一种自组织神经网络及其应用

提出了一种适用于目标识别和故障诊断的自组织神经网络（ＳＮＮ）模型和一种基于模糊关联度的判别准则。ＳＮＮ学习速度快,能在不破坏原有“知识”的情况下,学习、记忆新知识,且具有对外部环境的自适应能力。新的判别准则充分考虑了网络输出矢量各分量的大小因素及其与各期望目标矢量的相关程度,使类别判决更加合理可靠。本模型被用于被动声纳目标分类,取得了较好的效果。     

高阶稠密矩阵的并行求逆与应用

采用基于列交换的Ｇａｕｓｓ－Ｊｏｒｄａｎ并行算法来解决空气动力学中超音速高阶面元法的稠密矩阵求逆问题,该方法采取了块循环数据分配方式,尤其对超立方体结构的并行机系统来说具有通讯优势。在４台ＳＧＩ工作站构成的２×２网格上进行的实验表明,对秩为１０００左右的矩阵可得到５７％～６４％的效率。     

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     

多层神经网络在跟踪式卡尔曼滤波器中的应用

本文将多层神经网络引入跟踪式卡尔曼滤波器,提高了估计的精确度。以前的跟踪式卡尔曼滤波器的估计精度与目标的运动状态有关,当目标的运动不能够用线性状态空间模型描述时,其估计精度将要下降。而多层网络的引入,改善了这一不足。多层神经网络经过训练以后,能够对卡尔曼滤波器的结果进行修正。仿真结果表明,多层神经网络的应用,使估计精度显著提高。     

模糊自组织神经网络及其在信息融合目标识别中的应用

本文重点研究了在目标识别领域中信息融合技术的神经网络模型,针对特征层融合的高维数、量纲不统一、信息表达方式差异等特点,利用模糊自映射神经网络来实现特征间的有效融合。经实验仿真证实,这一融合方法较单源识别正确识别率提高７个百分点左右     

基于神经网络的液体火箭发动机故障检测系统

提出和建立了一种用于液体火箭发动机（ＬＲＥ）故障检测的神经网络系统,这种系统包括两层：第一层由ＷＴＡ（Ｗｉｎｎｅｒ－Ｔａｋｅ－Ａｌｌ）神经网络组成,ＷＴＡ网络用于检测发动机故障输出模式;第二层由ＢＰ（Ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ）神经网络组成,ＢＰ网络利用第一层次的输出结果作为输入显示故障大小。文中对ＬＲＥ故障检测进行了数值仿真,仿真结果验证了神经网络故障检测系统的优越性能。     

X－Window系统下汉字环境的实现

文章详细描述了在基于Ｘ－Ｗｉｎｄｏｗ系统的工作站上实现汉字输入／输出的技术及实现途径。该汉字环境已基本在ＳＧＩ工作站上实现并使用。     

基于神经网络的8位A/D转换器的硬件实现

本文阐述了双极性信号的８位Ａ／Ｄ转换器的基本原理,给出了由Ｈｏｐｆｉｅｌｄ神经网络的原理电路逐步演化成实际电子线路的整个过程,并对实际硬件电路进行了计算机仿真,取得了满意的结果。     

利用多层神经网络实现核爆/非核爆的模糊综合评判方法

着重讨论了模糊综合评判与ＢＰ网络结合的原理,构造了一个可实现模糊综合评判的ＢＰ网络,并将其用于核爆／非核爆识别。以美国ＮＢＤＳ的软件判据为基础,检验了识别的效果。结果表明,对实测９个核爆样本均能正确识别,对模拟产生的３５个核爆非核爆样本,误识２个,总的正确识别率达到９５．５％。     

一种自适应α、β、γ滤波算法

针对Ｋａｌｍａｎ滤波运算量大和目前的一些自适应α－β滤波算法存在的不足,本文给出了一种新的自适应α、β、γ滤波算法,仿真结果表明了该算法的可行性。