基于模糊神经网络的武器控制系统信号分析

某新型飞机武器控制系统故障诊断过程复杂,故障征兆和故障原因之间存在着许多不确定因素,精确定位故障存在许多困难.针对这种情况,提出了基于模糊神经网络,研究了模糊神经网络技术在武器控制系统故障诊断领域的应用,并根据系统本身的特点,提出了诊断和算法模型.在此基础上,研制出武器控制系统检查仪,对该方法作了验证.结果表明:该方法是可行和有效的.     

基于BP神经网络法的军队服务采购供应商评价

BP神经网络法是一种模拟生物神经学习能力、记忆能力和信息加工能力的计算机方法。基于BP神经网络的军队服务采购供应商评价,其指标体系能较好地体现服务采购的特点和规律,BP神经网络模型则有效地映射了军队服务采购供应商评价指标与结果之间的非线性关系,同时能够实现仿真训练与结果检验。     

关系数据库中的属性约简

文中给出了一个函数依赖概念的推广,证明了它与知识发现领域中的许多重要概念都有密切的联系,并应用它得到了知识发现领域属性约简的一个有效完备的多项式算法.     

具有人工智能的武器故障诊断专家系统

一、概述 专家系统、模式识别、智能机器人目前被并列为人工智能技术中最活跃的三个领域。专家系统应用于某些特定的专业领域,它能够综合专家广泛的经验及所处理问题的专门知识,形成知识规则,使得对某专业不很熟悉的人员,通过专家系统,获得进行推理的能力与所需的知识,能够像专家那样解决问题,或从事类似于专家的工作。     

基于模糊神经网络的陀螺温控系统故障诊断

针对故障诊断知识具有模糊性的特点,在基本前向神经网络的基础上,提出了一种适用于挠性陀螺温控系统的串形结构多层前向模糊神经网络(FNN)的故障诊断方法,并给出了网络的结构和学习方法。仿真结果表明,将模糊理论和神经网络方法结合在一起,可以准确地对陀螺温控系统进行故障诊断,证明了该方法行之有效。     

结合规则知识与神经网络于空袭武器的辅助选择

结合规则推理与神经网络,提出了一种新的空袭武器辅助选择方法。其根据空袭武器选择的基本原则以及问题的特点,构造T-S模糊逻辑系统及其实现的相应神经网络模型,然后通过已有的战例与试验例子训练神经网络,并对问题进行求解,得出空袭武器选择提供依据(一种量化的武器适用度)。另外,还利用专家提供的规则知识于学习实例的预处理,学习实例信息的扩充。     

基于遗传BP神经网络的装甲装备器材需求预测

装甲装备器材保障具有规模大、时间紧、消耗大、不确定因素多、决策难度大等特点。准确的需求预测是实施主动的、精细化的器材保障的重要前提条件。利用BP神经网络较强自学习能力和自适应能力对器材需求规律进行学习,并借助遗传算法提高BP神经网络的收敛速度,设计了一种基于遗传算法改进的BP神经网络模型预测方法,对装甲装备器材进行需求预测。通过实例计算表明,该方法比单纯BP神经网络方法具有预测精度高、收敛速度快的优点。     

基于PSO优化小波神经网络的无人机动力系统故障诊断模型

针对传统小波神经网络对无人机动力系统的故障信号降噪和识别能力差以及网络收敛速度慢、训练精度不高的问题,构建了基于改进粒子群算法(PSO)优化小波神经网络的无人机动力系统故障诊断模型。该模型运用软、硬阈值函数组合改进的新阈值函数和改进PSO优化小波神经网络的方式,克服重构信号不连续或严重失真的问题,优化了小波神经网络初始权值和阈值,使模型能够实现快速、准确分析和识别故障类型,具有较好的故障预测和诊断能力。本文中通过对比不同阈值函数的降噪能力和PSO、GA、ACO对小波神经网络的改进效果,比较BP神经网络、传统小波神经网络、PSO优化小波神经网络的故障诊断预测效果,验证了本文中构建的PSO优化小波神经网络故障诊断模型远优于其他对比模型,具有故障识别和降噪能力强、收敛速度快、训练精度高的优点,在无人机动力系统的故障诊断领域,具有较好的可行性和有效性。     

基于BP神经网络的后勤装备资产寿命周期费用预测研究

BP神经网络就是指采用反向传播学习算法的前向多层人工神经网络，它具有分布式存储信息、高强的容错性、并行处理信息、自学习性和非线性映射逼近能力等运行特点。基于BP神经网络的后勤装备资产寿命周期费用预测模型的构建，通常按照初始化、构建网络、导入输入输出层和训练网络、决策、结论的步骤来完成。     

数据挖掘与数据融合相结合的异类信息融合*

针对组网系统中的信息样式多、模糊性强等特点,介绍了分布式异类传感器组网系统及其特点,将数据挖掘中的知识发现理论与数据融合的知识应用理论相结合,建立了异类信息综合处理的集成模型。并提出了基于模糊神经网络的数据挖掘算法,增强了集成模型的自学习性能。模型有效地提高了异类传感器组网系统的智能化、自动化能力。     

自适应学习率的小波神经网络逼近算法

提出一种自适应学习率的小波神经网络算法,从根本上解决了小波神经网络学习率的取值和收敛速度慢的问题,并有效地克服了小波神经网络易陷入局部极小的缺点,仿真实验表明,提出的学习算法可靠,学习率能够随着网络的运行参数而自动变化,无需任何人为调整,克服了小波神经网络学习率靠人为试算选取所带来的问题.采用该种改进算法用于非线性函数逼近明显优于同等规模的固定学习率的小波神经网络.     

基于概率神经网络的某导弹发动机系统故障诊断

反向传播神经网络(BPNN)和概率神经网络(PNN)对某型号导弹发动机若干原型故障进行定性的诊断,并将仿真结果进行了比较.仿真结果表明,当测量参数不包含噪声或噪声较小时,两种网络都具有很高地诊断准确率;当测量参数的噪声较大时,概率神经网络的诊断准确率远大于反向传播神经网络,显示了概率神经网络较强的诊断鲁棒性.此外,概率神经网络能够充分利用故障先验知识,并考虑代价因子的作用,从而把误诊断可能带来的损失减小到最低程度.     

模糊自组织神经网络及其在信息融合目标识别中的应用

本文重点研究了在目标识别领域中信息融合技术的神经网络模型,针对特征层融合的高维数、量纲不统一、信息表达方式差异等特点,利用模糊自映射神经网络来实现特征间的有效融合。经实验仿真证实,这一融合方法较单源识别正确识别率提高７个百分点左右     

弹道参数的人工神经网络算法研究

将神经网络理论引入火控领域,建立一个输入参数为高度Ｈ、速度Ｖ和俯冲角λ的多层神经网络模型,用Ｂ－Ｐ学习算法,对弹道的射程Ａ和落下时间Ｔ进行拟合。仿真结果表明,神经网络是用于弹道参数拟合的一个有效的方法,并取得了满意的精度。     

神经网络在声纳目标识别中的研究进展

综述了神经网络在声纳信号预处理、目标特征提取及其自动分类方面的研究进展,简要分析了神经网络模型的特点和在应用中的局限性。并对该领域的发展趋势提出了自己的看法。     

神经网络技术在智能BIT故障诊断系统中的应用

论述了智能BIT的智能设计、智能检测、智能诊断和智能决策,构建了基于神经网络的某高炮装备随动系统的智能BIT故障诊断系统。用Multisim进行电路仿真,提取输出信号的均值、峭度、偏斜度构成三维向量,以它作为特征向量利用神经网络进行模拟电路的故障诊断。通过比较BP神经网络、SOM神经网络和小波神经网络的诊断结果,得知利用均值、峭度和偏斜度作为特征,BP神经网络和SOM神经网络能够有效识别故障状态模式。     

国防工程智能信息系统效能评估研究

在简要介绍国防工程智能信息系统组成和功能的基础上,提出了系统效能评估指标体系,分别用BP神经网络和AHP法建立了国防工程智能信息系统效能评估模型,并对系统的设备监控管理能力进行了评估。仿真结果表明,BP神经网络法克服了传统评估方法精度低、模型复杂和计算量大的缺点,可将以往的专家经验知识进行分析学习,能够实现实时方便的在线评估;AHP法对多层次的指标体系具有较强的处理能力,但是存在指标权重确定主观性强,计算量大的问题。     

基于BP神经网络的C4ISR系统人机交互性能评估

针对C4ISR系统中人机交互子系统的特点,运用神经网络方法探索其性能评估问题.建立了C4ISR系统人机交互性能评估的指标体系,阐述了BP神经网络的相关原理及算法,构建了基于此网络的性能评估模型.并利用MATLAB软件进行了仿真分析,证明了理论的正确.采用神经网络理论进行性能评估,可弥补专家的经验和知识,降低评价过程中的人为因素影响,保证其客观性.模型能够比较准确地对C4ISR系统人机交互性能进行评估,为研究指挥自动化系统提供了一种新的思路.     

OFDM系统中深度神经网络指导的IQ不平衡补偿算法

正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而,在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。通过研究IQ不平衡对OFDM系统的影响,提出了一种并联深度神经网络架构下的IQ不平衡补偿算法。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用干扰信号来自镜像子载波的先验知识来初始化模型驱动的神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的基于导频的最小二乘补偿算法,证明了深度学习方法解决物理层问题的优越性。     

基于深度神经网络的OFDM系统IQ不平衡补偿技术

正交频分复用(OFDM)是现代移动通信中一项重要的物理层通信技术，并且OFDM系统要求子载波间严格正交。然而在实际系统中，振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase，IQ)不平衡，从而破坏子载波的正交性，严重影响OFDM系统的性能。本文研究了IQ不平衡对OFDM系统的影响，提出了基于并联深度神经网络的IQ不平衡补偿技术。该算法利用了深度神经网络不依赖于模型的特点，直接从接收到的频域信号恢复原输入信号的二进制序列，并利用IQ不平衡的干扰信号来自镜像子载波的先验知识来初始化神经网络，加快其网络优化的收敛速度。仿真结果表明，该算法能有效地补偿IQ不平衡失真，并且在幅度和相位失真的补偿上，其性能都优于传统的导频的最小二乘（LS）估计补偿IQ不平衡的算法，证明了深度学习方法解决物理层问题的优越性。