伺服电机NCS神经网络PID趋近律滑模控制

针对直流伺服驱动电机的网络控制系统的非线性控制系统特性和神经网络多包传输的特性,提出一种基于滑动窗口策略的多核LS-SVM神经网络PID趋近滑模控制器。该控制器可以在线控制和预测丢包补偿,并将其控制系统实现为一种具有延迟和丢包的多包数据传输直流控制器的伺服驱动电机神经网络自动控制补偿系统。其主要方法为,首先基于等效变换、无延迟和滑动窗口相结合的LS-SVM在线数据包损耗预测,建立系统的延迟补偿模型。其后通过神经网络的非线性映射对PID参数进行在线调整,实现稳态并进行分析。仿真结果表明,组合内核LS-SVM预测策略可以提高数据包损失补偿的准确性,减少系统抖振,在响应速度较快的情况下完成整定。     

红外成像导引头抗干扰性能评估方法

给出了一种对地面复杂干扰环境的红外成像导引头抗干扰性能评估方法,分析了红外成像导引头所面临的干扰因素,结合实际战场情况对干扰环境的等级进行了划分,并详细设计了红外成像导引头抗干扰性能仿真测试方案。采用半实物仿真方法得到红外成像导引头在不同干扰环境下的实验数据,运用bayes估计的方法建立红外成像导引头抗干扰概率计算模型。结合某实物红外成像导引头开展抗干扰性能半实物仿真测试,实验结果验证了该方法的合理性和有效性。     

基于卷积双向长短期神经网络的调制方式识别

针对现有卷积神经网络方法下调制识别时间较长、网络较复杂等问题,将卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)相结合,提出一种基于CNN-BiLSTM的调制方式识别方法。利用CNN卷积运算提取信号的空间特征,利用BiLSTM提取到信号的时序相关性,利用softmax层输出识别概率,达到多调制识别的目的。实验结果表明,在没有信道和噪声等先验信息的条件下,该方法的识别性能得到了进一步提升,能有效识别16QAM、64QAM等11种调制类别,且该方法的复杂度较低,大大节省了训练识别时间,具有较好的工程应用价值。     

基于循环子空间理论的线性系统测试矩阵优化

研究了线性定常系统在循环指数大于1(即其约当标准形不同的约当块有重根)的情况下测试矩阵的优化方法.以循环子空间相关定理的证明为基础,根据根向量链的相关特性,得到了测试向量的线性和与系统观测性的直接关系,给出了在保证系统可观测性的同时,使得测试代价最小的测试矩阵优化方法.算例表明,提出的方法简单直观,对配置测试向量具有良好的工程价值.     

气动力/直接力复合舵系统神经网络参考模型设计

提出了一种气动力/直接力复合控制导弹在舵机层面进行复合控制的神经网络设计方法,即空气舵与直接力喷流机构看作是复合舵系统模型.该方法在完成复合舵系统建模的基础上,利用神经网络参考模型方法对等效舵机系统进行设计.最后,通过仿真验证了该方法可利用直接力喷流机构快速性,有效地提高复合舵系统的性能.     

超低照度下微光图像增强神经网络损失函数设计分析

超低照度下(环境照度小于2×10~(-3)lux)微光图像具有低信噪比、低对比度等特点,使目标难以辨识,严重影响观察效果。为了提高超低照度下微光图像质量,设计了一种用于微光图像增强的卷积自编码深度神经网络,并针对传统的均方误差损失函数不符合人类视觉感知特性等问题,结合现有的全参考图像质量评价指标,研究了包括感知损失在内的几种损失函数,并提出了一种新的可微分损失函数。实验结果表明,在网络结构不发生改变的情况下,所提损失函数具有更好的性能,在提高微光图像信噪比和对比度的同时,能够有效地增强图像内部细节信息。     

C~4ISR系统仿真测试研究

针对一种C4ISR系统在测试时的特点,提出了模拟仿真测试的方案,建立了仿真装备与指挥系统的交互模型,设计了交互对象的自动匹配算法,并在实际系统的仿真测试中得到应用和验证。     

心理测试“三步走”

当前，部队训练工作已全面展开，随着训练强度的增加，压力也随之增大，个别官兵易产生紧张、烦躁等不良心理反应，进而出现行为偏激，甚至发生意想不到的问题。在积极进行思想教育的同时必须及时有效地开展好心理疏导工作。心理测试是开展心理工作的前提和基础，把握住心理测试这一环节，心理工作的针对性和实效性才能更好。     

基于PXI的舰炮电气设备通用自动测试系统

采用虚拟仪器技术,并通过软件产生模拟信号拉制设备的运转,完成动态信号的提取,实现电气设备测试系统的研制.该系统具有通用性、高效性和易用性等特点,具有较好的实用价值.     

基于BP神经网络的磁流变阻尼器逆向模型研究

为了提高磁流变阻尼器的振动控制效果,在磁流变阻尼器力学特性试验的基础上,首先建立了基于BP神经网络的磁流变阻尼器的逆向模型,并通过试验试选的方法对模型中隐含层节点数目、期望误差等相关参数的确定进行了探讨;然后,针对BP网络在学习过程中表现出的学习速率慢、容易陷入局部极小等问题,进行了相应的算法改进。结果表明:利用改进算法建立的模型能够更准确、更快速地对控制电流进行预测,证明了改进算法的合理性,同时也进一步验证了利用BP神经网络方式建立磁流变阻尼器逆向模型方法的有效性。