一种模糊学习Petri网模型及其收敛性分析

Petri网是对具有产生式规则的故障诊断系统建模的有力工具,但其学习能力不强。以Petri网的基本定义为基础,结合模糊逻辑和Petri网模型,并在此基础上引入人工神经网络技术,定义了模糊学习Petri网模型。模型中的隐含库所和变迁将人工神经网络中隐含神经元内部信息处理过程明确化,然后对该模型提出一种逐层调整变迁阈值的训练算法,该算法通过逐层调整的方式来获取变迁的阈值,改善了网络的学习效率,并对算法的收敛性进行了证明。最后,以故障推理实例验证了算法的有效性与实用性。     

基于神经网络的泵机组运行模糊控制

泵机组的运行过程具有不确定性、非线性、强耦合性等特点，为满足其控制需要，文中提出了一种以模糊神经网络控制器为基础的控制系统，该系统充分利用神经网络的自学习及非线性逼近能力，又具有模糊逻辑推理能力，能对泵站泵机组运行的主要过程进行辨识并施以智能控制。     

我国人工影响天气事业中的军民融合发展问题

根据军民融合发展战略分析我国人工影响天气工作现状，结果表明人工影响天气军民融合在飞机人工增雨作业、地面作业装备维保与改造、弹药仓储与作业民兵选送、装备弹药研发中发挥了重要作用，取得了显著综合防灾减灾和生态文明建设效益。主要存在体制机制不顺畅、政策法规不完备、标准规范不一致，军民转化平台和作业装备比较落后，资源、人才、技术分散导致保障乏力等问题。需要加强顶层设计，加强人影作业能力和军民融合工程建设，优化资源配置，加强军民融合技术创新体系建设。     

基于RBF神经网络的功率测量非线性补偿

提出了基于径向基函数神经网络对功率测量值进行频率补偿和温度补偿的方法。通过实例说明了这一方法的应用。结果表明在对所测得的功率值进行校正时，神经网络补偿办法比传统的查表或多重查表法所占用的存储空间少、补偿的精度更高、所花费的时间较少，并且这种方法对由于其他因素所引起的测量结果非线性也同样有补偿作用。     

基于深度逆向强化学习的行动序列规划问题研究

针对深度强化学习在解决序贯决策任务中严重依赖回报函数，而回报函数又存在着反馈稀疏和反馈延迟等问题，论文提出了基于深度逆向强化学习方法的行动序列生成与优化方法，通过专家示例轨迹数据重构回报函数，实现高质量示例轨迹数据中隐性专家经验的获取和利用，挖掘数据背后的规律。然后将重构的回报函数与环境固有的回报函数进行奖赏塑型，生成的新的回报函数能够更加及时、准确地对智能实体的行为给予反馈，大幅加速了强化学习的收敛速度。     

基于BP神经网络的装备故障诊断专家系统研究

分析了神经网络和专家系统的特点,提出了基于BP神经网络与专家系统结合的某装备的故障诊断方法,构造了BP神经网络的装备故障诊断专家系统的诊断模型,克服了传统专家系统在知识获取和表达的薄弱环节,并用了某型装备的故障实际数据进行了验证,结果表明了神经网络与专家系统结合是一种有效的诊断方法。     

基于深度限制波尔兹曼机的辐射源信号识别

针对电子侦察中使用常规参数难以有效识别复杂体制雷达信号的问题,提出利用深度限制波尔兹曼机对辐射源识别的模型。模型由多个限制波尔兹曼机组成,通过逐层自底向上无监督学习获得初始参数,并用后向传播算法对整个模型进行有监督的参数微调,利用Softmax进行分类识别。通过仿真实验表明该模型能对辐射源进行有效的特征提取和分类识别,具有较高的识别精度和较强的鲁棒性。     

信源数动态变化的一种稳健超定盲分离算法

针对大多数现有盲分离算法都假定信源数已知,分析了信源数未知且动态变化时的超定盲分离(接收天线数多于信源数)算法,通过奇异值分解在线估计信源个数,并修正自适应神经网络的维数。文章在经典Cichocki-Unbenauen算法中加入动量项,设置可变步长,使分离性能得到较大的改进,同时避免训练陷入局部最小。与文献[1]新提出的ANA算法相比,仿真结果证明本文算法具有更快的收敛速度和更小的稳态误差。