聚类方法在污水处理软测量中的应用机理研究

通过对污水处理过程建立多神经网络模型的可行性研究以及对活性污泥微生物的生长繁殖规律分析,得出在污水处理工程中采用基于聚类方法的多神经网络建模的理论依据,试验表明多神经网络的扩散常数同类半径相当接近,预测精度较高,证实了聚类分析的正确性.分析了可能影响模型精度的原因,指出采用在线实时算法是未来的研究方向.     

基于FNN和RS理论的综合评估及应用实例

为较好解决武器系统效能综合评价与分析的问题,提出一种新的综合评价与 分析方法。以某一类型的武器装备的效能评估为例,利用模糊神经网络(FNN)的方法和粗 糙集(RS)理论方法对武器装备效能的优劣进行评估。首先,用FNN方法提取用于效能评 估的模糊规则,然后用一种新的处理不确定知识的数学工具,粗糙集理论方法对装备属性进 行约简,删除其中不相关或不重要的知识,选出最重要的且尽可能少的评价指标获得系统效 能评价的最小决策算法,进而分析得到系统效能的关键因素。     

一种基于神经网络的作战方案评估方法

通过对合成旅作战过程中主要相关因素的分析,建立了较为完备的作战指标评估体系和作战方案评估模型,进而针对作战方案评估,提出基于RPROP和基于神经网络集成的两种作战方案评估方法,从而降低了评价过程中人为因素的影响,对如何科学而客观地评估作战方案进行了有意义的探索和研究。实验表明,两种作战方案评估方法均具有良好的时效性。     

基于GreyNN模型的无人机需求预测研究

针对无人机（unmanned aerial vehicle,UAV）需求预测问题,建立了灰色神经网络（grey neural network,GreyNN）模型,基于GreyNN模型对无人机需求进行预测。仿真实验结果表明,在小样本贫信息情况下,GreyNN比单一BP神经网络模型和灰色预测（grey prediction）模型预测效果更好,实验验证了方法的可行性。     

使用低分辨率雷达和神经网络进行舰船目标识别

本文研究使用低分辩率下靶区雷达包络线、预处理和神经网络工具进行舰船目标分类的方法。文中使用改进的傅里叶离散梅林变换来提取对雷达姿态角变化不太敏感的某些特征。使用Kohonen的学习矢量量化(LVQ)自组织映射对这些特征矢量进行分类。文中也研究了使用反向传播算法进行训练的前馈网络在目标分类中的应用,并将这一分类系统用于模拟和真实两种数据。对于目标姿态角误差不超过30度的真实数据,分类的正确率高达90％。     

基于BP神经网络的空中目标威胁排序

研究了BP神经网络算法对空中目标进行威胁排序的方法.水面舰艇对空防御作战中,舰载平台多传感器系统获得空中目标属性信息不完全,利用BP神经网络建立目标各属性权值的分配模型,通过大量的实例对模型进行训练,可以使所获得的空中目标属性信息得到充分利用,从而得到基本符合战场环境的客观的空中目标威胁排序.     

基于卷积神经网络的中段拦截弹弹道规划

为解决中段反导拦截弹实时规划问题,将经典Lambert理论与卷积神经网络(CNN)相结合,提出一种高效的拦截点解算方法。基于Lambert理论构建二体假设条件下椭圆轨道的中段反导拦截弹弹道规划模型。利用卷积神经网络求解模型,可在满足精度要求的同时极大提升解算效率。利用Matlab仿真软件验证了此方法的合理性。此方法可以推广至其他作战规划问题,以满足作战选择的多样性需求。     

基于特征聚合的管制语音声纹深度识别方法

针对带有噪声的管制语音声纹识别问题,提出了一种基于特征聚合的声纹识别算法,能够在音频流中识别不同的管制员和飞行员的声纹特征。在经典的X-VECTORS算法的基础上,通过设计残差语谱图特征提取模块和全局可微的NetVLAD特征聚合模块,构造了端到端的说话人识别神经网络训练框架;最后在实际管制语音数据集上对各种说话人识别方法的精度进行了对比分析。实验结果表明,相较于传统的X-VETCORS方法,提出的基于声纹聚合的说话人识别方法具有更高的识别精度。     

基于图神经网络GraphVAE的兵棋态势预测方法

在战场上敌我双方作战的过程中,准确地预测敌方的兵力部署将有利于我方的作战。基于兵棋推演的态势数据,通过训练图神经网络,提出了预测敌方未知算子位置的方法。首先,在对数据进行预处理后,实现了态势到图结构数据的转化,构造了兵棋态势的图结构数据集,用于图神经网络的训练。其次,根据兵棋态势及其数据的特点改造了GraphVAE模型,实现了兵棋态势图结构数据的补全。最后设计了基于补全后的图结构数据,计算敌方算子位置的方法。通过实验证实了该方法的有效性和可行性。     

基于深度卷积神经网络的多飞行器构型保持研究

基于深度卷积神经网络设计了"智能-校正"算法以快速生成制导指令;深度学习模型是由卷积层、全连接层、批量归一化层和残差网络(ResNet)组合成的一个19层深度神经网络,飞行器状态变量转化为类似于图像像素矩阵的二维矩阵,通过sgd优化和权重衰减正则项将神经网络的训练误差降低至约0.025°;之后针对飞行器运动存在制导指令...