基于改进Elman神经网络的电子元件性能预测

为提高传统Elman神经网络的动态性能,通过增加输出层与承接层之间的反馈环节,提出了一种新的改进的Elman神经网络模型,利用梯度下降原理对其学习算法进行了推导。同时引入附加动量和变学习率算法,建立了基于改进Elman神经网络的预测方法,并将其应用于电子元件性能参数的预测中。仿真实验证明,相比于BP和传统Elman神经网络,改进后的Elman神经网络训练速率快,预测精度高,具有良好的动态性能。由此可见,改进的Elman神经网络模型在对具有非线性时序特征参数的预测中,具有良好的应用前景。     

基于Elman网络的火控系统传感器故障诊断方法研究

Elman动态递归神经网络具有很强的记忆能力,特别适用于火控系统传感器的故障诊断.提出了一种收敛速度快、精度高、可靠性好的PRP(Polak-Ribiere-Polyak)网络训练方法,增强网络在线学习能力.将该方法运用于Elman动态递归神经网络,并运用该网络对火控系统传感器量测信号进行预测和故障诊断.仿真实验和实际应用表明,提出的Elman动态递归神经网络火控系统传感器系统故障诊断方法有效性好,故障诊断率高.     

基于D-S理论的神经网络作战效能预测方法

提出一种基于D-S理论的神经网络预测方法,采用改进的证据理论对作战效能预测指标体系进行优化选取,降低了由于预测指标体系的模糊性和不确定性造成误差;在此基础上,建立基于Elman网络的作战效能预测模型,通过对作战效能的预测仿真及测试,验证了该方法的可行性和优越性。     

基于Elman网络的某型直升机飞行状态识别

利用Elman网络良好地逼近非线性能力、容错和泛化能力,根据直升机飞行的实际科目,对待识别的飞行状态预先进行分类,建立Elman神经网络识别模型,验证表明该模型可以较好地识别直升机飞行状态,为直升机传动系统的故障诊断乃至直升机的健康管理提供重要依据。     

改进BP神经网络的空地制导弹药打击目标价值评估

目标价值评估是空地制导弹药打击行动中重要的一环。结合空地制导弹药作战的特点选取了6个目标价值评估指标;利用贝叶斯正则化方法和遗传算法优化BP神经网络,建立了目标价值评估模型;对模型进行了训练和测试,测试结果表明,该模型评估精度高、泛化能力强,能够有效帮助指挥机关评估打击目标价值,为决策提供依据或参考。     

Elman动态灰色神经网络在电磁发射系统状态预测中的应用

基于电枢运行过程中所受到的多物理场作用机理,采用灰色理论对出口速度进行线性预测,分析了灰色理论存在的不足和改进措施,提出了一种Elman动态灰色神经网络并进行了仿真分析,然后将结果与传统的灰色神经网络结果进行了对比试验。结果表明:新的Elman动态神经网络预测方法具有较高的预测精度,可以为轨道式电磁发射系统连发决策、有效预防轨道烧蚀提供技术支撑。     

基于粗糙集理论的飞行轨迹识别

针对飞行轨迹人工识别对专家经验依赖性强,识别准确率不稳定的问题,提出一种基于粗糙集理论的飞行轨迹识别方法。首先,对飞行轨迹进行特征提取,获取用于轨迹类别判定的条件属性和决策属性;其次,利用模糊自组织神经网络对飞行轨迹决策表离散化,采用启发式遗传约简算法对条件属性约简,消除了冗余属性对识别结果的影响;最后,利用实际飞参数据进行轨迹识别,结果证明该方法准确有效。     

基于神经网络的模型参考自修复飞行控制

提出了一种基于模糊神经网络的模型参考自修复飞行控制结构,并对所使用的BP网络学习算法进行了分析改进.对比非故障和故障状态下的飞行仿真结果表明,改进后的自修复飞行控制方法可以有效地抑制神经网络的"过学习"现象,减小了对神经网络辨识器精度的依赖程度,在故障条件下的补偿作用非常明显,达到了自修复飞行控制的目的.     

基于BP神经化贝叶斯网络的空袭目标毁伤效果评估

针对空袭目标毁伤因素的复杂多样性,以及贝叶斯网络在评估时对先验知识获取和对网络节点限制方面存在的不足,提出一种BP神经化贝叶斯网络的评估方法,解决空袭目标的毁伤问题。分析了空袭目标毁伤的影响因素,并进行了知识表示;分析了贝叶斯网络结构处理多个父节点问题时存在的几个缺陷,建立了空袭目标毁伤评估的BP神经化网络结构,给出了"BP神经化模块"的决策方法。通过实例分析,结合Netica仿真,验证了该评估方法的准确性,操作简单、有效性好。     

神经网络模型预测函数控制方法

在建立基于神经网络模型的非线性预测函数控制系统结构和基于BP网络非线性预测模型的基础上,提出了基于神经网络模型的非线性预测函数控制方法,并对其优化法等进行了讨论。通过与PID方法的仿真比较表明,预测函数控制方法具有抑制干扰能力强、跟踪性能好的特点,能够满足一些非线性系统的控制要求。     

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。     

航空装备维修费用的组合预测模型

通过分析回归分析法,BP神经网络和加速遗传算法原理,针对BP神经网络的变异特性,运用遗传算法对其进一步修正,最终建立了适用于航空装备维修保障费用的BP网络组合预测时间序列输出模型,结合某型航空装备维修保障费用数据进行预测系统仿真,得出结果实际数据相比误差较小.结论说明,此方法具有更高的预测精度,有较好的实际应用价值.     

基于MSOA神经网络模型的装备保障费用预测

引入基于多步骤优化方法(MSOA)神经网络模型用以预测装备保障费用。实验结果表明,与传统的ARIMA时间序列模型和常规BP神经网络模型相比,基于MSOA神经网络预测模型具有更高预测精度。因此,该模型是一种更有效的装备保障费用预测模型。     

基于BP和Hopfield神经网络的航空肼燃料保障安全评价

针对航空肼燃料保障安全评价的复杂性和非线性,提出并建立了基于BP和Hopfield神经网络的动态安全评价模型。在综合分析国内外肼燃料保障安全评价的基础上,针对航空肼燃料保障过程中出现的问题,构建并优化了指标体系,选取前馈神经网络中的BP网络和反馈神经网络中的Hopfield网络建立评价模型。在详细说明了BP和Hopfield神经网络的构建方法后,进行实例验证,并对预测效果进行了比较分析。仿真表明,两种模型都能正确评价安全保障状态。但在收敛速度、联想记忆功能方面Hopfield神经网络优于BP神经网络。将BP和Hopfield神经网络用于肼燃料保障安全评价过程中,具有适用性和可行性,对于航空肼燃料保障的安全建设与安全管理研究具有重要意义。     

组合网络与证据理论相结合的电路故障诊断

针对神经网络中两种常用的网络类型BP和Elman,在模拟电路故障诊断中的应用过程的特点——各自网络都有自身缺陷,提出基于BP-Elman神经网络与证据理论相结合的故障诊断方法.首先BP-Elman网络得出其各自的初步诊断结果,经过必要的转换将其转换成证据理论的概率赋值,作为证据组合的依据;证据理论组合规则将初步诊断结果融合得出决策级诊断结果.通过对某装备位置调节器板的故障诊断过程表明,该模型经过尽可能融合有效故障信息,大大提高了系统的诊断精度和诊断正确率,而且有效降低了系统不确定性.     

基于粒群算法和BP神经网络的煤电价格预测

由于煤电价格的波动受多种不确定因素的影响,且煤价和电价之间还存在非常复杂的耦合关系,它是一个典型的非线性系统,所以使用传统的方法来建立煤电价格的预测模型非常困难。针对这种情况,提出了一种基于粒群算法(PSO)和BP神经网络的煤电价格预测方法。采用PSO训练BP神经网络,不仅克服了BP神经网络算法易于陷入局部最优的缺点,而且可以提高网络的收敛速度和预测精度。结合煤电价格的历史数据,在Matlab平台上进行了仿真实验,验证了该预测模型的优越性。     

非线性系统的神经网络广义预测控制

研究了神经网络广义预测控制方法在非线性系统中的应用，基于BP网络构造神经网络预测器，利用非线性系统的开环输入输出数据离线训练神经网络，根据拟牛顿BFGS优化算法使得二次型性能指标函数达到最小，得到了最优的控制序列。同时给出了神经网络广义预测控制算法的步骤，讨论了提高系统鲁棒性的措施。仿真结果表明，这种神经网络预测控制算法具有响应速度快、控制效果好和跟踪精度高等特点。     

GA BP网络在机体研制费用预测中的应用

针对目前BP神经网络在应用中,网络结构难以确定以及网络极易陷入局部解问题,用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中引入交叉概率和变异概率与个体的适度值相联系,改进了操作算子,而且在交叉操作后又引入模拟退火机制,提高遗传算法的局部搜索能力.建立了基于改进遗传算法的BP网络费用预测模型,并以某型飞机机体进行实例分析,计算结果表明,该方法预测的准确性更高,且预测结果稳定.     

神经网络在雷达装备故障趋势预测中的应用

为了提高预测精度,在雷达装备状态监测与故障趋势预测系统中引入基于指数衰减的神经网络预测模型。通过普通BP网络预测模型引出基于指数衰减的神经网络预测模型,经验证预测精度较高。并介绍了雷达装备状态监测与故障趋势预测系统构成,此系统对于雷达装备的早期故障预测和预防性维修具有重要意义。     

基于贝叶斯网络的态势估计时间推理方法

基于贝叶斯网络的态势估计方法是目前态势估计领域中的主要方法之一,然而,传统的贝叶斯网络不具备时间语义,因此无法解决态势估计中的时间推理问题.基于此,对贝叶斯网络进行改造,研究了时间贝叶斯网络的构建方法.通过一个战场想定,说明了时间贝叶斯网络构建、推理的过程与方法,证明了提出方法的有效性.