基于模糊神经网络的伺服系统PID控制

针对某装备伺服系统具有复杂的非线性和时变性,传统的PID控制存在自适应能力差的缺点,设计了一种模糊神经网络PID控制器。利用神经网络对模糊控制的控制规则进行优化,根据偏差E和偏差变化EC在线调整PID控制器的3个参数。通过与传统的PID控制器仿真实验对比,可以看出模糊神经网络PID控制器能够有效地提高该伺服系统的性能。     

具有时滞的Cohen—Grossberg神经网络的Hopf分支全局存在性研究

摘要：利用泛函微分方程的度理论,研究一类具有时滞的Cohen-Grossberg神经网络的全局分支的存在性,研究结果为该类神经网络的应用设计提供理论基础．     

基于改进LMS算法的复合材料超声检测缺陷识别

在径向基函数（RBF）神经网络实现无人机复合材料超声检测脱粘缺陷识别时,针对最小均方（LMS）算法在确定网络输出权值时存在稳态失调误差和收敛速度相矛盾的问题,提出一种改进的自适应的变步长LMS算法．该算法根据反馈误差自适应确定步长,通过引进动量项加快收敛速度．将改进LMS算法应用到RBF网络缺陷识别中,结果表明该方法在稳态失调误差较小的情况下,能快速确定RBF网络的权值．改进的RBF网络能够较好地识别超声检测脱粘缺陷．     

基于稀疏卷积非负矩阵分解的语音转换方法研究

为了在语音转换过程中充分提取语音的个人特征信息,同时考虑到语音的稀疏性,文章提出了一种基于稀疏卷积非负矩阵分解的语音转换方法。卷积非负矩阵分解得到的时频基可以承载语音信号中的个人特征信息及语音帧之间的相关性,而稀疏卷积非负矩阵分解得到的过完备时频基更能体现语音的细节,可以较好地保存语音中的个人特征信息。利用这一特点,通过稀疏卷积非负矩阵分解从训练数据中提取源说话人和目标说话人相匹配的过完备时频基,然后通过时频基的替换实现语音转换。相对于传统方法,该方法能够更好地保存语音个人特征信息和语音帧间相关性,从而可以进一步提高转换语音的质量和相似度。实验仿真及主、客观评价结果表明,与基于高斯混合模型、卷积非负矩阵分解的语音转换方法相比,该方法具有更好的转换语音质量和转换相似度。     

遗传神经网络在保障资源需求预测中的应用

针对现代战争条件下装备保障资源需求变化快,保障资源预测困难的问题,首先分析了影响装备保障资源需求的因素,根据实际情况选取了平均维修间隔时间(MTBM)、平均修复时间(MTBR)等8项影响装备保障资源需求的关键指标,然后将基于遗传算法(GA)优化的反向传播(BP)神经网络应用于保障资源需求预测中,构建了基于遗传神经网络的需求预测模型,最后利用1980年～2010年实际保障资源需求数据对模型进行了验证.验证结果表明,基于GA优化的BP神经网络预测模型有较快的收敛速度、较强的适应性和较高的预测精度,适用于装备保障资源需求预测.     

改进的粒子群神经网络在飞控中的应用

针对BP神经网络对初始值敏感、容易陷入局部寻优且收敛速度较慢,提出用粒子群对神经网络的参数进行优化,同时设计了衰减的指数函数对惯性权重进行动态调整以提高算法性能.并应用该算法对导弹飞控系统的逆误差进行补偿,仿真结果表明,该方法对逆误差进行了有效的补偿,避免了局部寻优并提高了学习效率.     

一种基于模糊竞争网络的主动声纳目标分类器

提出了一种基于模糊竞争网络的主动声纳目标分类器。该分类器结构简单,学习速度快,仅用少量样本进行训练便可获得良好的推广性能．便于实时学习和应用。通过对模式属于各类别的隶属度的分析,可以知道判决的可靠性,具有较好的应用价值。     

人工神经网络在管理信息系统中的应用

在传统管理信息系统的基础上,增加专家系统模块,即基于人工神经网络技术的预测分析模块,完成复杂的非线性预测以提高MIS智能化、自动化水平。该模块选用反向传输(BP:BackPropagation)神经网络模型来实现,通过网络的自适应学习和训练,找出输入和输出之间的内在联系,从而求得问题的解答。利用该专家系统对出版社图书市场销量进行预测。结果表明:该方法性能好,可作为预测图书售量的一种有效手段。     

基于交叉熵和新转移函数的模糊神经网络分类器

针对目前普遍采用的误差平方和准则及Sigmoid转移函数在BP算法应用中存在的缺陷和不足,提出了基于交叉熵准则和新的S型转移函数构建的模糊神经网络分类器,并将这种分类器应用于心肌梗死的定位诊断,结果表明其训练效率和识别性能都明显优于传统的模糊神经网络。     

基于粗糙集理论的武器系统效能评定

简述了各种武器效能评定方法。建立武器参数效能模型,首先要挑选特征参数,这里采用知识约简方法选择武器的特征参数。利用神经网络理论建立了参数效能模型,武器系统的效能与武器特征参数的关系可通过神经网络的阈值和权值得到体现。通过实例对神经网络法与指数法所得的结果进行了比较,结果表明神经网络法比指数法精确。