基于优化神经网络的雷达波束分配方法研究

在多目标的跟踪过程中,自适应地分配雷达波束能够进一步提升雷达的工作效率.为了合理调度雷达波束跟踪目标,根据目标运动状态参数,建立了目标威胁度评估模型.该模型根据目标运动状态,包含类型、速度、加速度、航向角、高度、距离和干扰程度等;然后基于混合遗传粒子群优化算法改进了BP神经网络,分别采用运动状态信息和目标威胁度作为神经网络的输入和输出,建立了目标威胁度评估模型;算法根据威胁度的大小进行波束调度,并采用执行威胁率衡量波束调度的效果.仿真结果表明,该模型具有更高的预测精度,能够准确地实现目标威胁评估,在此基础上具有较好的波束调度效果.     

基于TS模糊神经网络的液压伺服系统研究

在飞机地面模拟试验台台架控制的液压伺服系统中,由于其系统存在强非线性,传统PID控制难以使液压马达转角达到精准良好的控制效果.针对这个问题,同时为提高控制系统性能,将基于TS模糊神经网络PID控制的智能控制算法应用于液压马达伺服控制系统中.在建立飞机台架液压伺服模型的基础上,利用基于TS模糊模型的神经网络对PID参数进行自适应整定,并基于MATLAB/Simulink平台进行相应的仿真实验.仿真结果表明,TS模糊神经网络PID控制器相比于传统PID控制器和普通模糊PID有着更好的响应特性,呈现出更佳的控制效果,使飞机台架控制系统的综合性能得到了提高.     

融合神经网络与超像素的候选区域优化算法

为解决目标检测中候选区域召回率低的问题,提出融合神经网络与超像素的目标候选区域算法。该算法利用神经网络提取更能清楚表达目标边界的特征,并使用聚类、相似性等策略,计算每个滑动窗口所含有的边缘信息量;将待测图像使用简单线性迭代聚类算法分割成若干个超像素,并利用超像素的空间位置、完整性、相邻超像素间的对比度信息,计算各个超像素的显著性得分及每个滑动窗口的显著性得分;根据每个滑动窗口的边缘信息及显著性得分筛选滑动窗口。在PASCAL VOC 2007测试集上进行对比实验,其实验结果表明:所述算法能够快速产生定位质量高的候选区域。     

一种基于神经网络的变换域数字水印提取算法

从理论上分析了变换域数字水印嵌入和提取过程,研究了图像处理和攻击对水印产生破坏的机理,并在此基础上提出了一种基于神经网络的变换域数字水印提取算法。实验证明,该算法对各种常见攻击具有较强的鲁棒性。     

基于改进的BP算法的舰载C4I威胁判断模型

为解决传统舰载C4I威胁判断模型的不足,寻求适应信息化作战要求的舰载C4I威胁判断模型,将神经网络引入舰载C4I系统,提出了基于BP神经网络的威胁判断模型,并对BP算法进行了改进;通过Matlab仿真计算,结果表明该方法计算速度快、精度高.     

基于小波神经网络的蒸汽发生器水位辨识与控制仿真

提出一种基于小波神经网络的控制方法,对蒸汽发生器水位进行控制仿真.该方法利用小波神经网络作为控制系统的辨识器和控制器来构成控制系统.小波神经网络辨识器能更准确逼近非线性对象,小波神经网络控制器能自适应产生最佳的控制规律.仿真结果表明,该方案具有响应快、超调量小、较强抑制干扰能力等良好性能.     

基于时滞分割法的具有leakage项时滞的离散型神经网络状态估计

摘要：研究一类具有leakage时滞的离散型神经网络的状态估计问题．通过构造新的Lyapunov泛函得到保证估计误差全局渐近稳定的充分条件,并通过求解一个线性矩阵不等式（LMI）得到状态估计器的增益矩阵．采用一种新的时滞分割方法将变时滞区间分割为多个子区间,使该结果在获得更小的保守性同时也降低了计算的复杂度．     

基于改进半监督FCM聚类的复合材料超声检测脱粘缺陷识别

针对径向基（RBF）神经网络在进行超声检测脱粘缺陷识别时存在参数选择不确定、网络结构鲁棒性差等问题,提出一种改进的自适应半监督模糊C均值聚类（FCM）的RBF神经网络的方法,将kw近邻估计法和半监督模糊C均值聚类方法相结合,改进了隶属度函数,自适应确定聚类数目。将改进的RBF神经网络应用于超声检测脱粘缺陷识别,实验结果表明：与传统RBF神经网络相比,本方法减弱了孤立样本对网络结构的影响,增强了网络结构的鲁棒性,提高了脱粘缺陷识别的准确率,是一种较好的超声检测脱粘缺陷识别分类方法．     

SINS/GNSS自适应反馈校正滤波

SINS/GNSS组合导航中,反馈闭环校正比开环输出具有更高的短时精度;但反馈校正的输出会有长时间缓慢发散迹象。传统工程上应用最优奇异值可观测度对反馈向量进行自适应调整,但最优奇异值计算量很大,且不同机动情形下的最优奇异值也不相同,很难确定。通过分析卡尔曼滤波的方差矩阵,提出一种新的可观测度定义,并利用滤波协方差矩阵确定新的可观测度,并结合人工神经网络确定反馈校正的自适应调整系数,仿真表明新方法抑制了反馈校正输出误差的长时缓慢发散,提升了导航精度。