神经网络发展探析

主要介绍神经网络近期新发展,扼要阐述其原理、结构、模型、算法、特性、应用前景及发展现状与趋势。     

论用于控制和估计的某些神经网络结构和要求

虽然在自动目标识别(ATR)和其他模式识别/分类应用领域有成功地使用神经网络(NN)算法的巨大潜力,但是(如本文所述的)遇到了在反馈控制设计中至今不能严格使用NN的一些值得注意的障碍。本文介绍与控制和估计理论(以及与INS/GPS导航系统中实际的故障检测)有关的涉及NN的若干问题和矛盾的现状。为了促进发展和给出综合展望,我们也介绍应用控制和估计理论中的技术和结果所取得的许多新的值得称赞的NN结果。     

具有热阻、热漏和内部耗散的联合制冷机性能

建立一类存在热阻、热漏和内部耗散的定常态流联合制冷机循环模型,并研究其性能优化,导出制冷系数、制冷率基本优化关系和最大制冷系数及其相应的制冷率．给出了传热面积的最佳值和工质最佳工作温度．所得结果适用于由任意个制冷机串接而成的联合制冷循环．     

神经网络在声纳目标识别中的研究进展

综述了神经网络在声纳信号预处理、目标特征提取及其自动分类方面的研究进展,简要分析了神经网络模型的特点和在应用中的局限性。并对该领域的发展趋势提出了自己的看法。     

基于BP 网络与D-S理论相结合的点目标状态下卫星及其伴飞诱饵的识别方法

本文提出的点目标状态下卫星及其伴飞锈饵的识别方法是基于ＢＰ网络与Ｄ－Ｓ理论相结合的信息融合方法。该方法采用目标的红外辐射特征,先用ＢＰ网络对目标进行粗分类,然后用Ｄ－Ｓ理论对ＢＰ网络的多次识别结果进行融合。仿真实验结果表明,Ｄ－Ｓ理论的最后输出比ＢＰ网络的输出识别率得到很大的改善,抗噪能力得到很大的提高     

曲顶抽样与平顶抽样的本质分析

本文以理想抽样为依据,从信号分析的有度对平顶抽样与曲顶抽样作了时域与频域的比较,从而指出它们的本质区别。     

不对称Hopfield神经网络的稳定性分析

Ｈｏｐｆｉｅｌｄ型神经网络是一个高度互联,结构一致,便于物理电路实现的非线性动力学系统,基于稳定性和考虑,已有的研究和应用通常局限于神经元之间具有对称突触承接的问题,而实际中面临更多的却是非对称问题,本文应用Ｌｙａｐｕｎｏｖ第二方法对一种特殊的不对称Ｈｏｐｆｉｅｌｄ型神经网络的稳定性进行了证明,为神经网络在各种实际优化计算中的应用开辟了新的理论途径。     

一种基于神经网络的阶跃响应辨识方法

提出了一种基于神经网络的参数辨识方法,该方法与传统的参数辨识方法有着本质的不同。它充分地利用了神经网络对任意非线性函数的逼近能力,并将其与传统的基于阶跃响应的辨识方法结合起来。对方法的原理及其相关的神经网络算法做了具体的阐述并给出了仿真实例,结果表明方法是可行的,并可由此看出,神经网络用于工程实际的广阔前景。     

神经网络距离-多普勒超分辨雷达成像

研究利用神经网络实现超分辨雷达成像。该方法首先根据Tuff的前后向线性预测(FBLP)方程用神经网络得到样本序列的AR模型参数,然后利用神经网络作线性预测外推,再用神经网络对外推后的数据作离散哈特来变换(DHT)。从哈特来变换可以方便地得到外推数据的离散傅里叶变换,从而得到距离-多普勒超分辨雷达像。利用微波暗室数据对这一方法进行了数字仿真,结果表明这种方法是可行的,即使在低信噪比下也有较好的性能。