神经网络集成方法在火灾分析中的应用

采用神经网络集成方法对我国31个地区的经济总量、消防基本投入、火灾损失之间的关系进行定量分析,研究发现神经网络集成方法能有效地反应各地区经济发展水平、消防基本投入与火灾损失之间的内在联系。     

六维力传感器静态解耦方法

在系统分析六维力传感器线性解耦基本原理的基础上,依据各向同性指标比较分析了基于克拉默法则和最小二来法线性解耦算法的优劣,建立了RBF神经网络非线性解耦模型.研究结果表明:与克拉默法则相比,最小二乘法得到的标定矩阵具有更优的各向同性;以径向基神经网络逼近广义力向量和输出电压之间的函数关系可大大减小六维力传感器的线性误差和维间耦合,其总体误差低于1％FS.     

RBF神经网络在飞艇单发停车故障中的应用

针对飞艇单发停车故障,提出了一种基于径向基神经网络的模型跟随非线性重构控制策略,并使用遗传算法对RBF网络进行了优化.该方法通过响应误差构造神经网络的学习规则,神经网络的输出驱动系统向着消除误差的方向运动.理论分析和仿真验证表明,该控制策略具有良好的重构性能和鲁棒性.     

BP神经网络的布撒器末端修正

针对布撤器开舱点位置解算及子弹药减速伞延时解算所需时间长的问题,引入了BP神经网络算法,建立了子弹药的数学模型和BP神经网络解算模型,并进行了布撒器末端修正的仿真分析.仿真结果表明:运用BP神经网络算法计算的结果误差较小,并且大大缩短了在线解算的时间,进一步提升了布撤器的作战效能.     

一类不确定时滞混沌系统的全局鲁棒自适应神经网络同步控制器设计

研究一类不确定时滞混沌系统的全局鲁棒自适应神经网络同步控制器设计,其系统中的不确定时滞项不是简单的线性有界条件,而是允许其存在高阶项,因此具有全局特性．在控制器的设计上;首先通过选取合适的径向基函数（RBF）神经网络的权向量去逼近时滞系统中的未知连续有界部分;然后在RBF神经网络输出的基础上,选用一个鲁棒自适应控制器来趋近时滞系统的不确定部分;同时,利用Lyapunov稳定性理论对混沌同步的条件给出了论证;最后,数据仿真的结果表明该方法的有效性．     

无线传感器网络中数据流异常数据的联合估计算法

为保证无线传感器网络数据的完整性,针对数据流中存在异常数据的问题,提出了一种基于BP神经网络和多元线性回归的联合估计算法。首先,将存在异常数据的数据流作为样本输入,利用神经网络的非线性拟合能力对异常数据进行估计。然后,通过相邻的传感器节点数据建立多元线性回归模型,对异常数据进行估计。最后,根据两种算法在不同情况下的误差大小,调整它们各自在异常数据估计中的权重,计算出最接近真实值的估计值。以Berkeley Intel实验室的传感器数据为实验数据,通过Matlab软件对本文方法进行测试并分析仿真结果,实验结果表明文中提出的方法能对异常数据进行有效估计,并且具有较高的可靠性和稳定性。     

某扫雷犁电液伺服系统的模糊神经网络控制

针对某扫雷犁电液伺服系统这一典型的非线性系统,使用基于减法聚类的模糊神经网络(FNN)自学习算法设计了控制器,其中减法聚类用于确定模糊神经网络的初始结构。在网络的学习过程中,对结论参数采用最小二乘法进行辨识,对前提参数采用误差反传算法进行调整;并使用AMESim软件搭建了扫雷犁的液压系统模型,利用其接口技术实现了与Simulink的联合仿真。实验结果表明模糊神经网络控制器的控制效果要优于传统的PID控制器。     

基于多级Sigmoid神经网络的城市交通场景理解

交通场景的理解是交通监控、汽车安全辅助驾驶的基础.提出一种基于多级Sigmoid神经网络的城市交通环境理解方法.将5个3D结构特征与物体外观特征相结合表征城市交通环境,为了提高交通环境识别率,采用多级Sigmoid神经网络(MSNN)进行图像分割与识别.在公共测试视频数据库CamVid dataset 进行实验,实验结果表明了该方法的有效性.     

RBF神经网络在异步电机故障诊断中的应用

将径向基(RBF)神经网络应用到电机的故障诊断中,建立了异步电机的RBF神经网络诊断模型。为了克服RBF神经网络学习算法的不足,引入了差分进化(DE)算法,并且利用了差分进化(DE)算法的全局搜索能力来优化RBF神经网络基函数的中心、宽度以及网络的连接权值,以获得最优的网络模型。仿真结果表明优化后的RBF神经网络的泛化能力和诊断精度都得到了大幅度提高。     

Agent目标判别的神经网络-证据理论法

重点研究了目标识别领域中证据理论与模糊神经网络相结合的多Agent数据融合方法.作为传统Bayes理论的推广,证据理论由于满足更弱的信息来源条件,尤其是在区分不确定与未知方面显示了很大的灵活性,因此备受关注.然而,基本可信度的分配是一个与实际应用密切相关的问题,也是较难操作的一步.本文通过对模糊神经网络的训练来处理证据理论的基本可信度分配问题,经计算机仿真表明这是一种行之有效的方法.