基于模糊商空间理论的产品粒化过程分析

模块形成与划分是展开模块化设计及大规模定制生产的关键环节。为了进一步扩展产品模块化的定量分析手段,提出了一种基于模糊商空间理论的产品粒化方法。通过引入粒度计算,将基于相关性分析的产品模块化过程转化为基于粒度计算的产品粒化过程,并应用模糊商空间理论对其进行了分析,给出了基于归一化距离和综合模糊相似关系的产品粒度空间构建方法,建立了基于两阶段优化算法的最佳产品粒层确定流程,进而得到了最优模块划分方案,最后以某堆垛机货叉机构为例对该方法进行了有效性验证。此方法为产品模块聚类与优化提供了一种新的数值分析和评价手段,应用结果表明该方法具有一定的可行性和合理性,能够有效指导产品模块化过程的实施。     

考虑CCD噪声条件下的编码曝光最优码字搜索方法

编码曝光技术将病态的运动模糊图像复原问题转化为良态问题,寻找最优码字是编码曝光技术的关键。面向实用化目的,提出了一种考虑CCD传感器噪声的编码曝光相机最优码字搜索方法。基于仿射噪声模型对图像成像过程中的噪声成分进行了系统分析,首次从理论上分析了Raskar码字选取依据并基于复原图像信噪比增益提出了光子噪声对最优码字构造影响的解析表达式。在对实际编码曝光相机进行噪声标定的基础上,提出了最优码字搜索的准则并构造出适应度函数,采用遗传算法进行优化搜索得到最优码字。仿真图像和真实图像的复原结果证实了该方法的有效性,复原图像信噪比得到有效的提高。     

基于AHP与熵权的舰艇编队信息作战能力模糊综合评估

在确立了舰艇编队信息作战能力评估指标体系的基础上,运用AHP和熵权法,得到评价指标的综合权重.通过模糊综合评判,得出综合评判总分.以某舰艇编队的信息侦察处理能力为例进行综合评估.最后通过进一步研究分析,构建了一种数学模型,用于找出影响舰艇编队信息作战能力的薄弱指标.     

基于BP神经网络的空中目标识别方法

提出了一种利用BP神经网络用于空中战机目标识别的方法.首先,分别用300张不同姿态的F-16和F-22战斗机图片建立样本图库.其次,利用不变矩理论,提取图片的不变矩作为神经网络的输入量,分别采用基本梯度下降算法、有动量和自适应学习速率梯度下降算法和Levenberg-Marguardt优化算法训练BP网络.然后从样本图库中随机抽取两种型号飞机图片各30张作为空中打击目标进行识别,结果表明采用LM优化算法的BP网络具有一定的抗噪声能力.     

基于模糊层次分析法的非致命弹药安全管理系统评价

针对非致命弹药安全管理评估方面的空白,采用模糊层次分析法（FAHP）,从宏观上对非致命弹药安全管理系统进行评价。通过分析影响非致命弹药安全管理水平的因素,建立系统综合评价指标。分别建立不同指标间的模糊一致判断矩阵,确定隶属函数、权重值,最后得出定量评判结果,确定非致命弹药安全管理系统等级,对非致命弹药安全管理提供理论依据。     

基于改进人工鱼群算法的WNN优化设计

针对人工鱼群算法优化设计小波神经网络(WNN)的缺陷,引入了视野范围与步长的自调整策略,以提高搜索效率和收敛速度。改进后的人工鱼群算法可在WNN的搜索空间中同时确定参数初始值和隐节点数。仿真实例验证了其有效性。     

系统误差下的模糊航迹关联方法

航迹关联对航迹融合结果具有决定性影响。为了解决组网雷达存在系统误差情况下的航迹关联问题,采用归一化的方法,构造了一种新的隶属度函数,采用模糊方法进行航迹关联,该算法简单易于实现,可以准确地实现密集目标的航迹关联。仿真结果显示了该算法的有效性。     

基于小波神经网络的MEMS陀螺输出预测方法

为了解决弹载MEMS陀螺实时输出预测问题,提高陀螺输出预测精度并减小计算量,通过分析弹载陀螺信号时间序列特性,结合小波分析和神经网络两种方法的优势,提出了一种基于小波神经网络的MEMS陀螺输出预测方法。选取并优化神经网络结构参数,利用实测陀螺数据对建立的小波神经网络进行训练,并预测出未来一段较短时间的陀螺输出值。与陀螺实测值和ARMA模型预测结果的对比发现,小波神经网络方法有效地提高了MEMS陀螺输出预测的精度、减小了计算量,从而验证了该方法的有效性和精度。     

基于独立分量分析和神经网络的钢结构损伤识别方法

为了有效剔除钢结构振动信号中的噪声,提取用于损伤识别的特征量,采用独立分量分析方法分离统计独立信号,同时得到表征结构损伤状态的混合矩阵,然后将混合矩阵作为特征量输入至神经网络进行训练,最后将训练好的神经网络作为分类器进行结构损伤识别.在冲击载荷作用下,针对钢框架结构模型进行了不同损伤部位的振动实验,结果表明:基于独立分量分析和神经网络的损伤识别方法具有较高的识别率和可重复性,而且实现简单,在结构损伤识别领域具有较大的应用潜力.     

基于PCA与FCM的入侵检测样本数据压缩方法

采用行列双向压缩的数据处理策略,提出了一种基于主成分分析与模糊C-均值聚类算法的入侵检测样本数据压缩方法。该方法首先采用主成分分析法对数据冗余特征进行压缩,然后采用模糊C-均值聚类算法对冗余样本进行压缩,由此可挖掘入侵检测样本数据中的关键特征和关键样本。通过KDD CUP99数据集测试证明:数据双向压缩可减少入侵检测分类器的计算量,进而可提高其实时检测性能和检测推断的准确性。