任务驱动下航材需求量的GA-GM-BP预测

机务保障影响着航空装备战斗力的生成,机务保障资源是任务成功率的物质支撑.基于航材需求信息的灰色性,通过采用DEMATEL方法提取影响航空备件需求量的关键影响因素,采用遗传算法优化的灰色神经网络对需求量进行了仿真预测,其预测精度较BP神经网络和灰色神经网络都高.该方法对于其他航空机务保障资源的需求预测有借鉴意义.     

钢质油罐罐底腐蚀预测模型研究与评价

钢质油罐在储存油料时不可避免地会受到严重腐蚀.为能够掌握罐底的腐蚀程度,提出了一种由灰色系统理论和BP人工神经网络相结合的方法建立预测模型,对钢质油罐罐底腐蚀情况进行了预测,并通过实例计算给出了评价.计算结果表明,预测值与实测值相差很小,尤其对油料腐蚀这种涉及较多因素的复杂过程,该方法具有明显的优越性;该模型克服了传统预测模型需建立函数的难题,且预测精度较高,具有较高理论与实际应用价值.     

基于小波神经网络的货运量预测

选取我国1979—2011年国民生产总值、能源生产总值、进出口贸易额、社会消费品零售总额和固定资产投资总额5项指标作为货运总量的主要影响因素,以货运总量为输出,建立了基于Morlet小波函数的小波神经网络预测模型。该模型能够揭示货运量与相关变量之间的非线性映射关系,经实例分析得到了较满意的结果,并通过与实际货运量和BP神经网络预测结果的对比,证明了小波神经网络在货运量预测方面应用的可行性。     

利用多时间尺度卷积的视频行为识别网络

基于2D的行为识别网络通常融合多张视频帧的分类结果识别不同的行为,但其在卷积过程中缺少对时空特征提取。针对该问题,基于时间位移模块(temporal shift module,TSM)的思想设计了一组多时间尺度卷积,包含不同设计的卷积核以提取融合不同时间尺度的时空信息。通过控制多时间尺度卷积嵌入ResNet50网络的位置及其模块的参数设置,寻找最优的基于多时间尺度卷积的行为识别网络。使用PyTorch深度学习框架训练模型,在大型开源数据集Something-Somethingv2上进行了实验研究。结果表明,基于多时间尺度卷积的行为识别网络对行为识别准确率达到了59.47%,优于TSM等网络。     

基于PSO-RBF神经网络的雷达目标识别

为提高雷达系统目标识别能力,对粒子群算法及RBF神经网络进行了分析。针对离子群算法(PSO)易陷入局部极小的缺陷,提出了基于自适应时变权重和局部搜索算子的改进PSO算法,并将该算法应用到RBF神经网络核函数参数的优化学习中,进行了雷达目标识别仿真实验。仿真结果表明,相对于标准PSO-RBF神经网络,改进算法不仅收敛速度快,且误差精度高,特别在干扰较强时,目标的识别率有较大提高。     

压电执行器 NLDDS及神经网络非线性建模与控制

本文采用非线性动态数据系统(NLDDS)建模方法和非线性递推最小二乘算法,对具有迟滞非线性特性的压电陶瓷微进给执行器的动态特征进行了建模、预报与控制,并且用人工神经网络对该类系统的建模与控制进行仿真。结果证明上述方法在一定程度上是可行的和有效的。     

基于Elman神经网络的NSG水位特性辨识方法研究

针对核动力蒸汽发生器在瞬态、启动和低功率下的“收缩”与“膨胀”现象引起的逆动力学效应使核动力蒸汽发生器水位特性难以辨识的问题,提出了基于Elman神经网络的NSG水位特性辨识的新方法.采用串-并联型辨识结构,以保证辨识的收敛性和稳定性.网络训练采用Levenberg-Marququardt BP学习算法.仿真结果表明,所提出的方法能够正确地辨识核动力蒸汽发生器的水位特性,且具有较高的辨识精度.     

精密机床神经网络法精度建模

介绍了神经网络理论在数控机床误差建模中的应用。以精密气浮花岗石铣床为研究对象 ,建立了机床的精度模型 ,并为此设计了一种特殊的检具 ,构造了训练样本。通过神经网络精度模型对机床的定位精度进行预测。实验结果表明该方法是可行的。     

智能理论在BIT设计与故障诊断中的应用

近２０年来机内测试（ＢＩＴ）技术从理论到应用取得了显著进展，已成为提高产品测试性和诊断能力的有效途径。本文概述了ＢＩＴ技术的特点，分析了国内外ＢＩＴ的发展趋势，对ＢＩＴ智能化从系统设计、信息处理到综合决策各阶段进行概括，对专家系统、神经网络、模糊理论、信息融合等智能理论在ＢＩＴ中的应用进行了综合分析，并初步建立智能ＢＩＴ的理论框架     

调制方式的自动识别方法

本文介绍调制信号的神经网络识别方法,以及多进制数字调相信号的次优识别方法,实验结果表明两种方法具有正确识别率高,信噪比要求低,性能优于目前使用的识别方法。