电传动装甲车辆发动机发电机系统动态模型

针对电传动装甲车辆发动机-发电机系统建模难的问题,采用BP神经网络辨识发动机转矩,设计了发动机-发电机系统动态实验,在测得发动机在不同油门开度时的转速动态响应,并将电励磁旋转整流同步发电机等效为直流发电机的基础上,建立发动机-发电机系统动态模型。仿真与实验对比结果表明：模型满足车辆仿真精度要求。     

群落网络中谣言传播仿真与分析

在群落网络中研究群体属性及群落化程度对谣言传播行为的影响,进而探讨如何控制谣言传播具有积极意义。考虑到谣言传播与疾病传播的本质区别以及群体属性,弃用经典传染病模型,而在信息传播新模型基础上提出谣言传播模型,进而研究群落网络中的谣言传播行为。利用Matlab仿真分析,发现子群落的群体属性参数取值越大,谣言在该子群落的传播规模越大;同时,随着群体属性参数的增大,谣言传播速率越大,传播规模越大;随着群落化程度参数的提高,谣言更加肆虐。研究证明:降低群体属性参数与群落化程度参数,有助于降低谣言传播速率,缩小谣言传播规模,进而控制谣言的传播。     

给品牌传播插上智慧的翅膀

从大国崛起的历史轨迹来看,综合国力的较量,经历了陆地时代、海洋时代,现已进入空天时代。航空工业在现代工业中的地位举足轻重,是当今世界发达国家竞相争夺的核心产业之一。     

广义A-调和张量的反向H(o)lder型不等式

基于微分形式A-调和方程的反向H(o)lder型不等式,是研究其解可积性的重要工具.本文将A-调和方程推广到拟线性方程的情形,在一定的条件下获得方程解的反向H(o)lder型不等式,所得结果可以退化到经典的情形,为研究此类调和方程的正则性与可积性奠定了基础.     

基于shearlet与PCNN的多聚焦图像融合方法

针对传统脉冲耦合神经网络(PCNN)模型在多聚焦图像融合领域应用中面临的参数繁杂等问题,提出一种基于剪切波(shearlet)变换与改进型PCNN的多聚焦图像融合方法。相比以往的变换域方法,shearlet具有理想的图像信息捕捉性能以及较低的计算复杂度,因此,可利用shearlet将待融合图像进行多尺度多方向分解。其次,对经典PCNN模型加以改进,综合运用清晰度水平以及协调矩阵完成低频子带图像以及一系列高频子带图像的融合过程。最后,运行shearlet反变换得到最终融合图像。仿真实验选取了若干组待融合图像进行仿真,验证了该方法在主、客观评价两方面的优越性。     

全力维护新疆社会大局稳定

要始终保持清醒头脑,深刻认识新疆反分裂斗争的长期性、复杂性、艰巨性,深刻认识新时期兵团维稳戍边的职责使命,着眼发挥作用、有所作为2014年兵团累计出动民兵180余万人次参与社会面管控和维稳执勤,出动兵力之多、机动距离之远、执勤时间之长,是近年来少有的     

基于Elman神经网络的NSG水位特性辨识方法研究

针对核动力蒸汽发生器在瞬态、启动和低功率下的“收缩”与“膨胀”现象引起的逆动力学效应使核动力蒸汽发生器水位特性难以辨识的问题,提出了基于Elman神经网络的NSG水位特性辨识的新方法.采用串-并联型辨识结构,以保证辨识的收敛性和稳定性.网络训练采用Levenberg-Marququardt BP学习算法.仿真结果表明,所提出的方法能够正确地辨识核动力蒸汽发生器的水位特性,且具有较高的辨识精度.     

基于神经网络趋势预测的装甲车辆柴油机寿命预测

针对装甲车辆柴油机现有定期维修方式存在的"维修过剩"和"维修不足"的问题,提出了装甲车辆柴油机神经网络寿命预测步骤,运用主成分分析方法将多个柴油机状态参数简化为2个综合参数,利用插值法得到柴油机各个时刻的综合参数数据,并作为神经网络的训练数据和测试数据,建立了装甲车辆柴油机寿命预测模型。结果表明:该模型预测精度较高,具有一定的应用和推广价值,为实现装甲车辆柴油机状态维修提供了技术支撑。     

BP神经网络在坦克分队火力配系中的应用

坦克分队火力配系是坦克分队防御战斗中指挥员实施战场指挥的重要内容,选取火力配系方案的优劣直接影响着防御作战的胜负.首先介绍了BP神经网络的原理及使用方法,在系统分析制约坦克分队火力配系影响因素基础上,构建了火力配系方案评估的指标体系,接着详细设计了用于评估火力配系方案的BP神经网络模型,并利用MATLAB仿真软件对结果进行了计算和分析.结果表明BP神经网络具有很强的解决复杂非线性关系问题的特点,适用于对坦克分队火力配系方案优劣分析和评价.     

基于相似性传播聚类的灰度图像分割

基于k-Means等聚类算法的图像分割对聚类中心的初始选择敏感,可靠性差.为避免初始聚类中心选择的影响,将相似性传播聚类用于灰度图像分割.另外,为降低该聚类算法输入相似度矩阵的计算时间复杂度.提出用待分割图像中出现过的灰度值代替像素点作为数据点进行聚类.实验结果表明,与基于k-Means聚类的分割算法相比,该算法不需要预设聚类中心,可靠性更高.