基于遗传神经网络的装备抢修性预测模型

装备的抢修性是装备设计时赋予装备的一种固有属性,直接影响到战场抢修工作。抢修性模型是抢修性研究的重要内容。针对抢修性量化模型难度大的特点,尝试采用具有自学习能力的神经网络对抢修性进行仿真预测,同时为提高神经网络的性能,运用遗传算法对其优化,从而得到基于遗传神经网络的装备抢修性预测模型。最后仿真结果表明该模型可较好地用于抢修性的仿真预测,能为新研制装备的抢修性设计提供有益参考。     

基于IVA的卷积混合频域盲扰信分离算法研究

盲扰信分离是盲源分离算法在无线通信抗干扰中的应用。文章将独立向量分析(IVA)引入到卷积混合频域盲扰信分离算法中,克服了频域方法存在顺序不确定性和分离效果不佳的缺陷。仿真实验表明该算法的有效性,采用该算法实现了卷积混合条件下BPSK信号与多种干扰的扰信分离,具有一定的抗干扰能力。     

明珠之城

转变经济发展方式,实现科学跨越发展,坚定不移地走"三化"道路,坚持做到生态环保与经济社会协调发展;努力构建以石河子市为龙头、以团场城镇为基础的新型城镇化体系;着力建设资源循环利用、产业链完整、集群化程度高、主导作用更加明显的工业体系;按照"优棉、稳粮、扩畜、增果"的原则,发展现代高效农业,增强农业竞争力和可持续发展能力;改进提升传统服务业,突出发展现代服务业;创新社会管理,营造和谐稳定的社会环境。     

基于Agents/Space的装甲装备战损仿真方法(Ⅱ)

对任何仿真系统,只有在保证一定可信度的基础才具有实用价值。在文(Ⅰ)战损仿真原型系统的基础上,结合经济性和可行性的权衡分析,提出了装甲装备战损仿真系统的修正策略。进行了典型条件下的杀伤力参数试验,利用神经网络技术修正BAD参数经验值和试验值的误差,然后将训练完成的神经网络模块嵌入在P ierc ingA gen t中,实现对BAD模型参数的动态修正。最后,进行了仿真试验,并利用实战数据和全尺寸物理实验数据进行了仿真系统的有效性验证。研究成果为装甲装备战损或具有类似特征系统的仿真提供了一种研究途径。     

基于特征融合的刀具磨损监测方法

提出了一种基于特征融合的刀具磨损监测方法,将该方法应用于铣刀磨损监测取得了较好的效果,文中论述了特征融合方法的基本思想,多传感器信号的特征关联、抽取及正规化处理,作为融合中心的神经网络的构造及训练等内容。实验分析表明,该方法实现刀具磨损监测是行之有效的。     

磁致伸缩作动器的位置跟踪补偿控制

为提高磁致伸缩作动器控制精度,以 Jiles-Atherton 磁滞和动力学模型为基础,通过优化偏执磁场和预紧力来提高作动器线性度,并基于前馈控制、PID 反馈控制及柔性神经网络理论,提出了前馈补偿 PID 及柔性神经网络前馈补偿 PID 控制策略。同时,以偏置正弦和阶跃为指令信号,研究作动器的位置跟踪和补偿控制。仿真表明：相比常规 PID 控制和前馈补偿 PID 控制,柔性神经网络前馈补偿 PID 控制具有更好的位置跟踪效果和抗干扰能力,具有无振荡、无超调、响应速度快的特点。     

坦克火力运用智能系统目标威胁度评估模块

随着科学技术的发展,未来战争将有更多的智能化武器出现,坦克火力运用智能化将是坦克火力系统的发展方向,而目标威胁度评估是该系统的核心模块.应用BP神经网络建立了坦克目标威胁度评估模型,对影响因素进行了分析与预处理,并构造了3组训练样本.利用MATLAB7.0中神经网络工具箱的图形用户界面GUI对样本和影响因素进行训练、仿真.结果表明,BP神经网络模型能很好地解决坦克目标威胁程度与影响因素之间的非线性关系,评估坦克目标威胁度有很强的客观性和科学性,对未来坦克火力运用智能系统的建设具有一定的借鉴作用.     

神经网络在精确打击目标识别中的应用研究

目标识别正确与否直接影响到防空火力的部署、分配及有效打击.利用BP神经网络识别精确打击目标并进行了仿真实验.建立了样本库,提取图像的不变矩作为神经网络的输入量,分别采用基本梯度下降算法、有动量和自适应学习速率梯度下降算法和Levenberg-Marguardt优化算法训练BP网络.仿真结果表明,不变矩理论很好地解决了3维物体的2维图像在旋转、平移、缩放时能否成功提取图像特征的问题,而采用LM优化算法的BP神经网络训练速度快,识别准确率高.     

基于遗传BP神经网络的装甲装备器材需求预测

装甲装备器材保障具有规模大、时间紧、消耗大、不确定因素多、决策难度大等特点。准确的需求预测是实施主动的、精细化的器材保障的重要前提条件。利用BP神经网络较强自学习能力和自适应能力对器材需求规律进行学习,并借助遗传算法提高BP神经网络的收敛速度,设计了一种基于遗传算法改进的BP神经网络模型预测方法,对装甲装备器材进行需求预测。通过实例计算表明,该方法比单纯BP神经网络方法具有预测精度高、收敛速度快的优点。     

基于粗糙集理论的飞行轨迹识别

针对飞行轨迹人工识别对专家经验依赖性强,识别准确率不稳定的问题,提出一种基于粗糙集理论的飞行轨迹识别方法。首先,对飞行轨迹进行特征提取,获取用于轨迹类别判定的条件属性和决策属性;其次,利用模糊自组织神经网络对飞行轨迹决策表离散化,采用启发式遗传约简算法对条件属性约简,消除了冗余属性对识别结果的影响;最后,利用实际飞参数据进行轨迹识别,结果证明该方法准确有效。