基于改进的神经网络的军械备件需求预测

针对当前军械应急保障中备件供应需求依据经验判断,从而导致保障不精准的现实问题,浪费应急保障资源,削弱部队战斗力.在对军械备件需求量进行分析时发现,军械备件需求符合间断型备件需求特征.基于改进的神经网络军械应急维修备件需求预测模型,利用神经网络模型的强大非线性函数的拟合能力,将间断型的备件需求分解为两步.最终,将两个序列预测结果综合分析,得出军械备件需求预测结果.根据改进神经网络预测模型,结合某单位某军械装备保障数据,用总体数据的4/5作为训练数据,1/5作为测试数据进行预测,实验结果表明,改进的神经网络预测模型预测精度优于其他预测模型,预测精度符合预期,可以为军械应急保障提供依据.     

IBAS-LMBP神经网络算法在图像压缩中的应用

鉴于天牛须搜索算法在对多维非线性优化问题求解时容易出现局部收敛现象,从而导致无法求出全局最优解,设计了改进天牛须算法(Improved Beetle Antennae Search,IBAS).该算法中在天牛位置计算时引入惯性权值,设计了基于自适应步长衰减系数,增加天牛在位置计算时的自适应能力,为了控制算法优化过程解的取值范围,参照粒子群算法对单点位移进行限制.实验结果表明,在相同误差精度、相同迭代次数情况下,将改进天牛须算法与LMBP算法相结合建立IBAS-LMBP算法模型并应用于图像压缩,模型的运行效率明显高于GA-LMBP、PSO-LMBP及BAS-LMBP算法模型.     

基于循环条件生成对抗网络的数据生成方法

针对军事领域数据采集困难以及数据生成人工依赖性强、成本高、效率低等问题,在生成对抗网络(GAN)框架的基础上,构建长短期循环神经网络(LSTM-RNN)代替生成对抗网络中的生成器和鉴别器,以最大平均差异和最大似然估计作为指标构建数据生成评估模型,提出一种可生成数据序列的循环条件生成对抗网络(RC-GAN).该方法完全依靠数据驱动,无需经过精心设计的建模过程,便可生成与真实数据相一致的数据.通过基于实际数据的仿真实验,验证了该方法在数据相似度、估计误差、抗干扰性以及泛化性方面的优势.     

新时代社会思潮网络传播与引导研究

社会思潮通常是一种思维观念、社会情感意识与社会心态。社会思潮网络传播具有传播内容呈现隐蔽性与迷惑性、受众接收方式呈现多样性、传播载体呈现多元化和大众化的特点。针对社会思潮网络引导的主导力不足、创新力不够、协同力较弱的挑战,要着力打造精品网络文化产品,打造别具一格的网络传播品牌,进一步加强网络舆情引导。     

无数据依赖智能技术在机动伴随防空传递对准中的应用

由于机动伴随防空武器系统应用场景的特殊性,难以准确建立适应多变工况的挠曲变形模型,无法保证主子惯导传递对准的精度。为解决这一问题,采用无数据依赖智能技术,将传递对准数学模型中的挠曲变形模型由神经网络代替,神经网络的连接权系数扩充为传递对准模型的部分未知变量,使用非线性卡尔曼滤波对模型所有变量进行实时估计,从而获得主、子惯导之间的失准角,基于主惯导姿态信息进而完成行进中的高精度传递对准。仿真实验表明,该方法能在很短时间内估计出失准角,完成导弹惯导的高精度初始姿态装订。     

基于GA-小波-BP神经网络的装备维修能力评估

针对传统装备维修保障能力评估主观性强、适应性弱的特点,提出了一种以装备维修记录为样本数据的基于误差反向传播（back propagation,BP）前馈神经网络的维修能力评估方法。为消除维修记录属性冗余,选用粗糙集主分量约简算法,对样本属性进行约简,为避免BP神经网络因局部极值导致局部收敛和收敛速度过慢的影响,利用遗传算法（genetic algorithm,GA）的全局搜索能力对神经网络初始权值和阈值进行了优化,为增加网络的学习功能,提高网络训练速率和训练精度,选取小波函数作为隐含层的传递函数,Sigmoid函数为输出层激活函数。研究表明：通过冗余属性约简提高了BP神经网络的性能,利用GA优化BP神经网络权值/阈值和小波函数作为隐含层的传递函数,避免了局部收敛,提高了网络的训练速率和评估的精度,降低了误差。     

航天器交会型轨道追逃策略的滚动时域优化

针对航天器自由时域交会型轨道追逃过程中的测量误差等不确定性对交会的影响,提出了一种基于滚动时域优化的高时效策略求解方法。根据微分对策理论推导得到博弈鞍点控制策略,并对问题进行等价转换;通过预先离线求解开环鞍点策略,将问题初始状态和相应的解作为样本以进行神经网络训练,训练后的网络结构可以快速得到相应问题的近似解。为了更好地应对博弈环境中的测量噪声,基于神经网络结构设计了滚动时域求解框架,并通过周期性的滚动求解最终实现对逃逸航天器的交会。数值仿真表明,所提出的策略可以有效应对测量噪声不确定性,且相比于文献中已有的策略,计算耗时可从分钟级降至秒级。     

长向量处理器高效RNN推理方法

模型深度的不断增加和处理序列长度的不一致对循环神经网络在不同处理器上的性能优化提出巨大挑战。针对自主研制的长向量处理器FT-M7032,实现了一个高效的循环神经网络加速引擎。该引擎采用行优先矩阵向量乘算法和数据感知的多核并行方式,提高矩阵向量乘的计算效率;采用两级内核融合优化方法降低临时数据传输的开销;采用手写汇编优化多种算子,进一步挖掘长向量处理器的性能潜力。实验表明,长向量处理器循环神经网络推理引擎可获得较高性能,相较于多核ARM CPU以及Intel Golden CPU,类循环神经网络模型长短记忆网络可获得最高62.68倍和3.12倍的性能加速。