非线性系统的神经网络广义预测控制

研究了神经网络广义预测控制方法在非线性系统中的应用,基于BP网络构造神经网络预测器,利用非线性系统的开环输入输出数据离线训练神经网络,根据拟牛顿BFGS优化算法使得二次型性能指标函数达到最小,得到了最优的控制序列。同时给出了神经网络广义预测控制算法的步骤,讨论了提高系统鲁棒性的措施。仿真结果表明,这种神经网络预测控制算法具有响应速度快、控制效果好和跟踪精度高等特点。     

卫星通信网作战效能评估研究

通过对卫星通信网完成信息传输作战任务的能力分析,建立了卫星通信网作战效能评估指标体系;将模糊层次分析法和熵权法相结合,建立了确定指标权重向量的综合集成赋权模型,采用专家打分和隶属度函数法计算单因素模糊评估向量,采用相对状态特征值对评估结果进行处理,建立了模糊综合评估模型,实现了卫星通信网作战效能的评估,并对评估结果进行了分析。     

基于BP神经网络的装备故障诊断专家系统研究

分析了神经网络和专家系统的特点,提出了基于BP神经网络与专家系统结合的某装备的故障诊断方法,构造了BP神经网络的装备故障诊断专家系统的诊断模型,克服了传统专家系统在知识获取和表达的薄弱环节,并用了某型装备的故障实际数据进行了验证,结果表明了神经网络与专家系统结合是一种有效的诊断方法。     

基于n-宗派的C2组织协作性量化分析

C2组织的协作性是目前信息化战争研究中的一个热点。利用"社会网络分析方法",对C2组织的指挥控制关系网络模型进行"n-宗派"分析,可以有效地揭示组织的子结构特征以及定量地研究组织的协作性。分析了指挥控制关系网络模型n-宗派中"n"的现实意义,设计了"宗派协作指数"和"组织协作指数"的计算方法和公式。结合示例,以2-宗派为例说明了C2组织协作性量化分析的步骤和过程。研究表明,基于n-宗派的C2组织协作性量化分析具有可操作性和现实意义。     

电子侦察卫星侦察仿真预案设计与实现

针对电子侦察卫星在现代战争中的应用日益增多,研究和开发电子侦察卫星模拟系统具有重要的现实意义和实用价值。分析电子侦察卫星侦察任务的作战行动想定和总体设计思路,设计仿真流程,建立了数学模型和仿真模型,进行电子侦察卫星侦察预案验证模型的仿真实现。通过仿真,验证了电子侦察卫星侦察预案的合理性和正确性。     

基于神经网络和遗传算法对反装甲目标威胁度评估研究

针对威胁度估计问题和装甲车辆在战场上的实际情况,运用神经网络和遗传算法理论探索反装甲目标威胁度评估问题。基于BP神经网络模型的算法,利用神经网络良好的自适应能力和遗传算法强大的全局搜索能力,通过样本数据训练,提高了威胁度估计的准确性和适应性。经过验证该算法能够有效反应出反各种反装甲目标的威胁度,其稳定性、精确性也比较高。     

卫星通信中波束分集及联合TPC编码性能研究

分析研究卫星移动通信系统中上行链路波束分集接收的可行性和性能及联合TPC编码性能。分析了波束交叠、波束增益对多波束卫星通信系统的性能影响,建立了用于多波束分集处理的系统模型;引用基于MGF函数的性能分析方法,针对波束分集的研究,得到了Nakagami-m衰落信道条件下的多波束相干最大比合并(MRC)性能;利用计算机仿真验证算法的有效性,并进一步分析了联合Turbo乘积码(TPC)编码的性能。通过研究表明,在多波束卫星通信中采用分集接收处理不仅完全可行,而且可以有效提高上行链路的性能,降低地面终端的发送功率,解决上行链路发送能力不足的问题,联合TPC编码可以获得进一步的性能增益。     

多域光网络中的一种支持多播业务的动态RWA算法

路由与波长分配(RWA)仍是下一代智能光网络中的一个核心问题。由于下一代智能光网络将被划分为多个路由域进行分布式的网络管理,因此传统光网络中的那些基于全网信息的 RWA 算法将不再有效。与此同时,随着光网络中多播业务的不断增加,RWA 算法的研究中又出现了一些新的挑战。为解决这些问题,文章结合多播业务的需求,提出了一种适用于多域光网络中的可支持多播业务的动态 RWA 算法,并对其进行了计算机仿真研究,分析了算法的性能。     

城市居民小区地震火灾发生率的非线性预测

利用人工神经网络对地震火灾发生率进行非线性预测具有实用价值和理论意义。分析了人工神经网络预测的优势和不足,并提出算法改进意见,在综合分析人工神经网络预测的工作机理、构造方式以及影响城市居民小区地震火灾发生率的主要因素的基础上,构造人工神经网络模型进行火灾发生率的实例预测,并针对预测结果分析了各影响要素对地震火灾发生率发生影响的强弱程度,非线性预测的结果与预期结果相符。     

一种基于神经网络的彩色图像分割方法

提出了适于彩色图像分割的加强型径向基函数网络方法,采用在线自适应聚类学习算法确定隐层节点的数目、激活函数中心值;通过Hebb学习算法迅速将隐层节点中心值分为目标颜色聚类中心和背景颜色聚类中心两类;输出层用竞争规则将目标与背景分开。通过对多幅彩色图像进行分割处理验证了该方法的有效性。