一种基于仿真的装备维修保障能力评估方法

在总结装备维修保障能力评估研究现状的基础上,提出了一种基于ExtendSim仿真与组合神经网络相结合的装备维修保障能力评估方法,以ExtendSim为仿真平台,对评估对象进行建模仿真,统计评估指标体系中各指标值,运用组合神经网络评估模型进行评估,并以某型装备维修保障保障系统进行了应用验证,证明了该种方法的可行性和有效性。     

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。     

基于复杂网络的机降作战目标选择方法

运用复杂网络理论,构建蓝军抗登陆部署网络模型,将机降作战目标选择问题转化为节点价值评估问题。将节点价值分为战术价值和网络价值两个维度,利用模糊偏序关系建立节点战术价值评估模型,定义节点连通度和节点关键度,确定节点网络价值评估算法,评估蓝军抗登陆部署网络中各节点的价值,进而确定机降作战目标。实例分析结果表明了该目标选择方法的有效性。     

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．     

EMD降噪与小波变换在轴承故障诊断中的应用

在轴承故障诊断中,为降低噪声对小波变换的干扰,提出了先用经验模态分解、再用小波变换对信号进行分析的综合处理法.在用经验模态分解方法的自适应性对信号进行分解的基础上,选用峭度值优选贡献率高的固有模态函数重构信号,计算其自相关函数,然后进行小波变换,得到分解后细节信号的级联谱,对效果最好的分量进行Hilbert解调.该方法解决了噪声对弱故障信号干扰导致诊断效果不明显的问题,提高了小波变换的故障识别率和效率.轴承滚动体点蚀故障试验结果表明:该方法能有效提取轴承滚动体故障特征,与传统包络解调相比具有更好的效果.     

某小型武器稳定系统的建模及仿真

针对某小型武器稳定系统稳定精度差的问题,构建了其控制系统的数学模型,通过仿真施加试验台架扰动信号,对现系统采用的传统PID控制器进行仿真计算,得到其动态稳定精度,并把得到的和定型试验稳定精度数据对应的外扰模拟信号作为改造后系统的标准扰动输入,对线性自抗扰控制器进行了比对仿真研究.仿真结果表明,系统采用线性自抗扰控制器具有响应速度快、稳定精度高、抗扰能力强的优点.这一方法得到的仿真结果和实车具有较高一致性,可以有效解决实车参数调试困难的问题.     

增强小波系数的飞行数据奇异值阈值降噪

针对飞行数据降噪问题,提出了增强小波系数的飞行数据奇异值阈值降噪算法.结合小波系数噪声自相关函数进行飞行数据的最佳分解层小波分解,对高频小波系数先进行增强预处理再进行SVD分解,运用奇异熵理论确定奇异值重构阶次,采用奇异值阈值对小波系数进行处理并重构,得到降噪数据.仿真实验表明,本文算法能获得较高的信噪比,改善了数据质量.     

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.