神经网络在图象处理中的应用

图象处理是神经网络的一个重要应用领域。本文首先介绍了神经网络的模型、学习规则及其处理能力,在此基础上综述神经网络在图象处理中的应用,重点放在神经网络分类器和Hopfield网络解决图象处理中的最优化问题。     

新型武器装备系统中的人工神经网络技术

本文首先分析了现代战场环境对武器系统智能信息处理的应用需求,然后对神经网络理论与技术在武器装备系统中的现实应用与潜在前景给出了一个从理论到实例的较为详细的介绍与分析。着重介绍了神经网络在雷达、红外及声纳目标的检测、识别、多机动目标跟踪及武器系统的智能控制等方面的应用情况,力图展示神经网络用于武器装备系统的特色与优势,并给出了其在武器装备系统各方面应用情况的一个概貌。在文章的最后,针对目前存在的神经网络实验研究到实际装备之间的缺环,我们分析了神经网络能力验证的研究即神经网络本身可靠性研究的必要性与迫切性。     

某型舰炮火控设备ANN-ES故障诊断系统智能水平检验

针对神经网络故障诊断专家系统在某型舰炮火控设备故障诊断中的应用,以系统自学习能力为主要指标,通过对系统的适应性和可拓展性检验方法的理论探讨和实例分析,衡量了基于神经网络的故障诊断专家系统的智能化水平,论证了系统的主要优越性,为系统实际应用奠定了基础.     

神经网络模型对传感器数据融合的应用

本文描述科霍内(Kohonen)特征映射神经网络模型对于战术和传感器数据融合的应用。用来自现代海军环境的例子评述由数据融合提出的问题。强调了用于海军作战自动监视和支持的目标和任务识别。作为基于神经网络的系统的可应用领域评述了科霍内特征映射模型,研究了它在实际应用中的限制,讨论了如何解决这些问题。描述了使用科霍内特征映射作为基本单元的两个不同的模块化神经网络体系结构和它们应用于数据融合的比较。     

神经网络及其在军事上的应用

该文简要介绍了神经网络的特点、模型以及神经网络与传统计算机的不同之处。探讨了神经网络在军事上的应用,特别是在火控、指控系统中的应用前景。提出了我们研究神经网络的几点建议。     

基于小波神经网络的无人机目标威胁评估

针对空中目标威胁评估问题,提出了利用小波神经网络(WNN)解决这个问题,具有很大的实用性。通过内嵌的方式将小波变换融入神经网络,即为"紧致型融合",它具有较好的自适应分辨性、良好的逼近能力和容错能力,有效避免局部最小值等优点。分析了WNN的结构和影响空中目标威胁评估的主要因素,介绍了WNN的训练算法和流程,验证了仿真模型。结果表明,该方法的评估误差明显小于粒子群优化BP神经网络(PSO-BP)和BP神经网络,具有较好的评估效果。     

ZigBee技术及其军事应用

首先介绍了ZigBee技术的概念、特点、协议框架及应用领域，在此基础上探讨了ZigBee技术军事应用的基本思路及应用领域，并做出了展望。     

基于神经网络的语音识别系统

本文研究神经网络的多层感知器模型在语音识别中的应用。为达到实时识别的效果,笔者设计了TMS32010数字信号处理板,它与PC/XT机构成主-从系统,由PC/XT机管理数据,TMS32010进行高速运算,实验中,考察了神经网络对数字语音的识别能力,识别率达到95％以上,结果表明,用神经网络进行语音识别是一种很有前途的方法。     

基于小波神经网络的数据融合诊断系统

主要利用小波神经网络技术和信息融合技术,建立了基于小波神经网络技术的多传感器数据信息融合诊断系统.该故障诊断系统是将多传感器数据融合技术应用于故障诊断领域,利用数据在不同层次上的融合集成小波神经网络,通过信号的有效组合,用各种子小波神经网络从不同侧面进行故障诊断,最大限度地提高确诊率.并以液压泵为例对该故障诊断系统进行详细介绍     

论用于控制和估计的某些神经网络结构和要求

虽然在自动目标识别(ATR)和其他模式识别/分类应用领域有成功地使用神经网络(NN)算法的巨大潜力,但是(如本文所述的)遇到了在反馈控制设计中至今不能严格使用NN的一些值得注意的障碍。本文介绍与控制和估计理论(以及与INS/GPS导航系统中实际的故障检测)有关的涉及NN的若干问题和矛盾的现状。为了促进发展和给出综合展望,我们也介绍应用控制和估计理论中的技术和结果所取得的许多新的值得称赞的NN结果。     

神经计算机容错能力分析

容错能力是计算机(传统计算机或神经计算机)能力的一个极重要的方面。本文从研究传统计算机容错技术和人脑容错特性出发,着重研究了神经计算机的容错能力,并得出了对神经计算机设计极有价值的结论。     

神经网络的原理及应用

人工神经网络是在现代神经科学研究成果的基础上提出的,反映了人脑功能的基本特征。但它只是人脑功能的某种抽象、模拟和简化。研究这一技术的目的在于,探索人脑加工、储存和搜索信息的机制,并将其原理应用于人工智能的可能性。本文介绍了一些神经网络模型及应用。     

The effect of training data set size and the complexity of the separation function on neural network classification capability: The two-group case

Classification among groups is a crucial problem in managerial decision making. Classification techniques are used in: identifying stressed firms, classifying among consumer types, and rating of firms' bonds, etc. Neural networks are recognized as important and emerging methodologies in the area of classification. In this paper, we study the effect of training sample size and the neural network topology on the classification capability of neural networks. We also compare neural network capabilities with those of commonly used statistical methodologies. Experiments were designed and carried out on two-group classification problems to find answers to these questions. The prediction capability of the neural network models are better than traditional statistical models. The learning capability of the neural networks is improving compared to traditional models because the discriminate function is more complex. For real world classification problems, the usage of neural networks is highly recommended, for two reasons: learning capability and flexibility. Learning capability: Neural network classifies better in sterile experiments as performed in this research. Flexibility: Real life data are rarely not contaminated with noise, such as unknown distributions, and missing variables, etc. Neural networks differ from a statistical model that it is not dependent on any assumption concerning the data set distribution. © 1997 John Wiley & Sons, Inc. Naval Research Logistics 44: 699–717, 1997     

表示结构化知识的神经网络模型

研究和设计了一种高度结构化的神经网络模型ＨＳＮＮ,它能方便地对结构化知识进行表示和处理。文中给出了ＨＳＮＮ的设计过程,并讨论了ＨＳＮＮ在继承、非单调推理和信息检索等方面的应用     

前馈控制的神经网络实现

不依赖对象模型,在前馈-反馈定值控制系统中,借助神经网络构成前馈控制器,以反馈输出引导网络权值及输出的调整,使网络逐步学成前馈补偿功能,并最终在控制中占据主导地位,实现对主要可测干扰的补偿.文章分析了神经网络前馈控制器的作用效果,并与根据精确模型设计的常规前馈控制器的作用特性进行了比较.文中采用两种不同方式对神经网络进行训练,仿真结果证实了在模型未知的条件下,利用神经网络实现前馈控制的有效性.     

GAL神经网络训练算法的改进

对一种新型的神经网络——GAL(Grow and Learn)神经网络给出一种改进训练算法,与未改进的网络在训练时间、识别时间及识别准确率等方面进行比较,证明该网络结构简单、隐层节点易调整、运算量小,且识别准确率并未降低。     

具有时滞的Cohen—Grossberg神经网络的Hopf分支全局存在性研究

摘要：利用泛函微分方程的度理论,研究一类具有时滞的Cohen-Grossberg神经网络的全局分支的存在性,研究结果为该类神经网络的应用设计提供理论基础．     

改进的BP算法在柴油机故障诊断中的应用研究

利用改进BP算法的神经网络对柴油机进行故障诊断.首先讨论了其训练算法,然后确定了柴油机故障诊断所用特征参数及故障种类,并提出特征参数数据归一化公式,最后以6-135ZC柴油机为例,将实验数据输入网络验证.结果表明,神经网络对柴油机故障识别率很高,应用于柴油机故障诊断领域是切实可行的.     

具有变时滞的离散型随机BAM神经网络的稳定性

研究一类具有变时滞的离散型随机BAM神经网络。通过构造Lyapunov泛函以及线性矩阵不等式（LMI）,得出了离散系统全局渐近稳定的充分条件。     

基于粗糙集-神经网络编队协同空战决策系统

为了提高空战决策的实时性和准确度,将粗糙集理论和神经网络引入到编队协同空战战术决策研究中,提出了应用SOM网络-粗糙集-BP网络集成进行编队协同空战战术决策的方案:应用SOM网络离散化决策系统输入数据的连续属性值;利用粗糙集数据分析方法,从数据中提取出规则将输入映射到输出的子空间上;在这个子空间上用BP网络进行逼近.2:4编队空战实例仿真结果验证该方案的可行性,在数据充分的条件下,该方案可以推广应用于其它空战决策系统.