基于卷积神经网络和随机森林的毁伤效果评估方法

目标毁伤效果评估是现代化战争中的重要一环。针对传统的毁伤效果评估方法无法区分目标特征与背景特征而导致评估结果不准确的问题,提出了卷积神经网络(convolutional neural network,CNN)和随机森林(random forest,RF)相结合的方法,记为CNN-F算法。通过卷积神经网络处理图像,提取图像特征,再使用随机森林替换卷积神经网络中的部分全连接层和softmax分类器进行目标毁伤结果分类。实验结果表明,该算法在准确度、精确度、召回率和F₁值4个指标上都达到了较高的水平,达到了83.050%、83.585%、83.050%和82.945%,其评估结果可以为指挥员下一步决策提供参考。     

面向大规模卷积计算的多忆阻器阵列互连结构设计

针对现有多忆阻器阵列集成架构中存在的数据加载、读出效率低以及阵列协同灵活性差等问题,提出一种高效率、高灵活度的阵列互连架构。该架构所采用的数据加载策略支持多种权重映射模式下的数据复用,减少了片外数据访存需求;所采用的计算结果读出网络支持多个处理单元灵活组合实现不同规模卷积运算,以及计算结果的快速累加读出,进而提升了芯片灵活性和整体算力。在NeuroSim仿真平台上运行VGG-8网络进行的仿真实验表明,与MAX²神经网络加速器相比,在仅增加6%面积开销的情况下,取得了146%的处理速度提升。     

多源文本数据真值发现方法

针对传统真值发现算法无法直接应用于文本数据的问题,提出基于深度神经网络面向多源文本数据的真值发现算法(NN_Truth)。根据文本答案多因素性、词语使用多样性以及文本数据稀疏性等特点,将“数据源-答案”向量作为网络输入,识别答案真值向量作为网络输出,依据真值发现的一般假设,无监督学习各数据源答案向量间关联关系,并最终获得答案真值。实验结果表明,该算法适用于文本数据真值发现场景,较基于检索的方法及传统真值发现算法效果更优。     

利用循环网络的降落伞开伞载荷补偿方法

为了对降落伞充气展开过程中的开伞载荷进行更加准确的预测,提出一种基于循环神经网络的开伞载荷补偿计算方法,包括模型架构和数据处理方式。该方法将充气时间法计算的预测值代入循环网络进行二次计算,使最终结果能够更加贴近试验真值。使用多层前馈网络、标准循环网络与长短时记忆网络三种网络进行比较,验证了所提模型预测结果的适用性和准确性,研究了学习率、输入层维度和隐层维度等超参数对模型性能的影响,并给出了基于长短时记忆网络的补偿模型最优训练条件。实验结果表明,利用循环网络进行开伞载荷预测具有较好的拟合结果,为机器学习与降落伞工业的学科交叉研究提供了一定的参考方向。     

具有分流型抑制机制的视网膜细胞神经网络模型及其应用

视觉细胞之间存在的侧抑制机制能够对接收到的视觉信息进行选择性的提取。运用数学方法模拟视觉细胞之间存在的这种生理机制,提出了一种具有分流型抑制机制的视网膜细胞神经网络模型(SIRCNN),分析了该模型的稳定性,给出了等价电路图,并且基于此模型提出了一种边缘检测算法。将该算法应用于图像边缘检测中,试验结果表明,这种以生物视觉感知机理为基础的神经计算方法可有效地增强图像反差,检测图像边缘。由于细胞神经网络具有高速并行运算、便于硬件实现等特点,因此这种方法在图像实时处理中也具有很大的潜力和应用前景。     

基于进化规划的自适应高斯神经网络

自适应高斯神经网络能够对目标信号的功率谱有效识别特征进行自动提取和分类,但此网络使用BP算法,其误差能量函数是一个不规则的超曲面,容易陷入局部极小值.因此,提出了一种使用进化规则来设计和训练自适应高斯神经网络的新方法.该方法能够自动地确定网络的最优结构和联结权值,同时避免网络的局部优化.实验结果表明,将该方法用于被动声纳目标的分类识别,能够有效地克服局部最小问题,具有更好的识别率.     

基于Agents/Space的装甲装备战损仿真方法(Ⅱ)

对任何仿真系统,只有在保证一定可信度的基础才具有实用价值。在文(Ⅰ)战损仿真原型系统的基础上,结合经济性和可行性的权衡分析,提出了装甲装备战损仿真系统的修正策略。进行了典型条件下的杀伤力参数试验,利用神经网络技术修正BAD参数经验值和试验值的误差,然后将训练完成的神经网络模块嵌入在P ierc ingA gen t中,实现对BAD模型参数的动态修正。最后,进行了仿真试验,并利用实战数据和全尺寸物理实验数据进行了仿真系统的有效性验证。研究成果为装甲装备战损或具有类似特征系统的仿真提供了一种研究途径。     

基于概率神经网络的某导弹发动机系统故障诊断

反向传播神经网络(BPNN)和概率神经网络(PNN)对某型号导弹发动机若干原型故障进行定性的诊断,并将仿真结果进行了比较.仿真结果表明,当测量参数不包含噪声或噪声较小时,两种网络都具有很高地诊断准确率;当测量参数的噪声较大时,概率神经网络的诊断准确率远大于反向传播神经网络,显示了概率神经网络较强的诊断鲁棒性.此外,概率神经网络能够充分利用故障先验知识,并考虑代价因子的作用,从而把误诊断可能带来的损失减小到最低程度.     

基于遗传神经网络的装备抢修性预测模型

装备的抢修性是装备设计时赋予装备的一种固有属性,直接影响到战场抢修工作。抢修性模型是抢修性研究的重要内容。针对抢修性量化模型难度大的特点,尝试采用具有自学习能力的神经网络对抢修性进行仿真预测,同时为提高神经网络的性能,运用遗传算法对其优化,从而得到基于遗传神经网络的装备抢修性预测模型。最后仿真结果表明该模型可较好地用于抢修性的仿真预测,能为新研制装备的抢修性设计提供有益参考。     

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.