基于神经网络TSP算法的防空作战火力分配

基于神经网络TSP算法建立了防空作战火力分配模型,并通过在计算机上仿真运行了实例,优化了火力分配方案.这是对解决防空作战火力分配问题的一种有益的尝试与探索,同时也对防空作战指挥决策和理论研究以及指挥自动化系统建设提供了参考.     

基于模糊神经网络的武器控制系统信号分析

某新型飞机武器控制系统故障诊断过程复杂,故障征兆和故障原因之间存在着许多不确定因素,精确定位故障存在许多困难.针对这种情况,提出了基于模糊神经网络,研究了模糊神经网络技术在武器控制系统故障诊断领域的应用,并根据系统本身的特点,提出了诊断和算法模型.在此基础上,研制出武器控制系统检查仪,对该方法作了验证.结果表明:该方法是可行和有效的.     

基于SOINN增量自编码器的网络异常检测研究

针对批量学习的网络异常检测模型存在内存资源消耗大、无法在线更新的问题,利用自组织增量神经网络(self-organizing incremental neural network, SOINN)的增量学习特性,提出一种增量自编码器构建方式,将改进SOINN的输出神经元作为自动编码器的输入,使得模型在不破坏已有学习成果的基础上,具备增量更新能力。针对SOINN算法获胜神经元邻居节点学习率固定,不利于区分其与输入样本的相似性的问题,提出一种学习率自适应调整方法,来提升获胜神经元邻居节点的学习效率,使得算法输出神经元更能代表样本特性。针对反馈更新样本中正常样本纯度不高的问题,提出一种基于距离度量的样本标签筛选机制,通过计算反馈样本与神经元的距离来对正常样本进行筛选,使得反馈样本中正常样本比例更高,以此来提升模型的在线检测效果。在NSL-KDD数据集上开展了相关实验,实验证明所提方法具备增量学习能力,且改进SOINN的增量学习效果优于原始算法,有效节省了模型的运算和存储开销,通过基于距离的样本标签筛选机制,模型的在线检测能力有效提升。     

基于小样本学习的军事装备识别技术

针对军事装备样本稀缺昂贵、目标识别研究进展缓慢等问题,从人类认知科学出发,提出利用民用装备数据完成深度学习训练,实现大样本知识积累;采用模式识别算法提取装备武器特征,实现样本目标识别。通过分析2种样本属性空间距离,利用卷积神经网络作为前端,采用SIFT算法作为后端,构建递进学习模型,实现对多种军事装备的高效识别。实验测试模型识别坦克、战机和军舰平均置信度分别为87%、92%和91%,军事装备武器样本数量决定目标识别精度,样本泛化可提高目标识别率。提出的递进学习模型充分利用深度学习和模式识别算法优势,实现军事领域武器装备小样本目标识别。     

基于多尺度融合预测模型的航空发动机剩余寿命预测

针对大多数基于数据驱动的航空发动机剩余寿命预测方法未细分其退化过程与复杂输入数据之间的关系,无法准确识别和提取关键特征的问题。提出一种基于多尺度融合预测模型(MSF)的航空发动机剩余寿命预测方法。该方法利用静态协变量编码网络(SCCN)和变量选择网络(VSN)针对输入数据类型进行特征选择,将SCCN生成的静态协变量连接到模型的不同位置,以提升模型捕捉不同尺度时间特征的能力,并融入门控残差机制构建模型基本框架,既能提高模型的适应性也能保证信息在网络中传递的效率,采用分位数误差作为损失函数实现了多尺度的预测,有效的提高了预测的准确性。在CMAPSS涡扇发动机数据集上进行实验分析,FD002、FD004测试集的预测精度分别达到91.9%和92.4%,通过与其他深度学习方法进行对比,RMSE最优值分别提高15.54%和16.91%,Score最优值分别提高83.21%和78.78%。     

基于改进SSD框架的遥感影像飞机目标检测方法

针对深度学习在遥感影像飞机检测特征提取阶段未专门顾及特定目标的问题,基于单一目标多尺度检测(SSD)框架,提出飞机目标多尺度检测方法(AFSSD).通过分析使卷积神经网络的特征图得到最大响应的视觉模式,结合飞机目标几何特征,建立飞机目标特征提取网络;使用K-均值方法对飞机尺寸聚类,将聚类中心作为代表性的尺寸,构建飞机目...     

基于神经网络的椭圆扩展目标形态估计

针对复杂环境下由稀疏量测引起的椭圆扩展目标形态估计精度低的问题,提出了一种基于神经网络的形态估计方法。利用神经网络对目标量测进行处理,估计出椭圆扩展目标的轴长,然后结合卡尔曼滤波算法实现目标的跟踪。仿真实验结果表明,通过与基于随机矩阵、乘性误差以及卷积神经网络等模型的算法相比,所提算法的跟踪性能有显著改进。     

基于直线扫描的引信钢球分层成像检测算法

针对现有的火药引信装配正确性检测方法中存在的无法准确检测遮挡严重的零件的问题,提出了引信中钢球分层成像定位检测算法。将X射线源直线移动扫描待测物体形成多个虚拟的小孔径,结合光学合成孔径原理对所有小孔径进行合成,将合成的虚拟大孔径成像在不同距离深度的平面上,实现对目标的定位和检测。试验结果表明：所提算法能够在火药引信钢球相互重叠的情况下利用深度信息进行分层成像,提供待测物体的深度信息,能够对不同层次的目标进行检测,确定待检测物体的数量,解决了现有的检测方法在检测过程中出现的漏检问题。     

基于BP神经网络的雷达网抗干扰性能综合评估

在分析目前综合评估雷达网抗干扰性能时遇到困难后,探讨了利用BP人工神经网络良好的非线性函数逼近特性来解决这一问题的可行性,并分析了在用这种方法建模评估的过程中需要注意的各种问题;其中侧重对在具体构造评估模型时输入输出评估指标集的确定方法和模型的训练验证方法进行了研究,并进一步分析了建立的模型可能的用途。最后指出这种思路也可以推广到对类似的复杂信息系统的综合评估中。     

一种面向军事物联网的网络流量异常检测模型

针对军事物联网中网络流量数据日趋复杂,数据特征维度高等特点,将卷积神经网络算法应用到网络流量分析领域.根据数据特点,构建出一种基于无池化层改进型卷积神经网络(NPCNN,No Pooling CNN)的网络流量异常检测模型.采用Modbus、NSL-KDD和KDDCup99数据集对NPCNN网络流量异常检测模型进行验证,同时将NPCNN网络结构同传统的卷积神经网络对比,通过对实验结果的分析发现,该模型在军事物联网网络流量异常检测中具有可行性和可扩展性.同时NPCNN网络在准确率性能方面优于传统的卷积神经网络,为军事物联网网络流量分析提供一种可靠方法.