基于云重心理论的装甲团主攻方向优选

主攻方向选择的合理与否对战斗的成败有重大影响,合理确定主攻方向是战斗决心的核心内容。为解决主攻方向优选问题,引入了云重心理论,根据主攻方向选择的基本要求,通过对相关军事问题的结构化分析,建立了主攻方向的评价指标体系,并采用层次分析法确定各指标的权重。然后通过专家打分法,确定各属性指标的值,再运用云重心理论进行评估,最后通过对比评估结果确定最优主攻方向。通过多种方法的运用,较好的完成了装甲团主攻方向优选的问题,为科学解决主攻方向的优选问题提供了一定的方法参考和理论依据。     

一种改进的云评估方法

在现有云评估方法的基础上,将云概念化和逆向云发生器引入其中,对原有评估方法进行改进。利用改进后的评估方法对C4ISR系统效能进行评估,使评语的各个数字特征由训练数据得到而非人为确定,进一步消除了评估过程的主观性。     

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.     

模糊推理与多重结构神经网络在信息系统安全风险评估中的应用

针对信息系统安全风险评估中风险因素的模糊不确定性及风险因素闻的潜在关联性,提出了一种结合模糊理论与神经网络的评估方法.利用模糊聚类的方法将因素的评价集分为5类,运用三角模糊数对评价集语言变量进行模糊化处理;基于历史经验,借助模糊神经网络强大的自适应能力与非线性映射能力.对信息系统进行安全风险评估,有效降低了评估的随机性...     

基于排放和模糊神经网络模型的柴油机故障诊断方法

根据排放检测数据规律,定义并提取特征参数,建立了规则与模糊神经网络有机结合的柴油机故障诊断模型及其对应的特征知识库,确立了模型的“可塑性”学习路线,并以单缸失火故障为例,进行了模型诊断实例研究。结果表明：运用该方法进行柴油机的故障诊断,结果准确,识别速度快,诊断效率高。     

导弹贮存寿命预估的组合模型

在分析比较了几种寿命预估方法优缺点的基础上,针对单一预估方法在解决实际问题中所暴露的局限性,优选了GM-BPNN组合预估模型。该组合模型既利用了灰色预估理论具有所需要的样本数据少、原理简单、运算方便、短期预估精度高、可检验等优点,也发挥了神经网络并行计算、容错能力强、自适应能力强等优点。最后利用该组合模型对弹上某设备寿命进行了预估,取得了较好的预测效果。     

基于BP神经网络的集群装备战斗力指数评估

集群装备战斗力是影响装备指挥员乃至作战指挥员科学决策的主要因素之一.针对战时装备维修保障决策需求和特点,通过深入分析集群装备作战实际,研究了集群装备战斗力指数影响因素集并对各因素进行了说明,基于BP神经网络建立了集群装备战斗力指数评估模型,利用专家确定的40组训练样本对该BP神经网络进行训练.研究结果表明,基于BP神经...     

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...     

空中进攻作战天基信息"云"支援体系建设研究

天基信息支援下的空中进攻作战对于夺取战场控制权、改变战争局面发挥着不可估量的作用.随着作战领域不断融合和人工智能、云计算、大数据等技术在军事领域的深入渗透应用,现代空中进攻作战展现出不同以往的样式与特征.基于新特征下的空中进攻作战对天基信息支援的作战需求设计了天基信息"云"支援体系,分析了空中进攻作战中天基信息支援技术体系支持,对人工智能、大数据等新技术在天基信息支援体系建设中的应用和未来空中战场发展方向进行了展望.     

基于TS模糊神经网络的液压伺服系统研究

在飞机地面模拟试验台台架控制的液压伺服系统中,由于其系统存在强非线性,传统PID控制难以使液压马达转角达到精准良好的控制效果.针对这个问题,同时为提高控制系统性能,将基于TS模糊神经网络PID控制的智能控制算法应用于液压马达伺服控制系统中.在建立飞机台架液压伺服模型的基础上,利用基于TS模糊模型的神经网络对PID参数进行自适应整定,并基于MATLAB/Simulink平台进行相应的仿真实验.仿真结果表明,TS模糊神经网络PID控制器相比于传统PID控制器和普通模糊PID有着更好的响应特性,呈现出更佳的控制效果,使飞机台架控制系统的综合性能得到了提高.