基于多通道卷积神经网络的磁性舰船目标运动参数估计

传统磁性目标运动估计效果依赖于目标的初始状态信息,为克服这一缺陷,建立磁性运动目标三分量投影模型,并据此生成磁性舰船运动目标在运动速度、航向、信噪比等参数变化情况下的10类目标的训练数据集、验证数据集以及测试数据集。设计多通道卷积神经网络,对目标的正横距离和运动速度进行估计,并比较和分析了不同的学习方式和激活函数对网络性能的影响。结果表明:Adam+tanh组合方式的估计性能要优于其他组合方式,而且对磁性目标运动参数的估计效果比较精确,此方法相较于卡尔曼滤波、粒子滤波等估计算法的优越性在于运算复杂度低以及参数估计不需要目标初始状态信息。     

基于BP神经网络的柴油机调速特性和外特性统一建模

对比分析了柴油机调速系统常用的两种建模方法的优缺点,采用BP神经网络方法建立了柴油机调速特性和外特性统一模型,并给出了仿真结果。     

核动力装置控制系统神经网络故障诊断

研究了如何将先进的人工神经网络的方法应用到核动力控制系统故障诊断中,并对这种方法的原理、优缺点、可行性等进行了分析,提出了针对核动力装置控制系统的设计方案.     

多目标数据关联的神经网络方法

数据关联是多目标跟踪的关键问题。基于 Hopfield神经网络的 JPDA是解决这一关键问题的有效方法之一 ,但此方法的难点在于优化系数的整定。提出一种改进算法 ,用于解决优化系数在线自适应整定问题。首先重新构造了李雅普诺夫能量函数 ,接着引入变化的优化系数因子 ,并给出了优化系数求解的迭代公式 ;最后对已有和改进的算法进行了仿真研究。结果表明改进的方法和原有的方法相比 ,一方面具有在线整定优化系数的功能 ,另一方面可以获得和原有算法非常接近的估计误差。     

用结构自适应前馈网络解算多目标导弹攻击区

多目标导弹攻击区的实时解算是机载多目标攻击武器系统得以技术实现的中心环节。阐述了“多目标导弹攻击区”的概念 ,探索了其解算的技术途径 ,提出了“实时、高精度和低存储”的解算要求。根据上述技术要求 ,设计了基于网络灵敏度统计分析的多层前馈网络结构自适应算法 ,以用于训练合适规模的多层前馈网络逼近器。在此基础上 ,进行了系统仿真研究 ,研究的结果表明了该方案的应用前景。     

基于前向型神经网络的空袭目标类型识别模型

对防空作战中空袭目标类型识别问题进行了研究 ,给出了进行目标类型识别的指标集 ,并建立了基于前向型神经网络识别模型 ,实例证明该方法是可行的。     

基于神经网络信息融合技术的卫星定姿算法

姿态确定系统是卫星姿态控制系统中的重要组成部分,卫星姿态确定的精度直接影响卫星控制精度.为得到高姿态精度,针对由惯性测量单元(Inertial Measurement Unit),红外地平仪和太阳敏感器组成的卫星姿态确定系统,分别采用BP网络算法和径向基(RBF)网络算法对不同的姿态敏感器的输出数据进行融合,并用STK(Satellite Tool Kit)数据进行了仿真.仿真分析结果表明这两种学习算法均可以提高卫星定姿精度,相对而言,RBF网络无论是精度上还是收敛速度上均优于BP网络.     

基于深度学习的MPSK信号调制识别

为了有效实现信号调制方式的智能识别,提出基于深度学习的多进制相移键控(Multiple Phase Shift Keying, MPSK)信号调制识别方法。分析接收MPSK信号的循环谱,并通过提取MPSK信号循环谱的等高图获得二维特征信息,利用深度学习中的卷积神经网络对二维特征进行训练,使用测试样本对所设计的调制识别方法的有效性进行验证。仿真结果表明,所提方法具有良好的识别性能。