基于小波神经网络的MEMS陀螺输出预测方法

为了解决弹载MEMS陀螺实时输出预测问题,提高陀螺输出预测精度并减小计算量,通过分析弹载陀螺信号时间序列特性,结合小波分析和神经网络两种方法的优势,提出了一种基于小波神经网络的MEMS陀螺输出预测方法。选取并优化神经网络结构参数,利用实测陀螺数据对建立的小波神经网络进行训练,并预测出未来一段较短时间的陀螺输出值。与陀螺实测值和ARMA模型预测结果的对比发现,小波神经网络方法有效地提高了MEMS陀螺输出预测的精度、减小了计算量,从而验证了该方法的有效性和精度。     

混沌时间序列中弱信号的检测

介绍了混沌的基本特性,利用混沌时间序列对RBF神经网络进行训练,则训练好的神经网络对混沌序列未来时刻的值具有一定的预测能力.若混沌序列中包含有目标信号,则其混沌特性将受到影响,导致神经网络对其预测误差的增大.这样可根据预测误差对淹没在混沌杂波及混沌杂波加一定强度的白噪声中的弱目标信号进行检测.仿真结果表明这种方法优于传统的目标检测方法,有着较好的杂波抑制能力.     

神经网络指导贝叶斯决策准则用于运动目标分类

本文利用目标的动态特性开发了神经网络指导的贝叶斯决策准则进行目标分类。系统由特征提取器、指导条件概率生成器的神经网络、新颖的序贯分类器组成。所应用的主要特征是从每个航迹中提取的速度和曲率序列。类似于隐式马尔可夫模型(HMM),用隐含状态训练神经网络,网络的输出则是给定观测下出现隐含状态发生的条件概率。然后用这些条件概率作序贯贝叶斯分类器的输入进行分类。一旦接收到新的扫描数据,分类结果递推更新。为了说明所述方法的有效性,介绍了关于高杂波率的多扫描图象的模拟结果。     

用于视频图像帧间运动补偿的深度卷积神经网络

为探索深度学习理论在视频图像帧间运动补偿问题中的应用,提出一种用于视频图像帧间运动补偿的深度卷积神经网络。该网络由卷积模块和反卷积模块构成,可以处理不同分辨率输入图像并具备保持较完整图像细节的能力。利用具有时序一致性的视频图像序列构造训练样本,采用随机梯度下降法对设计的深度卷积神经网络进行训练。视觉效果和数值评估实验表明,训练得到的网络较传统方法能更有效地进行视频图像帧间运动补偿。     

用于目标机动检测的神经网络

用于跟踪机动和非机动目标的算法有很多[1]—[4]。对机动目标和非机动目标可以使用不同的算法。检测目标机动的能力能为给定的态势提供良好的算法。通常采用一些特定的技术实现机动检测。神经网络为实现目标机动检测提供了一种新工具。已经为这种应用开发测试了两个不同的网络。一个网络使用方位数据,另一个网络使用滤波器残差。方位数据先被仿真,然后被滤波,以便为这两种网络提供所需要的输入。使用反向传播算法训练每个网络,该算法是一种被资料证明的普通梯度下降训练算法[5]。已经研究了很多不同的多层感知结构。这里介绍的两种结构能在训练和测试时提供最好的性能。对这两个网络进行了相互比较,并且与一个特定的门限算法进行了比较,给出了相对性能数据。这项研究结果表明,利用神经网络实现目标机动检测是可能的。     

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。     

前馈控制的神经网络实现

不依赖对象模型,在前馈-反馈定值控制系统中,借助神经网络构成前馈控制器,以反馈输出引导网络权值及输出的调整,使网络逐步学成前馈补偿功能,并最终在控制中占据主导地位,实现对主要可测干扰的补偿.文章分析了神经网络前馈控制器的作用效果,并与根据精确模型设计的常规前馈控制器的作用特性进行了比较.文中采用两种不同方式对神经网络进行训练,仿真结果证实了在模型未知的条件下,利用神经网络实现前馈控制的有效性.     

非线性系统的神经网络广义预测控制

研究了神经网络广义预测控制方法在非线性系统中的应用,基于BP网络构造神经网络预测器,利用非线性系统的开环输入输出数据离线训练神经网络,根据拟牛顿BFGS优化算法使得二次型性能指标函数达到最小,得到了最优的控制序列。同时给出了神经网络广义预测控制算法的步骤,讨论了提高系统鲁棒性的措施。仿真结果表明,这种神经网络预测控制算法具有响应速度快、控制效果好和跟踪精度高等特点。     

基于FNNs的闭式循环柴油机配氧前馈控制策略研究

配氧控制是闭式循环柴油机(CCD)系统的关键技术之一,为改善其动态特性,在 PID反馈控制的基础上,设计了基于模糊神经网络(FNNs)模型的前馈控制器,并采用 PID反馈控制输出信号作为网络训练的误差信号,使模糊神经网络逐步具有前馈补偿能力,从而能够有效对负荷扰动进行及时补偿.仿真结果表明,采用FNNs前馈控制器后,可以有效改善氧气控制的动态特性,并且具有快速的学习速度和很强的适应能力.     

基于BI-GRU-CRF模型的中文分词法

循环神经网络作为一种处理时序数据的有效模型,已在序列标注问题上得到了广泛应用。为解决序列标注中典型的中文分词任务,基于门限循环单元(Gated Recurrent Unit,GRU)神经网络,提出了一种改进的双向门限循环单元条件随机场(BI-GRU-CRF)模型,该模型不仅可以通过双向门限循环单元有效利用双向上下文信息,而且可以通过条件随机场层联合考虑相邻标签间的相关性,得到全局最优的标记序列结果。在常用的中文分词测评集(PKU、MSRA)以及由构建的军事领域分词语料上,分别采用四词位及六词位标注法进行了实验,结果表明BI-GRU-CRF模型具有良好的分词性能,且六词位标注法可以改进分词效果。     

一种相位编码信号参数盲估计方法

针对电子侦察中相位编码信号参数盲估计问题,提出一种新的相位编码信号载频和码元宽度盲估计方法。该方法首先将信号划分为等长度区间,并计算每个区间内信号的频谱,然后根据包含相位跳变区间频谱与不含相位跳变区间频谱的特征差异,以各区间内信号频谱峰值序列的方差最小为准则,不断改变区间划分长度完成码元宽度和载频估计。仿真结果表明,本算法在没有任何先验知识的情况下,可以对相位编码信号参数进行精确估计。     

基于GA-BP网络的LFM信号脉冲压缩

为了改善线性调频(linear frequency modulation,LFM)信号脉冲压缩输出的性能,研究了误差反向传播(back propagation,BP)神经网络在线性调频信号脉冲压缩中的应用。采用遗传算法(genetic algorithm,GA)对BP神经网络的连接权值进行训练学习,该算法可克服BP网络容易陷入局部最优的缺点。仿真结果表明,GA-BP网络具有较快的收敛速度和较好的数值稳定性,在信噪比损失小于1dB的条件下,可获得60dB左右的输出主旁瓣比。     

基于尺度UKF小波网络的混沌时间序列预测

根据小波网络和Kalman滤波的特点,将小波网络的权重、平移因子和伸缩因子作为Kalman滤波的状态变量进行估计,提出一种训练速度快、泛化能力强的小波网络的尺度无轨迹Kalman滤波学习算法。然后,利用Rǒssler时间序列和变参数的Ikeda时间序列对该算法进行了验证。仿真结果表明,该算法预测混沌时间序列收敛速度快,预测精度高,而且在混沌时间序列的嵌入维数未知时也能取得较好的预测效果。可以胜任混沌时间序列的精确建模和预测任务。     

标准化全连接残差网络空战目标威胁评估

针对空战态势中威胁评估传统方法存在缺乏自学习能力和面对大样本数据集推理能力不足的问题,提出了利用深度学习的基于标准化全连接残差网络空战目标威胁评估的方法。将影响空战目标威胁的主要因素作为输入,利用普通全连接神经网络训练模型的自学习能力,结合批量标准化(Batch Normalization)的优化算法和结构优化的残差网络(ResNet)增强网络的自学习能力,比较了样本的标记和网络模型的输出。分析了训练样本个数对网络训练准确率和损失变化的影响,对比了3种不同数据量下的训练模型在同一测试集下测试的准确率和损失变化。结果表明,该方法可以快速准确地评估空战中目标的威胁程度。     

基于二次特征提取的神经网络信号源个数估计方法

信源数目估计对阵列信号空间谱估计非常关键,但容易受到相关噪声环境和相关信号源的影响。为此,提出一种基于二次特征提取的源数估计算法。首先,利用阵列信号协方差矩阵的特征值和特征向量,提取6组二次特征参数;然后,利用这些参数对神经网络进行训练;最后,利用训练好的神经网络进行信源数目估计。由于稳健性强,该算法非常适合在复杂电磁环境下使用。仿真试验结果表明,该算法在低信噪比、相关噪声和相关信号源条件下均具有良好的估计性能。因此,该算法应用前景广阔。     

基于神经网络集成的传感器故障诊断研究

针对诊断传感器偏置故障及漂移故障的难点问题,提出了一种基于神经网络集成的传感器故障诊断方法。该方法将传感器输出看做时间序列,通过加噪声生成抖动数据,建立多组神经网络,以获得神经网络集成预测器输出。通过将预测器输出与传感器实际输出相比较获取残差序列,获得基于残差序列的传感器偏置故障和漂移故障的辨识策略,实现传感器故障在线诊断。应用结果表明该方法可以提高神经网络的运算精度,从而快速准确地检测和分离传感器故障,辨识传感器故障类型以及故障发生的时间。     

基于遗传神经网络的联合作战方案评估

遗传神经网络是处理不确定性和非结构化问题的一种有效工具。提出了一种基于遗传神经网络的联合作战方案评估方法,其基本原理是通过网络对已知作战方案样本的学习训练,对新样本进行模式识别。网络的输入为某型联合作战方案特征指标数据,输出为方案评估等级。仿真结果表明,该方法相比标准BP网络评估收敛速度更快,准确性更高;相比径向基网络计算精度有所改善,具有较好的适用性。     

神经网络在联合火力打击目标价值分析中的应用

针对联合火力打击中目标价值的特点,运用BP神经网络理论对目标价值进行分析,并建立了联合火力打击目标价值分析指标体系,设计了BP神经网络模型;通过定义学习代价函数、确定函数输出信号、修正函数信号、网络初始化等改进BP算法对目标价值进行了分析,得到了目标打击序列分类.算例验证了该算法的合理、高效、稳定,在联合火力打击中目标优选分类方面具有广泛的实用意义.     

基于神经网络的液体火箭发动机故障检测系统

提出和建立了一种用于液体火箭发动机（ＬＲＥ）故障检测的神经网络系统,这种系统包括两层：第一层由ＷＴＡ（Ｗｉｎｎｅｒ－Ｔａｋｅ－Ａｌｌ）神经网络组成,ＷＴＡ网络用于检测发动机故障输出模式;第二层由ＢＰ（Ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ）神经网络组成,ＢＰ网络利用第一层次的输出结果作为输入显示故障大小。文中对ＬＲＥ故障检测进行了数值仿真,仿真结果验证了神经网络故障检测系统的优越性能。     

Duffing混沌阈值的新定量求解法及其在WSD的应用

概述了求取Duffing系统阈值的3种传统方法,分析优缺点,最终提出一种新的求取混沌阈值的定量方法。这种方法能充分反映周期序列的振荡特征,因此,定义为周期特征量法。将该特征量作为混沌阈值可以明显区别混沌序列和周期序列,由此可以用于判断Duffing系统的输出状态,是一种优于其他方法的混沌判决。最后,仿真验证了该方法的可行性并应用于检测弱周期信号的有无及其幅值。