基于ARMA-BP组合模型的装备故障率预测方法

为解决单一模型预测装备故障率预测误差大、精度低的问题,提出了一种基于ARMA-BP组合模型的装备故障率预测方法.在建立ARMA模型和BP神经网络模型的基础上,采用加法集成法建立ARMA-BP组合预测模型,并利用方差倒数法确定ARMA模型和BP神经网络模型的权重系数.以某型装甲装备故障率数据为研究对象,对比ARMA模型、...     

基于生成对抗网络的空中目标图像生成算法研究

复杂实战背景下的空中机动军事目标视频图像数据较难获得,导致缺少训练数据,从而限制了基于深度学习的目标检测和识别算法的性能.为了解决这一问题,提出一种基于深度卷积生成对抗网络(deep convolutional generative adversarial networks,DCGAN)改进算法,采用随机向量作为输入,...     

基于SRWNN-FTSM的舰载火箭炮火控系统研究

针对舰载火箭炮大功率交流伺服系统存在的非线性特性以及不确定扰动,提出了一种自回归小波神经网络快速终端滑模控制器(SRWNN-FTSM)。基于快速终端滑模强鲁棒性特点,用自回归小波神经网络对模型动态自适应逼近,可有效提高响应速度,鲁棒性。利用SRWNN-FTSM控制器,有效克服了负载扰动、参数变化等不确定因素的影响。根据Lyapunov理论证明了闭环系统稳定性。仿真实验表明:所提方案可以有效提高系统的响应速度以及发射的命中精度。     

基于CNN的视频火焰识别及模型剪枝

针对目前火焰识别仅用单帧图像判断是否起火准确率低的缺点,引入视频识别的方法,通过提取火焰的运动信息提升卷积神经网络(CNN)识别微小火焰的准确率。首先,在CNN Resnet18的最后一层添加3D卷积层,突出火焰的运动特性,抑制其他形式的运动;然后,对该模型进行剪枝处理,压缩网络参数。实验结果表明:在剪去90%卷积核的情况下,该模型准确率仍然保持在86.4%的较高水平,最小可以识别大小为20×30像素的火焰。     

脑与认知技术发展综述

脑与认知是利用神经形态计算来模拟生物大脑处理信息的过程,被认为是探究甚至实现人工智能的最直接技术路线,而且可以为人工神经网络研究提供基础导向,因为人类和动物"先天"的结构对其技能和习性有着决定性作用。对近期脑与认知的相关研究与成果进行了综合评述,并对未来发展趋势进行了展望。综述表明,类脑仿生研究与应用改进了人工智能系统,重建复杂的大脑皮层神经网与回路是当前研究重点;脉冲神经网络被认为是目前深度神经网络的"继承者";脑机接口技术发展呈现非侵入式趋势,面向语言障碍病患实现语音合成的脑机接口技术成为近期新兴研究方向。