神经网络在联合火力打击目标价值分析中的应用

针对联合火力打击中目标价值的特点,运用BP神经网络理论对目标价值进行分析,并建立了联合火力打击目标价值分析指标体系,设计了BP神经网络模型;通过定义学习代价函数、确定函数输出信号、修正函数信号、网络初始化等改进BP算法对目标价值进行了分析,得到了目标打击序列分类.算例验证了该算法的合理、高效、稳定,在联合火力打击中目标优选分类方面具有广泛的实用意义.     

基于深度神经网络的无线覆盖预测算法*

为保证新一代移动无线网络能够根据实时覆盖情况动态地调节小区天线参数,需要实现高效且准确的无线覆盖预测。传统的求解方法通过精确的场强预测来判断天线参数的优劣,虽然精度很高但需要大量的计算资源,无法满足5G和后5G移动网络通过实时覆盖预测进行射频参数动态调整的实际需求。现采用基于深度神经网络的算法对给定天线参数的覆盖效果进行预测,以取代对目标区域的精确场强预测。数值结果表明,该方法能够在保持计算准确性的同时显著减少计算量,为5G动态网络规划提供基础性参考数据。     

基于RBF神经网络的背景估计及红外小目标检测

利用RBF神经网络的函数逼近特性,得到了一种红外图像背景估计算法,进而提出了一种检测红外小目标的方法。利用有目标和没有目标的真实红外图像对此算法进行检测,背景估计效果理想,小目标检测效果理想,证明该算法是可行有效的。     

基于智能诊断方法的摩托车发动机故障检测系统研究

针对摩托车发动机故障检测问题,结合其结构特点,采用传统专家系统与神经网络融合方式与策略,提出了一种故障检测混合专家系统方法。对以此方法为核心的智能故障诊断系统结构、组成及工作过程等问题进行了研究与讨论,并给出了系统的应用实例。     

BP神经网络在极移预报中的应用

为了提高地球定向参数极移的预报精度,建立了一个极移数据预报模型。利用傅里叶分析研究插值基础序列的周期特性,验证了基础序列重采样的可行性,提取插值基础序列数据的趋势项,利用多输入-单输出反向传播(Back Propagation,BP)神经网络建模预报不同跨度的残差序列,合并趋势项和残差序列得到最终的极移预报。预报结果表明,选取合适的插值基础序列得到的预报极移精度较高,此BP神经网络能够有效地应用于地球定向参数极移的预报。     

电磁发射系统改进FAHP-神经网络健康评估方法

准确定量评估电磁发射系统发射前的健康状态意义重大。针对模糊层次分析方法(Fuzzy Analytic Hierarchy Process, FAHP)在评估电磁发射系统串行结构同级元素健康值时存在较大偏差,且无法适用系统非线性变权重需求的缺陷,提出改进FAHP-神经网络方法。通过在计算同级元素健康指数时构造能够满足串行结构健康评估的非线性函数进行计算,并在数学上证明该方法的有效性;通过引入神经网络系统,在已有的系统先验信息和测量数据的基础上训练模型解决系统健康评估非线性变权重需求。基于电磁发射系统脉冲成形网络系统建立健康评估模型,开展评估试验。结果表明,提出的方法健康评估精度较高,在各种系统健康状态下,评估结果均符合系统实际的健康状况;对比传统的FAHP,提出的改进方法评估精度大幅提升,且在评估试验中没有出现故障误报和漏报的情况,从而验证了提出方法的可行性和工程实用价值。     

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PCA特征的快速SAR图像目标识别方法

目标识别是SAR图像解译的重要一环,受到广泛的关注,而实时性又是评估目标识别系统性能的主要指标之一.从实时的角度出发,提出了一种快速的SAR目标识别方法.该方法采用基于Hebb学习规则的主分量分析(PCA)进行特征提取,使用多层感知器神经网络(MLP NN)进行目标分类.实验结果表明,在维持较好识别性能的前提下,该方法具有内存需求少、运行速度快的特点,能用于实时处理.     

基于深度学习的MPSK信号调制识别

为了有效实现信号调制方式的智能识别,提出基于深度学习的多进制相移键控(Multiple Phase Shift Keying, MPSK)信号调制识别方法。分析接收MPSK信号的循环谱,并通过提取MPSK信号循环谱的等高图获得二维特征信息,利用深度学习中的卷积神经网络对二维特征进行训练,使用测试样本对所设计的调制识别方法的有效性进行验证。仿真结果表明,所提方法具有良好的识别性能。     

基于CNN的三相逆变器开路故障诊断及其样本条件分析

为了合理选择样本条件以实现高效的智能化诊断,以及克服智能化方法中传统反向传播(back propagation, BP)网络权值较多、局部信息提取能力不足的问题,对基于卷积神经网络(convolutional neural network, CNN)的开路故障诊断方法进行研究,并以典型的三相两电平逆变器为具体对象,着重分析样本时长、样本数量变化时,CNN方法相较于BP网络方法在网络权值数量、训练稳定性、诊断准确率上的量化优势。结果表明,基于CNN的方法可在权值数量远少于BP网络方法的情况下构建深度更深的诊断模型,并在更短样本时长、更少训练样本数量下实现高效、准确的开路故障诊断。