的方法[3-5] 。
文献[6] 提出了一种全局平滑时变控制律。
文献[7] 研究了一种新的滑膜控制律并且在对水上无人舰艇的控制上达到了令人满意的效果。
在上述的文献中，这些控制器的设计都是基于准确的模型，而对于像船模型这种会遭受类似于洋流海浪这样具有不确定性的外部扰动的非线性和时变系统来说，用传统建模方法得到系统的准确模型是非常困难的。
基于神经网络的船只轨迹预测技术研究第一章绪论1.1 研究背景航海是举世瞩目的一项人类活动，其重要性不仅体现在国家的安全防卫、经济发展、科技创新等多个领域，也关系到全球的大气、海洋及生态环境等。
然而，在复杂的海洋环境下，船只安全受到多种因素的制约，其中最核心的问题之一就是如何准确预测船只的轨迹，以便更好地保障航海安全和减少船舶与沙洲、礁石等物体碰撞的风险。
1.2 研究意义基于神经网络的船只轨迹预测技术是当前船只轨迹预测领域的研究热点之一，对于提高船只轨迹预测的准确性、稳定性，增强航海安全保障能力和减少事故率等方面都具有积极的意义和重要的应用价值。
第二章相关技术研究2.1 船只轨迹预测技术综述在船只轨迹预测技术的研究领域，目前主要采用的方法是基于贝叶斯网络、支持向量机、粒子群优化、遗传算法和神经网络等算法，但是在实际应用过程中，这些方法存在着各自的局限性和不足。
其中，基于神经网络的船只轨迹预测技术在识别和提取轨迹模式方面显得尤为优秀，取得了一定的研究成果和应用实际效果。
2.2 神经网络模型及其优化方法神经网络采用模仿生物神经系统的方式，对于复杂的非线性问题有着较强的学习和拟合能力，在船只轨迹预测领域得到了广泛的应用。
基于神经网络的船只轨迹预测方法的核心是训练一个准确、鲁棒性强的模型，模型的好坏和训练数据质量有着直接的关系。
因此，基于神经网络的船只轨迹预测技术中，优化神经网络结构、特征嵌入、数据集选择和正则化等技术能够提高训练模型的精度和泛化性能。
第三章船只轨迹数据分析3.1 数据采集船只轨迹预测技术对于数据的准确性和全面性要求较高，因此在进行轨迹数据采集时，要对数据来源区域、数据采集频率、数据处理方式等内容进行分析和设计，以保证数据的可用性和精度。
3.2 数据清洗轨迹数据的清洗是一项重要的工作，其目的是为了清除数据采集中的噪声、异常值和缺失值等，使数据更好地贴合实际情况。
在数据清洗中，要对船只状态、位置、速度、方向等信息进行统计分析，确定数据过滤和清洗的方案，并针对特殊情况进行定制处理。
基于人工神经网络的船舶船速预测技术研究近年来，随着海洋经济的发展，海上运输逐渐成为了一个重要的议题。
而在船舶运输中，追踪和预测船舶航速是一项重要的技术。
而基于人工神经网络的船舶航速预测技术因为其精度高，应用范围广等特点，逐渐成为了热门的研究方向。
一、人工神经网络的概念人工神经网络（Artificial Neural Network，ANN）是一种模仿人脑神经元网络结构与功能的数学模型，是一种广泛应用于数据挖掘、模式识别、预测等领域的计算机算法。
采用ANN不需要了解具体的运动机理，从而大大降低了预测难度和工作量。
目前，在许多领域，如金融、医药、环境、气象等，都采用了ANN进行数据分析、预测和优化。
二、船舶航速预测技术在海运行业中，对于海上船舶的运行情况进行预测是非常必要的。
而船舶的航速预测技术则是其中的一个关键技术。
船舶航速预测是指通过运用各种方法和手段，预测出某个时刻的船舶航速情况，以便更好地指导船舶的运营、管理以及节约能源等。
传统的船舶航速预测方法往往基于数学模型，这种方法的优点是实现简单，但不具备足够的精度。
而基于人工神经网络的船舶航速预测技术，则具有更高的准确度和灵活性。
该技术可以通过对海浪、潮汐、风力等多种因素的数据进行分析，建立一个更为准确完备的预测模型。
三、基于人工神经网络的船舶航速预测方法基于人工神经网络的船舶航速预测方法是通过对于船舶运行一段时期内的各种因素进行收集和记录，然后将其输入到神经网络中进行训练和学习，从而建立船舶航速预测模型。
这种方法具有以下基本步骤：1. 数据的采集与处理首先需要收集与处理出各种船舶航速数据，包括海浪、潮汐、风力等各种气象因素数据，并对其进行分类、统计和分析。
2. 神经网络的选择与搭建根据采集到的数据，将选取适当的神经网络结构，确定神经元数量、层数、激励函数、权值连接方式等参数，进行神经网络的搭建和训练。
3. 模型的测试和评估建立的神经网络模型需要进行测试和评估，可以将模型应用于实际数据，通过对比模型输出和实际结果，检验和调整模型的准确性和鲁棒性。
基于循环神经网络时序模型的舰船状态预测船舶安全一直是海运业的一个重要关注点，船舶状态的预测对于确保航线的顺利和安全很关键。
在这个数字化的时代里，人们开始更加关注使用机器学习算法来辅助船舶状态的预测。
本文将会介绍使用循环神经网络（RNN）时序模型来进行基于时间序列的船舶状态预测。
一、什么是循环神经网络循环神经网络（RNN）是一类神经网络，它可以处理序列化数据。
相对于标准的前馈神经网络，RNN可以在处理序列化数据时保持记忆。
在传统的神经网络中，所有输入数据之间都是相互独立的。
而在循环神经网络中，时序模型之间存在依赖关系，当前的状态是由之前的状态以及当前的输入所组合而成。
RNN通过保持状态，使得整个模型可以记住之前看到的信息并把它们带到下一个状态的计算中。
这种记忆性使RNN非常适合处理序列化的数据。
二、船舶状态预测船舶状态包括船速、船向、船位等。
这些状态取决于许多因素，如风速、海浪、船的载重量等。
船舶状态预测可以为船舶运营提供有价值的信息。
例如，如果预测到航速将降低，则可以调整行程计划；如果预测到船的位置将靠近海岸线，则可以采取措施以确保船的安全。
三、基于循环神经网络的船舶状态预测模型RNN模型可以轻松处理时间序列数据，其前向传播可以看作是对当前状态的预测。
船舶状态预测模型可以看作是对未来状态的预测。
模型的训练数据通过从现有数据中提取时间序列数据，识别出船舶状态之间的复杂依赖关系。
模型参数通过反向传播算法优化，使得输出值与实际值的误差最小化。
在RNN模型中，每个时间步长中的输入数据将向前传递到下一时间步。
这意味着模型可以利用过去的信息来进行预测，并且可以在不同的时间点上学习这些信息。
这种记忆性允许模型掌握随着时间推移而变化的船舶状态之间的复杂依赖关系，生成合理的预测结果。
四、循环神经网络的应用循环神经网络已经在多个领域得到了广泛应用。
例如，它们已经成功地应用于图像字幕生成、自然语言处理、预测金融市场走势和股票价格。
收稿日期:2007208209 修回日期:2007210220 作者简介:孟范栋(19822 ),男,山东德州人,硕士研究生,主要研究方向:潜艇作战运筹分析。
文章编号:100220640(2008)1020110203径向基神经网络在潜艇战场态势判断中的应用孟范栋,黄文斌,李 斌(海军潜艇学院,山东 青岛 266071) 摘 要:潜艇的战场态势判断是潜艇作战中的重要环节。
一般情况下,对于战场态势是基于指挥员经验而判断的,其准确性不好,较强地依赖于战场指挥员的战术素养。
由于不同潜艇战场态势决定不同目标的方位序列,提出了一种利用概率型径向基神经网络的方法,并通过目标方位序列与目标态势的一一对应关系,进行战场态势的判断。
结果表明该方法具有较好的识别能力。
关键词:方位序列,态势判断,神经网络,径向基中图分类号:TN 973 文献标识码:AThe Application of PNN i n the Situation Esti m ate of Sub mar i neM EN G Fan 2dong ,HUAN G W en 2b in ,L IB in(N avy S ub m arine A cad e m y ,Q ing d ao 266071,Ch ina ) Abstract :the battlefield situati on esti m ate is the i m po rtan t facto r in the subm arine w ar 1Comm on ly ,the esti m ate of battlefield situati on is based on the comm anders’experiences ,no t accu rate 1B ecau se differen t battlefield situati on decides differen t target azi m u th sequence ,the new m ethod of battlefield sit 2uati on is p u t fo r w ard ,u sing the p robab ilistic neu ral netw o rk w h ich is very fit to character recogn iti on 1R esu lts show that the m ethod has better recogn iti on capab ility 1Key words :azi m u th sequence ,situati on esti m ate ,neu ral netw o rk ,radial 2basis引 言神经网络具有并行处理和大规模平行计算的能力,既是高度非线性动力学系统,又是自适应组织系统,可用来描述认知、决策及控制的智能行为。
它的中心问题是智能的认知和模拟,能高度逼近非线性系统并对不确定问题具有自适应能力。
径向基神经网络实际上是一个高维空间中的曲面拟合(逼近)的问题,这里的拟合准则是在某种统计意义上的最佳拟合。
本文利用特别适合于模式识别的概率型径向基神经网络进行态势判断,结果表明具有较好的识别能力。
1 目标方位变化规律目标方位的变化不但取决于目标本身运动参数的变化,而且依赖于潜艇与目标之间的相对运动;不但和潜艇与目标的航向变化有关,还相关于潜艇和目标的相对速度及距离。
在潜艇进行机动的前提下,目标相对于潜艇的舷角、速度和距离对应唯一的目标方位序列。
反之可得,在已知潜艇机动模式的前提下,目标的方位序列唯一对应目标相对于本艇的舷角、速度和距离,即可以通过目标的方位序列反演得到目标的战场态势。
潜艇的战场态势判断不仅仅是一个数字问题,还是一个和战术紧密结合的问题。
根据可能的战术背景,将战场态势划分为27种情况。
设定航向变化为3个等级,由于航向和目标舷角有关,可以确定目标舷角为大、中、小3个档次,其中心值分别为75°、V o l .33,N o.10O ctober,2008火力与指挥控制F ire Contro l and Comm and Contro l第33卷 第10期2008年10月45°和15°;设定初始距离为3个等级,即大、中、小距离,其中心值分别为108链、83链和58链;设定速度变化为3个等级,即高、中、低三个档次,其中心值分别为15节,25节,35节。
航向、距离、速度不同值之间的组合可以得到27个灰类。
将在潜艇某种特定机动模式下仿真得到的27种目标的方位序列作为神经网络的输入,将目标的27种战场态势作为神经网络的输出,建立神经网络,通过计算得到的标准样本集对网络进行训练,将通过声纳测得的目标方位序列输入训练好的神经网络即可以得出目标的战场态势。
本文采用适用于模式分类的概率型径向基神经网络。
2 径向基函数神经网络径向基函数神经网络是以函数逼近理论为基础的一类前向网络。
在逼近能力、分类能力和学习速度等方面径向基函数神经网络都优于传统反向传播神经网络。
211 径向基函数神经网络概述1985年POW ELL提出多变量插值的径向基函数(R adial2B asis Functi on RB F)方法。
1988年BROOM H EAD和LOW E首先将RB F应用于神经网络设计,构成径向基函数神经网络,即RB F神经网络。
RB F神经网络的基本思想是:用RB F作为隐单元的“基”构成隐含层空间,隐含层对输入矢量进行变换,将低维的模式输入数据变换到高维空间内,使得在低维空间内的线性不可分问题在高维空间内线性可分。
它的潜在合理性来自模式可分性的Cover 定理。
该定理定性地表述为:将复杂的模式分类问题非线性地投射到高维空间比投射到低维空间更可能是线性可分的。
212 径向基函数神经网络模型从结构上看,RB F神经网络属于多层前向神经网络。
它是一种3层前向网络,输入层由信号源节点组成;第2层为隐含层,隐单元的个数由所描述的问题而定,隐单元的变换函数是对中心点径向对称且衰减的非负非线性函数;第3层为输出层,它对输入模式作出响应径向基网络模型。
径向基网络的输入层有M个神经元,其中任一神经元用m表示;隐层有N个神经元任一神经元用i 表示,Υ(X,X i)为基函数,它是第i个隐单元的激励;输出层有J个神经元,其中任一神经元用j表示,隐层与输出层突触权值用w ij(i=1,2,…,N;j=1,2,…,J)表示,输出单元还设置了阈值<0,通过令隐含层的一个神经元的输出恒为1、而令输出单元与其相连的权值为w0j实现。
设训练样本有P个训练样本集X=[X1,X2,…, X P],其中任一训练样本X k=[x k1,x k2,…,x k M],k=1,2,…,P对应的实际输出为Y k=[y k1,y k2,…,y kJ],期望输出为:d k=[d k1,d k2,…,d kJ],k=1,2,…,J当网络输入训练样本X k时网络第j个输出神经元的实际输出为:y k j(X k)=w0j+∑Ni=1w ijΥ(X k,t i),j=1,2,…,J(1)径向基函数神经元传递函数有各种各样的形式,最常用的是高斯函数,其形式如下:Υ(X k,t i)=exp-12Ρ2i∑Mm=1(x km-t i m)2(2)其中t i=[t i1,t i2,…,t i m]为高斯函数中心,Ρi为高斯函数的方差。
径向基函数神经网络输出层为线性层,其权值的学习可以用最小均方误差(LM S)算法。
213 概率型径向基神经网络PNNPNN网络主要用于模式分类的问题研究。
它具有一个径向基隐层和一个线性输出层。
径向基层神经元数目为输入样本的个数。
首先,计算输入向量与径向基函数中心的距离,第1层的输出表示输入向量与径向基函数中心的接近程度;第2层线性输出层的神经元数目等于输入向量类别的数目,它将与输入向量相关的所有类别综合在一起,网络输出为表示概率的向量;最后通过竞争传递函数进行取舍,完成对输入向量的分类。
概率神经网络的特点是人为调节的参数少,只有一个阈值(通过SPR EAD来调节)。
网络的学习基本依赖于样本数据,而且学习速度极快,是分类的一种理想的手段和工具。
3 实验及结果311 样本数据的建立设本艇的航向变化规律为:在前3m in时,航向为0°;从第3m in开始,航向开始由0°变为90°;从第210s开始,航向为90°;本艇转向时的角速度为3° s。
设每隔一秒测得一次目标方位,得到27种目标战场态势的方位序列,每个方位序列包括390个方位值,如下页图1～图3所示。
・111・孟范栋,等:径向基神经网络在潜艇战场态势判断中的应用(总第33-1481) 图1 速度为10时的目标方位序列图2 速度为25时的目标方位序列图3 速度为40时的目标方位序列312 数据的预处理为使网络具有较好的分类效果,需要对原始数据进行归一化处理。
采用下式对目标方位序列进行归一化处理:x ′ij =x ij -m in im in jx ijm ax im ax jx ij -m in im in jx ij313 网络结构的建立与训练网络的各个参数如下:①输人层共有390个单元,其中前180个单元输入是潜艇以0°航向进行机动时测得到目标方位序列值;中间30个单元为潜艇以3° s 进行旋回时测得的目标方位值;后180个单元为潜艇以90°航向进行机动时得到的目标方位序列值。
②输人层到隐含层的连接权值为729×390的单位矩阵,729为样本长度。
分别以27种态势为中心,对三个参数以中心点向左向右间隔一定步长各取一个值。
以第一种目标态势(即小距离、小舷角、低速)为例,其中心点为40链、15°、10节,分别取距离为35链,40链,45链,舷角为14°,15°,16°,速度为8节,10节,12节,得到27种目标方位序列,作为第一种目标态势的输入样本。
以此类推,共得到27×27组数据做为输入样本。
③隐含层中的每个径向基映射函数均采用Υ(X k ,t i )=exp -12Ρ2i ∑Mm =1(x km -t i m )2阈值取值为01833。
④输出层有27个神经元,等于网络需要识别的目标战场态势的种类。
⑤隐含层到输出层的连接权值为27×729的矩阵,该权值矩阵可以根据每种态势下事先设定的目标值和输人样本时的实际输出值,可采用传统的LM S 算法进行调整。
314 结果分析目标的速度为35节,航向为100°,初始距离为50链计算得到的相应的方位序列,加入均方差Ρ为110°的高斯白噪声得到新序列Β,如图4所示。
