Neural network modeling to evaluate the dynamic flow stress of high strength armor steels under high strain rate compression

An artificial neural network (ANN) constitutive model is developed for high strength armor steel tempered at 500 °C, 600 °C and 650 °C based on high strain rate data generated from split Hopkinson pressure bar (SHPB) experiments. A new neural network configuration consisting of both training and validation is effectively employed to predict flow stress. Tempering temperature, strain rate and strain are considered as inputs, whereas flow stress is taken as output of the neural network. A comparative study on Johnson–Cook (J–C) model and neural network model is performed. It was observed that the developed neural network model could predict flow stress under various strain rates and tempering temperatures. The experimental stress–strain data obtained from high strain rate compression tests using SHPB, over a range of tempering temperatures (500–650 °C), strains (0.05–0.2) and strain rates (1000–5500/s) are employed to formulate J–C model to predict the high strain rate deformation behavior of high strength armor steels. The J-C model and the back-propagation ANN model were developed to predict the high strain rate deformation behavior of high strength armor steel and their predictability is evaluated in terms of correlation coefficient (R) and average absolute relative error (AARE). R and AARE for the J–C model are found to be 0.7461 and 27.624%, respectively, while R and AARE for the ANN model are 0.9995 and 2.58%, respectively. It was observed that the predictions by ANN model are in consistence with the experimental data for all tempering temperatures.     

基于灰色神经网络的装甲部队油料消耗预测

油料消耗量的精确预测直接影响装甲部队后勤保障能力的提升,而传统预测模型精度不高,应用范围也有一定的局限,难以满足信息化战争精确保障的需要。提出一种装甲部队油料消耗预测的组合模型,对历史油料消耗数据和油耗影响因素进行统计分析,求出各影响因素与油耗量的关联度作为权重系数;通过改进GM(1,1)模型预测某部队下一次军事行动的油耗量;用GM(1,1)模型的预测值、加权后的各影响因素值和油耗实际值训练网络,对下一次想定的军事行动油耗量进行预测。通过平均相对误差计算表明,组合预测模型比单一的GM(1,1)模型预测精度高,能够较好地指导部队进行下一步的油料供管工作。     

网络多媒体技术结合案例教学法在《心理健康教育》教学中的应用

科学信息的快速发展给高校心理健康教育提出了新的挑战,网络多媒体相结合案例教学的教育模式已成为高校教育模式发展的趋势。文章阐述了在《心理健康教育》教学中运用网络多媒体技术结合案例教学的心得体会,分析了网络多媒体结合案例教学的优势。     

用遗传算法实现雷达网目标分配

通过对雷达网目标分配问题的深入研究,建立了数学模型.为了获得发现概率最大的目标分配方案,引入了遗传算法来对模型求解,并给出了实现的步骤和方法.最后经过验证,证明该方法应用在雷达网目标分配问题上切实可行.     

基于UKF-SOFNN的近距机动目标跟踪滤波算法

对于多目标杂波环境中的机动目标跟踪,由于目标集群中各个目标间的空间距离可能小于探测器的空间分辨率,因而可能出现误跟、诱饵欺骗与杂波虚警等一系列严重后果。对此,提出一种综合运用UKF(不敏卡尔曼滤波)和SOFNN(自组织模糊神经网络)的UKF-SOFNN滤波跟踪算法,将机动目标模型视作严格的非线性系统,利用UKF-SOFNN对非线性参数的辨识能力提高对锁定机动目标的跟踪能力。仿真实例表明,该算法能有效地辨识目标群中的目标,并进行可靠的跟踪。     

网络环境下著作权合理使用之思考

网络技术的发展改变了人们使用作品的方式,给著作权合理使用制度带来了巨大挑战。在网络环境下,著作权合理使用的范围需要重新界定。为了保护权利人的经济利益,且避免不合理的权利滥用和过度垄断,有必要将网络环境下著作权合理使用的部分情形转化为给付报酬但无需事前征得同意的法定许可。     

基于灰色模糊的无线网络安全评估模型

无线网络的飞速发展使得网络安全的量化评估日益重要。结合网络安全属性和攻击属性两方面建立了无线网络安全评估指标体系,在此基础上,提出了基于灰色模糊的安全评估模型,并给出了量化评估的方法和步骤。最后通过实例进行了验证。     

基于遗传神经网络的装备研制作战需求方案评价

针对评价问题的实际情况,利用神经网络良好的自适应性和遗传算法强大的全局搜索能力,采用遗传算法和BP神经网络相结合的遗传神经网络算法解决装备研制作战需求方案评价问题。通过样本数据训练,提高了评价的准确性和适应性。仿真实验表明,该算法能够较好地克服人为因素和随机性的影响,其稳定性和精确性也有较高。     

在线估计表面粗糙度的神经网络多传感器融合方法

针对机床智能加工对加工状况监测的要求,文中提出一种在线估计表面粗糙的神经网络多传感器融合方法,用该方法可获得表面粗糙度的较好估计。文中论述了该方法的特征提取,维数压缩和归一化等预处理方法,神经网络的构造及训练等内容。仿真表明,该方法是可行和有效的。     

基于云-神经网络的液体火箭发动机故障检测方法

根据故障检测原理,研究和实现了基于云-神经网络的液体火箭发动机故障检测方法。根据训练结果、测试结果和故障检测结果可以看出,云-神经网络用于液体火箭发动机的故障检测是可行的,经过历次试车数据验证,该方法没有误报警和漏报警。