混沌序列的模糊神经网络预测

提出了一种针对混沌序列预测的T-S模糊神经网络。这种T-S模糊神经网络与传统的T-S模糊神经网络相比在不影响预测精度的前提下极大的减少了神经网络的节点数。同时利用基于混沌动态量的BP算法对神经网络进行学习．提高了收敛速度和预测精度。应用此T-S模糊神经网络和相应的BP学习算法．对Mackey-Glass混沌时间序列进行了预测．与传统的T-S模糊神经网络相比得到了更好的结果，验证了该方法的有效性。     

基于小波分解与重构的混沌时间序列预测

提出一种通用的混沌时间序列预测方法.算法首先通过小波分解与重构将具有混沌特征的时间序列分解为一个低频信号和多个高频信号;对不再具有混沌特征的信号分支采用神经网络模型预测;对具有混沌特征的信号分支采用基于非线性混沌动力学的预测模型;最后将各分支的预测值组合获得最终预测值.通过月平均太阳黑子数这一典型混沌时间序列的预测实验表明该方法比传统的神经网络预测方法和混沌预测方法的预测精度高,可以较好地应用于混沌时间序列的预测中.     

一种基于混沌特性的网络流量改进预测算法

高速网络中网络流量具有自相似特征,这种自相似性特征和混沌现象的吸引子有着密切联系。基于相空间重构理论,用网络流量混沌时间序列重构与原网络动力系统等距同构的相空间,通过计算网络关联维数、Kolmogorov熵和最大Lyapunov指数,证实网络流量具有混沌特性。分别采用基于Wolf原始算法和改进算法的最大Lyapunov指数方法,对网络流量进行了预测,并计算了最大可预报时间。仿真结果表明,基于Wolf改进算法的预测方法精度和可靠性高,从而为有效预防网络拥塞奠定了基础。     

基于神经网络回归分析组合模型的能源消耗预测研究

通过对时间序列数据进行处理，分别建立回归分析预测模型和BP神经网络预测模型，在此基础上建立基于2种预测方法的组合预测模型。采用熵值法确定组合预测模型的权系数。结合某省能源消耗总量数据进行仿真，结果与实际数据的误差较小，和2种单一的预测方法相比，预测结果更接近于实际情况。     

基于LS-SVM的装备需求时间序列预测

支持向量机 (SVM)是一种基于结构风险最小化原理的学习技术,是一种新的具有很好泛化性能的数据挖掘工具.文中在最小二乘支持向量机(LS-SVM)回归算法的基础上,引入了混沌理论时间序列理论的相空间和嵌入维数概念,建立了LS-SVM时间序列预测模型,并应用于武器装备需求预测,预测结果证实了该模型和方法的有效性.     

基于混沌神经网络理论的城市深基坑沉降量预测模型

通过分析城市深基坑沉降量时间序列的非线性动力学系统,认为该时间序列具有混沌特性.在此基础上,通过相空间重构的方法建立了用于城市深基坑沉降量预测的混沌神经网络模型;并利用此模型对上海某深基坑沉降量进行了预测,取得了较为满意的预测效果.     

基于遗传算法优化BP神经网络的供暖系统热负荷预测模型

针对供暖系统热负荷短期预测问题,利用改进的遗传算法(genetic algorithm,GA)对BP神经网络(back propagation neural network)的初始权值和网络结构进行优化,并在遗传进化过程中采取保留最佳个体的方法。该方法克服了一般BP网络初始权值的随机性和网络结构训练过程中的所带来的网络震荡,以及一般BP网络容易陷入局部极小等问题。同时结合一般BP神经网络方法进行仿真实验和分析比较,结果表明:该方法具有全局寻优能力,预测精度高,绝对和相对误差较小,收敛速度快,能够有效针对供暖系统热负荷进行短期预测。     

基于BP神经网络和实验数据的火力打击效能预测

针对火力打击效能预测问题,构建基于作战实验数据和BP 神经网络的预测方法。设计火力打击效能实 验和数据采集处理,构建6-18-1 型BP 神经网络预测模型,并通过作战实验数据样本进行验证。结果表明,火力打 击效能预测仿真值与实验值相近。     

基于GA-BP神经网络的镁合金微弧氧化膜层厚度预测

为直观地检验膜层的质量,建立微弧氧化工艺参数(电流大小、脉冲宽度、氧化时间)与微弧氧化膜层厚度之间的反向传播(BP)神经网络预测模型,其结构为3-10-1(即3个输入神经元,10个隐含层节点,1个输出神经元)。采用遗传算法(GA)优化BP神经网络的初始权值和阈值,构建基于遗传算法神经网络的膜厚预测模型。用GA-BP神经网络对膜厚进行模型仿真,并将仿真结果与BP神经网络模型仿真结果进行对比。结果表明,GA-BP网络模型预测值的平均误差为1.65%,最大误差为9.75%,而BP模型预测结果的平均误差为8.62%,最大误差为13.68%。GA-BP神经网络模型预测精度要优于BP神经网络模型。     

基于混沌神经网络的防空火箭炮交流伺服系统状态预测研究

为了更加准确地对系统非线性非平稳状态趋势进行预测,运用基于神经网络的混沌预测方法对防空火箭炮交流伺服系统的速度量进行了预测,为基于速度预测值的系统非线性非平稳状态趋势预测奠定了基础。利用C-C法选择了合适的嵌入维和时间延迟,对防空火箭炮交流伺服系统不规则运动的实验数据进行了相空间重构并进行了分析。在原Elman网络中增加了输出层关联单元,并把自反馈增益系数当作连接权值投入到网络的训练中,以增强Elman网络非线性逼近能力,在此基础上建立了基于改进型Elman网络的混沌预测模型。采用基于最大Lyapunov指数预测法和混沌神经网络预测法对系统状态进行了预测,两种方法的预测结果表明,后一种方法对防空火箭炮交流伺服系统速度值预测精度更高,从而使得基于此的系统非线性非平稳状态趋势预测更有效。     

基于神经网络的导弹惯性器件故障预报系统研究

在导弹武器系统当中,及时准确地故障预报对提高导弹的安全性具有极其重要的意义.针对导弹惯性器件故障预报系统的设计要求,考虑到神经网络用于故障预报的优点,在神经网络技术应用于导弹惯性器件的故障预报过程中提出了神经网络的训练算法,把神经网络、预测理论和故障诊断系统有机结合起来建立了一个故障预报系统,利用该系统选取神经网络预测模型对某导弹陀螺随机漂移进行建模和分析,实现了故障预报.实例预测结果证明,给出的神经网络预测模型和训练算法是可行的.     

Fuzzy Control Based on Neural Networks for Armored Vehicle Electric Drive System

In order to meet rigorous demands of control of electric motors in armored vehicle electric drive system and make the system of strong robustness and antijamming capability, a fuzzy control method based on neural networks is put forward. The simulation model of the armored vehicle electric drive system is built up to test the validity of the control. Simulation experiments show that when load is increased or decreased suddenly, the system adopting fuzzy control based on neural networks is insensitive to parameter change and has little overshooting and oscillation compared with PID control.     

基于模糊神羟网络的战术互联网呼叫接纳控制

呼叫接纳控制是通信网络业务量控制中的一种预防式策略。针对战术互联网的特殊性，提出了基于模糊神经网络的战术互联网呼。1接纳控制模型和相应的算法。该方法用信元丢失率和时延来描述服务质量，符合军事通信网络的要求；体现了基于测量的接纳控制的基本思想，使模糊神经网络预测器能够及时地反映网络的当前状态，保证了呼叫接纳控制算法结果的准确性。仿真实验结果表明了该方法的有效性和优越性。     

导弹飞行过程中动态载荷识别方法

导弹在飞行过程中的外部载荷会导致结构振动,从而引发燃烧不稳定。为了更好地理解燃烧不稳定性,预测外部载荷是很重要的。该文提出了一种基于神经网络的动态载荷识别方法。首先,设计并加工了导弹模型,进行有限元模态分析与模态试验,提取典型模态振动频率,验证了所使用有限元模型的合理性。该方法基于有限元模型开展仿真计算,神经网络由仿真结果中的足够样本数据训练,从而使神经网络能够识别典型载荷。搭建地面试验系统,开展地面激励实验获取相关数据,首先进行典型载荷识别,相对误差可达1.21%,验证了所训练神经网络的准确性和试验系统的可行性。随后对随机载荷进行识别,结果表明,用所提方法识别随机动载荷相对误差小于1.82%,该载荷识别方法具有良好的识别能力。对于导弹结构设计和发动机燃烧不稳定的预测具有重要意义。     

基于回归的舰船装备剩余寿命预测方法

采用回归预测分析法对舰船装备及分系统剩余寿命进行预测，为军队管理部门的维修养护工作提供可行办法。首先通过回归分析，建立舰船装备及分系统损伤与使用时间的关系，以此作为对舰船装备及分系统寿命进行预报的根据，再建立计算其剩余寿命的回归预测模型。     

基于卷积神经网络的无人作战飞机飞行轨迹实时预测

飞行轨迹预测是空战技术的一部分,预测方结合轨迹预测结果可以选择出更有预见性的机动。为快速、准确地获得无人作战飞机在未来时刻的位置,提出了基于卷积神经网络的飞行轨迹预测方法。原始动力学模型不能正确仿真滚转角有偏差的筋斗机动,采取限制角速度的方式对该模型进行改进;使用改进后的模型在不同条件下进行飞行仿真,得到大量轨迹样本;训练并测试具有不同层数和卷积核数的网络,从中找出预测误差最小的网络;对比卷积神经网络与长短时记忆网络、循环神经网络、全连接网络的运算速度和误差,结果表明：卷积神经网络预测方法在没有增加运算用时情况下,0.25 s后的平均预测误差在x轴方向约为4.2 m,y轴方向约为8.0 m,z轴方向约为19.5 m,且误差均小于其他3种方法。     

非恒定环境下基于载荷谱的导弹部件寿命预测

为了解决某导弹部件在非恒定贮存环境下的寿命预测问题,提出了一种基于环境载荷谱的预测方法。分别利用Normal、Gamma分布对温度、湿度载荷谱建模;采用三参数Weibull分布拟合产品的失效时间,进而通过加速因子不变原则推导与环境相关的模型参数,在此基础上利用简化的广义Eyring模型建立时变环境与寿命模型之间的联系。案例应用验证了所提方法的有效性,结果表明此方法比传统的基于环境平均值的预测方法降低了预测误差。     

几种基于神经网络的导弹惯性器件故障预报方法及其性能比较

研究了标准BP网络、改进的BP网络(带动量的自适应BP网络)、 L-M网络和RBF网络及其学习算法, 探讨了基于这四种神经网络的导弹惯性器件故障预报方法, 并通过仿真实验对四种网络的预测预报性能进行了分析比较.结果表明, L-M网络和RBF网络对惯性器件的故障预报比两种BP网络更准确, 收敛速度更快.