1、“.....在国内外直受到重视并取得了些进展。在目标识别中，特征量的提取起着关键的作用，能否提取反应目标本质的特征量直接关系到识别分类的性能。对于水中兵器而言，能够及时发现目标并迅速作出反应是非常重要的。为了实现这功能，选择合理的目标特征量是关键的步，国内外研究人员在该向基函数神经网络结构径向基函数神经网络般由个隐层和个输出层构成，对任输入样本，每个隐节点计算个核函数，所有核函数的加权和构成网络的输出，核函数的核和宽度通过对样本的训练获得。只有当输入样本落入与隐节点相连的输入权矢量的定区域内才能使该隐节点的核函数产生较大输出。图所示即为径向基函数神经网络结构示意图。样本的特征矢量从隐层输入，隐节点的核函数基于日神经网络的水声目标分类论文原稿较，判断隐层对新样本的类内匹配能力和类间分离能力。若且式中，为归入第个节点的样本数。如果返回......”。

2、“.....基于日神经网络的水声目标分类论文原稿。这样就得到目标舰船总声源级线谱频率舰船辐射噪声线谱分为两类频率固定的线譜和频率变化的线谱。舰船辅机产生的线谱分量与舰船的航速无关，通常相当稳目标进行吨位大小的识别分类的特征量。当航速增加到使螺旋桨产生空化时，推进系统和螺旋桨产生的线谱幅度增加，并向高频移动，可作为对目标舰船进行吨位大小识别的特征量。研究证明，通过对调幅的空化噪声进行解调可以获得螺旋桨的轴频线谱。对于轴频线谱的提取采用文献中提出的复解析小波变换算法，详细计算过程可参考相关文献。学习过程如下设置初始隐节点数和隐层初始少的特征量。径向基函数神经网络径向基函数神经网络结构径向基函数神经网络般由个隐层和个输出层构成，对任输入样本，每个隐节点计算个核函数，所有核函数的加权和构成网络的输出，核函数的核和宽度通过对样本的训练获得......”。

3、“.....图所示即为径向基函数神经网络结构示意图。样本的特摘要目标识别分类是水声信号处理的个重要研究方向。本文以舰船辐射总声源级与舰船螺旋桨轴频作为特征量，设计径向基函数神经网络作为分类器，经实测数据验证，该算法在减少数据计算量的同时，对于舰船吨位大小的识别达到较好的效果。关键词神经网络水声信号处理识别分类目标识别分类是水中兵器研究的个重要方向，在国内外直受到重视并取得了些进展。在目标识别中，特征量船的总声源级与螺旋桨轴频频率作为特征量，利用网络对目标舰船识别分类，可以实现对类舰船吨位大小的识别分类，并且算法简单，运行时间也短。参考文献赵琪基于多物理场特征的舰船目标识别技术研究哈尔滨哈尔滨工业大学，陆阳基于支持向量机的水中目标识别技术研究西安西北工业大学......”。

4、“.....陈振红外舰输出神经元数量由于设计的分类器输入是目标舰船的总声源级和轴频频率两个特征量，则输入神经元数量同时分类器是对潜艇大型水面舰船与小型水面舰船类目标进行分类，则输出神经元数量。确定隐节点数量隐节点数量的确定，采用的自适应增加隐节点的方法。由于输出神经元数量，所以初始化隐节点数量。确定类内匹配系数将学习样本按舰船类型分成类，利用公式计算每类贝表示。声学中心是船内或船外的个点，当在远处进行测量时，噪声好象是从这个点辐射出来的样。实际上，测量辐射噪声时，必须和辐射船离开定的距离，再对波阵面扩展作适当的修正，折算到米处。规定声源级是赫兹带宽内，并以微帕为参考级，因而，辐射噪声的声源级就是相对于微帕参考级的谱级。基于日神经网络的水声目标分类论文原稿。输出层参数训练对于输出层的参单，运行时间也短......”。

5、“.....陆阳基于支持向量机的水中目标识别技术研究西安西北工业大学，吴俊基于高分辫图像的舰船目标分类识别研究杭州浙江大学，陈振红外舰船检测与目标识别方法研究哈尔滨哈尔滨工程大学，张羽基于云计算的舰船目标图像识别广州华南理工大学，洪申译水声原理，哈基于日神经网络的水声目标分类论文原稿检测与目标识别方法研究哈尔滨哈尔滨工程大学，张羽基于云计算的舰船目标图像识别广州华南理工大学，洪申译水声原理，哈尔滨哈尔滨船舶工程学院出版社侯铁双基于解析小波变换的信号包络检测西安邮电学院学报，。的识别效果，利用神经网络对上述样本进行识别，结果如表。表是两种网络运算速度的对比。对比与网络的识别结果，可以看出网络对于检验样本的总体识别率为，网络对检验样本的总体识别率为，可以看出网络的识别效果要好于网络的识别效果。另外，从表可以看出，网络的训练时间和检验时间都少于网络......”。

6、“.....以舰船声信号来验证所设计的分类器的分类效果。将舰船声信号样本划分成两类训练样本和检验样本，类舰船的训练样本数量分别是类舰船检验样本数量分别是，噪声总声源级和螺旋桨轴频作为径向基神经网络的输入特征量。最终分类结果如表。为了比较的识别效果，利用神经网络对上述样本进行识别，结果如表。表是两种网络运算速度的对比。对比与网络的识别结样本对应的径向基函数。类内匹配系数按以下方法确定确定类间分离度系数的计算方法类似于舰船类型识别分类结果利用实測舰船声信号来验证所设计的分类器的分类效果。将舰船声信号样本划分成两类训练样本和检验样本，类舰船的训练样本数量分别是类舰船检验样本数量分别是，噪声总声源级和螺旋桨轴频作为径向基神经网络的输入特征量。最终分类结果如表。为了比较数采用算法进行训练，具体过程如下初始化连接权......”。

7、“.....直到系数调整结束为止。径向基函数神经网络在识别舰船时的参数确定径向基函数神经网络是层网络，只要隐节点数量足够，就可以逼近任何多元连续函数。所以网络的设计，就是确定隐节点数量以及各个隐节点的参数和输出权系数。确定输尔滨哈尔滨船舶工程学院出版社侯铁双基于解析小波变换的信号包络检测西安邮电学院学报，。舰船宽带总声源级声源级表示舰船辐射声功率的大小，定义为在目标方向上离目标舰船的声学中心米处的辐射声强度，与均方根声压为微帕的平面波强度之比，以果，可以看出网络对于检验样本的总体识别率为，网络对检验样本的总体识别率为，可以看出网络的识别效果要好于网络的识别效果。另外，从表可以看出，网络的训练时间和检验时间都少于网络。总结实验结果表明，以舰船的总声源级与螺旋桨轴频频率作为特征量，利用网络对目标舰船识别分类，可以实现对类舰船吨位大小的识别分类......”。

8、“.....则输出神经元数量。确定隐节点数量隐节点数量的确定，采用的自适应增加隐节点的方法。由于输出神经元数量，所以初始化隐节点数量。确定类内匹配系数将学习样本按舰船类型分成类，利用公式计算每类样本对应的径向基函数。类内匹配系数按以下方法确定确定类间分离度系数的计算方法类似于舰船类型识别分类结果利用实測领域提出了多种方法。但是这些方法的共同特点就是选取的目标特征量维数较高，在识别分类环节难以做到实时处理，所以有必要寻找更能反映目标类别维数更少的特征量。基于日神经网络的水声目标分类论文原稿。输出层参数训练对于输出层的参数采用算法进行训练，具体过程如下初始化连接权，利用样本训练对计算隐层输出计算输出层输出计算输出层误差调整权系通常采用高斯函数，即式中，为第个隐节点输出......”。

9、“.....摘要目标识别分类是水声信号处理的个重要研究方向。本文以舰船辐射总声源级与舰船螺旋桨轴频作为特征量，设计径向基函数神经网络作为分类器，经实测数据验证，该算法在减少数据计算量的同时，对于舰船吨位大小的识别达定。因此，不能作为对目标进行吨位大小的识别分类的特征量。当航速增加到使螺旋桨产生空化时，推进系统和螺旋桨产生的线谱幅度增加，并向高频移动，可作为对目标舰船进行吨位大小识别的特征量。研究证明，通过对调幅的空化噪声进行解调可以获得螺旋桨的轴频线谱。对于轴频线谱的提取采用文献中提出的复解析小波变换算法，详细计算过程可参考相关文献。径向基函数神经网络权值。考虑到类目标的信号至少应该有个特征区域，所以设置初始隐节点数等于待识别的目标类数，并从各类训练样本中各取个样本作为对应个隐节点的初始权值，记录每个节点对应的类别和归入每节点的样本数......”。