基于NNLI技术的齿轮箱故障诊断

将NNLI技术应用到齿轮箱的故障诊断中,提出了基于NNLI的特征提取方法,并将该方法与神经网络结合起来,进一步提出基于NNLI特征提取的神经网络故障诊断方法,给出了两种不同的网络分类器,通过齿轮箱故障诊断实例验证了该方法的有效性。     

基于BP神经网络带调压器直流发电机特性的辨识

为使坦克直流发电机的调压特性实验能够在计算机上仿真进行,节约教学实验成本,可利用神经网络对直流发电机的调压特性进行辨识,得到了比手工绘制精度更高的特性曲线.因此,调压特性的神经网络辨识法,有利于直流发电机特性实验教学.     

基于BP神经网络的复杂电子设备实时故障诊断专家系统

以某型通信设备为例,介绍了如何将BP神经网络和传统的专家系统结合在一起,构成实时的故障诊断系统,从而避免传统的专家系统存在的一些问题,更好地解决故障诊断的问题.     

基于复杂网络理论的指挥信息网络拓扑模型研究

从网络科学的观点出发对作战指挥机构进行研究,建立了指挥关系网络和通信网络,以及在两者基础上的指挥信息网络拓扑模型,分析了指挥信息网络的度分布特性,提出了描述指挥信息网络的特征参量,进行了针对指挥信息网络的体系破击仿真实验,得出了与战争实际相符的结论,为利用复杂网络知识研究信息化条件下的体系对抗进行了积极地尝试和探索。     

污水中重金属离子浓度软测量的BP算法

在重金属离子检测仪器及其工作原理研究的基础上,对污水中重金属离子浓度测量方法进行了分析研究,分析了采用软测量技术的可行性和必要性,针对水质测量具有非线性、大时变和多滞后的特点,提出了基于BP神经网络的污水中重金属离子浓度软测量建模方法,建立了软测量模型,并通过仿真分析和实验验证了该方法的实用性.     

RBF神经网络的C4ISR系统效能评估

针对当前效能评估方法存在人为因素干扰的问题,并考虑到RBF网络具有收敛速度快,无局部极小优点等优点,建立了基于RBF网络的C4ISR系统效能评估模型.模型采用K-均值聚类算法确定隐层节点数据中心和扩展常数;用最小二乘法进行输出层权值的修正;为防止病态,用目标总函数动态地确定隐节点的个数.最后,将得到的结果和BP网络输出...     

采用弹道修正技术的红外干扰弹性能优化

针对弹道修正弹的高维非线性特性导致的性能优化难题,改变概念设计阶段传统的串行设计方式,提出了一种基于实验设计(Design Of Experiments,DOE)和响应面(Response Surface Methodology,RSM)的智能优化算法,定义基本的弹丸结构模型以及相关的设计参数.在DOE的基础上,将设计...     

多目标环境下基于分布式融合思想的误差估计方法

针对多雷达多目标跟踪过程中分布未知的系统误差估计问题,提出了基于"分布式融合思想"的误差估计方法。给出相应误差估计方法的计算公式,利用改进截断奇异值方法来减轻矩阵病态性的影响,提高误差估计的稳健性。设置了两种不同的系统误差仿真场景,对"分布式"误差估计方法在两种情形下的估计性能进行了仔细对比分析。结合"分布式"误差估计方法与"集中式估计"方法所体现出的优缺点,提出了一种将两种方法结合起来的系统误差估计算法,算法通过合理选择阈值门限η,能够在多雷达多目标且系统误差分布未知的复杂环境下对两种误差估计算法自适应地进行切换,从而充分发挥两种误差估计算法各自的优点,给出更好的误差估计结果。     

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。     

Real-time prediction of projectile penetration to laminates by training machine learning models withfinite element solver as the trainer

Studies on ballistic penetration to laminates is complicated, but important for design effective protection of structures. Experimental means of study is expensive and can often be dangerous. Numerical simu-lation has been an excellent supplement, but the computation is time-consuming. Main aim of this thesis was to develop and test an effective tool for real-time prediction of projectile penetrations to laminates by training a neural network and a decision tree regression model. A large number of finite element models were developed;the residual velocities of projectiles fromfinite element simulations were used as the target data and processed to produce sufficient number of training samples. Study focused on steel 4340tpolyurea laminates with various configurations. Four different 3D shapes of the projectiles were modeled and used in the training. The trained neural network and decision tree model was tested using independently generated test samples using finite element models. The predicted projectile velocity values using the trained machine learning models are then compared with thefinite element simulation to verify the effectiveness of the models. Additionally, both models were trained using a published experimental data of projectile impacts to predict residual velocity of projectiles for the unseen samples. Performance of both the models was evaluated and compared. Models trained with Finite element simulation data samples were found capable to give more accurate predication, compared to the models trained with experimental data, becausefinite element modeling can generate much larger training set, and thus finite element solvers can serve as an excellent teacher. This study also showed that neural network model performs better with small experimental dataset compared to decision tree regression model.