基于神经网络的绕组电流闭环控制方法

在解决闭环消磁绕组电流优化计算问题时,会面临将外部磁场推算误差带入电流反演计算或完备的基函数难以确定等问题。为了降低这些因素对舰船最终补偿效果的影响,从智能优化的角度出发,在讨论散布常数对模型预测误差的影响后,确定了适宜的散布常数,建立了内部磁场与补偿电流之间的径向基函数神经网络预报模型。该方法通过样本对网络进行训练,无须推算内外磁场,就能直接得到使绕组磁场与目标磁场拟合误差最小的补偿电流向量。对比其他数值建模方法,其换算精度有所提高,且选择不同的同维向量作为基函数对补偿结果影响较小。船模实验验证了该方法的有效性。     

基于LSTM模型的卫星电源系统异常检测方法

针对卫星电源系统在轨运行状态检测问题,提出一种基于长短期记忆(Long-Short Term Memory,LSTM)模型的卫星电源系统参数异常检测方法。在利用LSTM模型对卫星电源系统参数进行预测的基础上,以预测参数数据与实际参数数据差的绝对值最小为目标对模型进行训练,采用模型预测的参数时间序列与模型训练误差生成的动态检测门对实时参数进行检测,从而实现卫星电源系统的异常检测。通过对实际在轨某卫星电源系统参数遥测数据的验证,结果表明:该方法能有效地对卫星电源系统进行异常检测。     

依据历史轨迹构建城市出租车移动概率模型

针对无法在线实时获取移动出租车实时状态信息的条件下,根据对历史轨迹信息的处理分析,提出将隐马尔科夫理论应用到城市出租车移动轨迹模型中,通过实际数据的分析建立出租车运动模型,通过对模型的计算来预测节点的位置分布概率,并在此模型上针对不同的用户需求进行查询处理,为用户提供搭车路线决策支持。通过利用真实数据集的实验证明,模型能够较好的模拟出出租车节点的运动状态,用户也能够从模型中获取较高精度的位置状态信息。     

基于多尺度融合预测模型的航空发动机剩余寿命预测

针对大多数基于数据驱动的航空发动机剩余寿命预测方法未细分其退化过程与复杂输入数据之间的关系,无法准确识别和提取关键特征的问题。提出一种基于多尺度融合预测模型(MSF)的航空发动机剩余寿命预测方法。该方法利用静态协变量编码网络(SCCN)和变量选择网络(VSN)针对输入数据类型进行特征选择,将SCCN生成的静态协变量连接到模型的不同位置,以提升模型捕捉不同尺度时间特征的能力,并融入门控残差机制构建模型基本框架,既能提高模型的适应性也能保证信息在网络中传递的效率,采用分位数误差作为损失函数实现了多尺度的预测,有效的提高了预测的准确性。在CMAPSS涡扇发动机数据集上进行实验分析,FD002、FD004测试集的预测精度分别达到91.9%和92.4%,通过与其他深度学习方法进行对比,RMSE最优值分别提高15.54%和16.91%,Score最优值分别提高83.21%和78.78%。     

基于深度迁移学习的低分辨雷达目标识别方法

针对低分辨雷达人工目标识别效率较低的问题,提出了基于深度迁移学习的雷达自动目标识别方法。该方法利用雷达回波序列轮廓像构建空中目标数据集,使用深度卷积神经网络自动提取回波数据中的深层特征,并对雷达目标进行分类识别。为了解决深度学习对样本量的巨大需求,在分类模型训练时,引入迁移学习思想,将经ImageNet数据集预训练过的初始网络模型迁移到雷达目标识别任务中,再通过空中目标数据集对模型参数进行微调,实现小样本条件下对空中目标的粗分类。实测数据的结果表明：所提方法能够在小样本条件下较为准确地对空中目标的大小和架次进行分类识别,具有良好的识别性能。     

基于贝叶斯正则化的Elman-NARX神经网络飞行轨迹预测

针对BP和Elman神经网络对预测飞行轨迹误差较大和时间较长的问题,提出了一种基于贝叶斯正则化的Elman-NARX神经网络方法。分析了飞行员的操纵量,确定网络的输入。然后改进NARX神经网络结构,提高了网络的非线性和动态性,同时采用贝叶斯正则化算法训练网络,改善网络的收敛时间和泛化能力。最后,基于BP神经网络、Elman神经网络和Elman-NARX神经网络等方法的飞行轨迹预测对比实验结果表明,该方法的预测精度和速度较高,具有实际应用价值。     

联合生成对抗网络和检测网络的SAR图像目标检测

针对合成孔径雷达图像目标检测中存在的样本获取困难且数量有限问题,提出了联合生成对抗网络和检测网络的学习模型。利用原始训练集对特别设计的超快区域卷积神经网络进行预训练;再通过基于注意力机制的深度学习生成对抗网络生成高质量合成样本,并输入检测网络进行预测;依据预测信息和概率等价类属标签分配策略为新生样本提供注释信息,并以一定占比对原始训练集进行扩充;利用扩充数据集对检测网络进行再训练。多组仿真实验证明,所提框架能够有效提升网络检测效率和性能。     

改进RVM的装备退化状态预测方法

为提高相关向量机(relevance vector machine,RVM)模型的预测精度,提出了一种改进RVM的装备退化状态预测方法。首先,通过构建一种方差高斯核函数(variance Gauss kernel function,VGKF)来提高核函数的全局性能和泛化能力;然后通过借鉴混沌序列局域预测法中邻近点个数的选取方法,利用H-Q准则(Hannan-Quinn rule)对训练空间预测嵌入维数进行优化,避免了主观选取的盲目性;最后提出一种线性搜索算法,优化确定核参数值。通过末制导雷达装备测试参数的预测实例,验证了改进RVM的有效性和优越性。     

基于灰色Verhulst优化模型的电子装备故障预测方法

针对平均故障工作时间数据样本量少的特点,提出利用灰色Verhulst模型预测电子装备故障;又针对灰色Verhulst模型存在预测精度不高的问题,研究了灰色Verhulst模型参数的优化方法。通过实际试验数据对2个模型进行了仿真验证,并基于灰色关联度对2个模型的模拟预测精度进行了比较分析,结果表明：基于灰色Verhulst优化模型适合于电子装备故障预测,并具有较高的拟合预测精度。     

基于TensorFlow的四旋翼无人机着陆地标识别

针对多旋翼无人机在无人干预情况下的自主着陆问题,提出一种基于迁移学习的地面标识图像检测方法.该方法基于TensorFlow深度学习框架,使用迁移学习技术在地面标识数据集上重新训练Inception-v3模型以构建新的地面标识识别模型.以四旋翼无人机为例,将其拍摄的着陆坪图片与其他地面标识图片作为训练集输入神经网络,通过多次训练校正神经网络参数.实验结果表明,基于迁移学习的四旋翼无人机着陆地标识别比直接基于In-ception-v3模型的识别效果要好得多,在仅有数千张训练图片的情况下,测试准确率超过90％.在Windows下训练、测试的模型可移植到树莓派3B上,完成了基于Python和TensorFlow开发的程序在不同操作系统下运行的验证工作.     

基于改进核极限学习机和集成学习理论的目标机动轨迹预测

为了提高目标轨迹预测的精度以及预测模型的泛化能力,提出基于改进蝙蝠算法优化的核极限学习机(Kernel Extreme Learning Machine,KELM)和集成学习理论目标机动轨迹预测模型。构建KELM模型,并采用改进的蝙蝠算法对KELM的参数进行优化;以优化后的KELM神经网络为弱预测器,结合集成学习算法生成强预测器,通过训练不断优化强预测的结构和参数,得到一种基于集成学习理论的目标机动轨迹预测模型;基于不同规模的样本,将所得预测模型与逆传播神经网络、支持向量机和极限学习机等模型进行对比分析。仿真结果表明:所提目标机动轨迹预测模型具有较好的预测精度和泛化能力。     

基于灰度关联和神经网络的装备价格第三方服务机构评价模型

为了科学合理选择装备价格第三方服务机构,研究以灰度关联分析和神经网络方法构建评价模型。研究数据采用问卷调研形式获取,针对样本数据采用灰度关联法分析评价指标与综合评分之间的关联性,发现服务态度和制度建设情况两个评价指标与综合评分关联度达0.74以上,较为重要。采用有效二级指标和综合评分作为输入和输出数据,构建基于神经网络的装备价格第三方服务机构评价模型。通过实际数据验证分析,发现神经网络模型预测精准的概率为75%,预测满足要求的概率为25%,满足实际应用需求,能够为主管部门遴选机构建言献策。     

深度置信网络在导弹攻击区分类中的应用

针对传统导弹攻击区解算方法忽略双方态势变化等问题,提出运用深度置信网络的导弹攻击区分类模型。根据导弹命中情况与目标机动间的关系,将导弹攻击区划分为五类。通过分析影响导弹攻击结果的态势参数,构建导弹攻击结果预测模型。在实验部分,结合重构误差和测试错误率确定深度置信网络的网络结构,通过逐层提取数据法分析模型参数特征并且讨论微调数据的采样方式。使用反向传播神经网络和支持向量机进行分类有效性对比实验。实验结果表明：深度置信网络运行速度和预测准确度明显优于其他两种方法,满足实时性和准确性要求,所提方法具有良好的应用价值。     

弹道修正弹射程偏差预测与阻力板展开时机优化

根据弹道修正弹阻力板的展开控制对于射程偏差预测要求的实时性,提出基于摄动原理的射程偏差预测算法.为解决阻力板修正能力在线计算数据量大的问题,提出在弹载计算机上装定阻力板修正能力表格的方法,给出发射前计算修正能力表格的过程和飞行中使用修正能力表格的步骤,提出阻力板展开时机的优化判断条件,并采用该方法对某型弹道修正火箭弹射程修正控制进行仿真试验和飞行试验.仿真试验结果表明,当目标射程为33 565.4m时,经修正后火箭弹的射程偏差能控制在20m以内;飞行试验结果表明,弹道修正火箭弹的射程偏差实测为24m,射程精度得到明显提高.     

基于概率神经网络的设备故障诊断及仿真分析

针对某些难于建立准确数学模型的复杂系统,用神经网络的方法进行故障诊断有其独特的优越性.首先分析了概率神经网络(PNN)的基本结构及其训练算法,建立了某型航空发动机故障分类的概率神经网络模型,通过对该设备故障进行定性诊断,对比分析了概率神经网络与常用的误差反向传播神经网络(BPNN)分类模型对各类故障的分类效果.仿真表明,基于PNN模型的分类方法在分类速度、精度和泛化能力方面均优于基于BPNN的模型,是一种有效的故障分类方法.     

改进ADC方法及其在武器装备系统效能评估中的应用

在分析武器装备系统效能特点的基础上,针对装备定型试验的应用需求,提出一种改进可用性-可信性-能力法,以解决传统方法在系统状态划分上无法准确全面描述武器装备实际可用性的问题。提出增加中间状态的策略,对效能综合计算模式、状态描述与计算方法、状态转移计算方法和能力计算方法做整体改进,在此基础上开发了支撑软件SEEK。并以某型主战坦克系统效能评估为例,验证了该方法的可行性和有效性。     

三关节机器人的神经网络补偿自适应控制器设计

三关节机器人广泛用于工业生产、轮式或履带式排爆机器人,为了补偿由于机器人结构参数、作业环境干扰等不确定性因素造成的机器人动力学模型的不确定性,将机器人动力学模型分解为名义模型和误差模型两部分,其误差模型采用RBF神经网络进行补偿,得到其估计信息,神经网络的输出权值根据Lyapunov稳定性理论采用自适应算法进行调整。所设计的神经网络补偿自适应控制器解决了不确定性机器人动力学系统控制器设计的不确定性问题,同时,通过定义Lyapunov函数,证明了控制器能渐近、稳定地跟踪期望轨迹。机器人的3个关节在控制器的作用下,约在5 s时达到期望轨迹,神经网络约在5 s时逼近机器人动力学模型的误差模型,实验结果表明了机器人关节对期望轨迹具有良好的轨迹跟踪性能。     

基于改进萤火虫优化算法的BP神经网络目标群威胁判断

以舰艇防空作战目标选择决策和规划需求为背景,针对萤火虫算法求解精度不高且收敛速度较慢的问题,提出可动态调整步长的改进萤火虫优化算法。在改进萤火虫优化算法的基础上,建立基于改进萤火虫优化算法的BP神经网络目标群威胁判断结构模型。通过改进萤火虫算法优化BP神经网络的初始权值和阈值,能够更好地预测测试集。实验结果表明,该方法可快速、准确地实现目标群威胁判断。     

灰色神经网络的鱼雷经济寿命预测

为减少军费开支、降低鱼雷全寿命费用,从经济性角度提出了鱼雷最佳服役年限模型。利用灰色等维新息GM(1,1)模型对鱼雷年度使用维修费用进行预测;采用分组的思想将原始数据分为多组,采用神经网络对灰色模型的预测残差进行修正,以提高预测精度。通过实际算例预测了鱼雷经济寿命,从而证明了模型的实际应用价值。     

基于转置卷积神经网络的翼型结冰冰形图像化预测方法

结冰问题严重影响飞机飞行安全,结冰智能预测是飞机智能防除冰系统设计和安全设计的重要依据和支撑。为解决复杂冰形在翼面同一位置的法线方向冰形厚度存在多值的问题,提出基于转置卷积神经网络的翼型结冰冰形图像化预测方法。设计预测模型的神经网络结构、损失函数、数据规范等,直接将影响飞机结冰的飞行和大气条件作为输入,以灰度化的冰形图像作为输出。基于NACA0012翼型,通过数值模拟方法生成冰形数据集,同时利用风洞试验结果对数值模拟方法进行验证,以确保生成数据的可信度。构建以飞行速度、温度、液态水含量、平均水微滴直径和结冰时长5项参数作为输入的预测模型,并进行仿真训练和验证。仿真结果表明:所提翼型结冰预测模型不仅能够快速预测翼型冰形,而且在冰体轮廓、结冰上下极限、冰角位置、结冰厚度等主要特征方面也与数值计算结果符合较好。