基于自适应滤波的坦克发动机振动信号的信噪分离方法

发动机表面振动是一种多振源、激励复杂的振动形式,在发动机测试时目标振动信号受到很强的噪声干扰,必须通过有效方法进行信噪分离.介绍了一种利用人工神经网络进行自适应滤波的信噪分离方法,根据自适应噪声抵消原理建立了ADALINE自适应神经滤波器模型,并使用该模型滤除坦克发动机汽缸盖振动信号中的机体振动噪声,提高了信噪比,为汽缸盖振动信号的进一步分析处理奠定了基础.     

基于神经网络的模糊理论在桥梁状态评估中的应用

探讨了模糊数学中的隶属函数在桥梁技术等级状态评估中的应用.在研究现有桥梁状态评估方法的基础上,把人工神经网络和模糊数学理论结合起来应用于大跨度预应力斜拉桥的等级状态评估,建立了基于三层神经元的模糊神经网络模型,并建立结构损伤度函数及等级隶属度模型,通过样本学习训练,获取评估专家的知识及直觉思维,最终确定桥梁所对应的技术状态等级.以检测的480组索力数据作为学习样本,另外4组作为验证样本进行了索力状态评估预测.计算结果表明,网络预测值与期望值吻合良好.     

污水处理过程软测量系统辅助变量的选择方法

辅助变量的选择包括变量类型、数量及检测点的选择,是软测量建模的第一步,直接关系到软测量质量的好坏.针对活性污泥法,从微生物生长繁殖的角度出发,探讨了各要素对于微生物生长活动能力的影响及其相互关系,通过影响力大小及相互间耦合性的复杂程度选取辅助变量的原则,完成了污水处理辅助变量类型的初选,并对辅助变量的精选进行了讨论.     

基于BP神经网络的空中目标识别

空中目标识别是防空作战辅助决策的关键环节之一。根据空中目标的各种属性,建立基于BP神经网络原理的空中目标识别模型。利用MATLAB神经网络train函数训练采集的样本数据,得到稳定的权值和阈值,为后继的目标识别提供依据。该模型利用神经网络的记忆、联想、容错功能,进一步提高空中目标识别的稳定性和可信度。降低了个别传感器误判而造成的目标识别错误概率。     

基于BP网络的坦克火力性能评价模型

应用神经网络理论与方法建立了坦克火力性能比较的BP网络模型,利用MATLAB中神经网络工具箱对国内外几种代表性坦克的火力性能进行比较.结果表明,BP神经网络模型能很好地解决评价因子与装备性能之间的非线性关系,评价坦克火力性能简便可靠,客观性强.     

水力测功器模拟螺旋桨高海情负载的神经网络预测控制仿真研究

为解决用水力测功器实现螺旋桨高海情下动态负载模拟的难题,首先给出了问题的数学描述并从工程应用角度做了适当简化,完成了开环辨识试验和神经网络建模;然后基于模型预测控制的基本原理进行了水力测功器模拟螺旋桨高海情负载的神经网络预测控制研究;仿真研究结果证明,文中所提方法确实有效,可用于水力测功器建模及动态加载控制。     

基于RBF神经网络的直接自适应飞行控制器

设计了一种径向基神经网络(RBF NN)飞行控制器结构,并给出了相应的控制律和参数调节律。由于调节了RBF NN的全部参数(连接权、高斯函数的中心和宽度),得到了很好的控制性能。以F8战斗机为控制对象进行了仿真分析,仿真表明,在存在70%的模型误差的情况下,该控制器仍然能实现较好的跟踪控制,表现出很好的鲁棒性,远远优于传统的只调节连接权值的算法。     

液体火箭发动机基于神经网络的实时故障检测算法实现

以某大型液体火箭发动机为研究对象,针对其启动和稳态工作过程,利用Matlab和Lab Windows/CVI等编程工具,基于神经网络技术,开发实现了其地面试车过程实时故障检测的BP(Back Propagation)和RBF(Radial Basis Function)算法。多次试车数据离线检验和实时在线考核结果均表明该方法能够及时、有效地检测出发动机工作过程中的故障,没有出现误报警和漏报警,并能够很好地满足现场试车的实时性和鲁棒性等要求。     

图论及神经网络在地空导弹部队阵地中的应用

防空部队特别是地空导弹部队抗击敌空袭作战必须依托相应的阵地进行,而地空导弹部队阵地部署与选择的正确与否是地空导弹部队能否有效进行抗击敌空袭作战的一个重要因素,地空导弹部队阵地部署与选择需要综合考虑地形条貂件、机动条件、作战时间条件等各种因素.提出阵地部署与选择的几个指标,用图论与神经网络方法针对一个具体的例子对所提出的指标进行求解计算,得出阵地部署与选择的方案.     

基于RBFNN与D-S证据理论的反舰导弹模式识别

由于反舰导弹在速度、机动性等方面的显著潜力,已日益成为舰船的主要威胁.尽快识别反舰导弹类型对缩短系统反应时间,正确预测目标运动具有重要意义.针对从不同目标传感器提取的末制导雷达辐射源参数和弹道特性参数,对目标数据进行相关处理,应用径向基神经网络(RBFNN)分别对反舰导弹模式识别,仿真中充分考虑了各种误差干扰并进行容错性处理,仿真结果表明该算法的有效性.最后将两部分识别结果通过D-S证据理论进行综合决策,进一步提高了系统识别决策的可信度.