基于BP神经网络的坦克炮火力威力评价模型

从分析不同型号坦克炮的主要性能指标入手,应用BP神经网络理论和方法探索其火力威力评价的问题.建立了坦克炮火力威力评价的BP神经网络模型,对原始评价指标进行了归一化处理,并构造了3组训练样本,利用MATLAB6.5中神经网络工具箱的图形用户界面GUI对评价指标和样本进行训练、仿真,并对结果进行比较.结果表明,BP神经网络模型能很好地解决评价指标与结果之间的非线性关系,评价坦克炮火力威力简便可靠,客观性强;研究结果可为坦克炮的进一步开发和研制提供理论参考.     

一种快速评定通信设备战损等级的方法

为解决通信设备战损等级评定中存在的问题,快速且准确地做出评定,提出了利用BP神经网络进行战损等级评定.在总结战损等级影响因素的基础上,建立了通信设备战损等级评定神经网络模型.经检验,该模型用于战时通信设备战损等级评定准确度高,具有很强的军事意义.     

基于串联QFD神经网络的武器装备使用需求映射方法

针对传统优化方法不能对武器装备使用主体――部队的使用需求进行有效考虑,提出武器装备使用需求到性能指标映射的串联QFD神经网络方法.该方法综合利用了QFD方法采集信息准确快速、神经网络能够精确模拟多变量输入输出强非线性关系的优点,提高了映射精度与针对性,克服了传统需求分析侧重于推理而轻实践、侧重于"设计方"而轻"使用方"的弊端,集中体现了"用户"为主的思想.改进了传统BP网络训练算法,给出了武器装备使用需求映射适应度函数.最后,结合实例对方法及算法进行了可靠性验证.     

一种基于BP神经网络的极化干涉SAR植被高度反演方法

地面干涉相位估计偏差和植被散射模型偏差都将引起三阶段植被高度反演偏差,针对该问题,提出了基于BP神经网络的植被高度反演方法,该方法直接利用BP神经网络模拟极化复相关系数与植被高度之间的非线性映射关系,不仅可以避免地面干涉相位估计偏差导致的植被高度反演偏差,还能降低三阶段植被高度反演方法面临的散射模型偏差导致的植被高度反演偏差,具有比三阶段植被高度反演方法更高的反演精度。实验结果验证了新方法的优越性。     

基于模糊-组合神经网络的信息系统安全风险评估

针对信息系统的安全风险评估问题,提出了一种将模糊理论与神经网络进行"浅层次"结合的评估方法。通过对信息系统所涉及的风险因素分别从资产影响、威胁频度、脆弱性严重程度三方面进行分析,建立了信息系统的安全风险层次化结构,并构造了各因素所对应评判集的隶属度矩阵;综合运用模糊推理算法与神经网络仿真技术,对信息系统的安全风险进行评估,进而判定信息系统安全风险等级。最后,通过实例分析说明了算法的应用,并借助误差分析检测了模型的有效性。     

RBF神经网络在深V型滑行艇阻力预报中的应用

基于SV、JYK系列滑行艇的阻力、浸湿面积、航行纵倾角试验数据,采用RBF神经网络建立了深V型滑行艇阻力预报数值图谱;针对艇艉底部横向斜升角变化的有限试验数据,提出了一种基于小样本试验数据的阻力修正方法。试验表明,该方法对深V型滑行艇(折角线长度与最大折角线宽度比在4~5.5,面积负荷系数在5.5~7,重心纵向相对位置在3%~9%,艉部艇底斜升角在5°~25°之间变化)阻力预报是可行的。在相同精度下,针对该文研究的问题,RBF神经网络所需时间少于BP神经网络。     

基于EMD、遗传算法及神经网络的柴油机故障诊断

研究了将经验模式分解(Empirical Mode Decom position,EMD)、遗传算法及BP神经网络相结合对柴油机振动信号进行故障诊断的方法。首先运用经验模式分解方法对柴油机缸盖表面振动信号进行分解并提取特征参数;然后利用遗传算法对得到的特征参数进行选择,找到对于故障诊断最为敏感的参数;最后建立了BP神经网络模型对柴油机典型故障进行诊断。通过对某型柴油机的验证,表明该方法能够准确识别柴油机供油系统的典型故障。     

气液两相管流流型识别理论研究进展

综述了气液两相流流型识别理论及方法的研究进展。首先探讨了流型划分问题,然后针对水平管路、垂直管路及摇摆管路介绍了两相流流型转换机理及转换的边界条件;对于流型的在线识别,介绍了基于波动理论、神经网络和图像处理的流型识别方法。最后提出了气液两相管流流型识别中亟待开展的理论研究方向。     

基于BP神经网络的智能军车车牌识别系统设计与实现

本文提出了基于BP神经网络的智能军车车牌识别系统设计与实现,该系统由军用车辆号牌图像预先处理、字符的定位、字符的分割和字符的识别等流程组成,重点研究BP神经网络识别车牌技术,进行Matlab仿真实验,并对实验结果进行了统计分析。     

基于BP神经网络的磁流变阻尼器逆向模型研究

为了提高磁流变阻尼器的振动控制效果,在磁流变阻尼器力学特性试验的基础上,首先建立了基于BP神经网络的磁流变阻尼器的逆向模型,并通过试验试选的方法对模型中隐含层节点数目、期望误差等相关参数的确定进行了探讨;然后,针对BP网络在学习过程中表现出的学习速率慢、容易陷入局部极小等问题,进行了相应的算法改进。结果表明:利用改进算法建立的模型能够更准确、更快速地对控制电流进行预测,证明了改进算法的合理性,同时也进一步验证了利用BP神经网络方式建立磁流变阻尼器逆向模型方法的有效性。