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。     

基于门限偶极子模型的多移动机器人路径规划

基于门限偶极子模型的多机器人路径规划方法,通过构造神经网络结构,采用门限偶极子模型,使多机器人工作空间的变化可用神经网络中神经元的活性值图表征.每台机器人根据自已的活性值图独立规划路径,并通过分配动态优先级的方法实现机器人间的避碰.仿真结果表明了所提方法的有效性.     

基于粗集-神经网络模型的目标识别方法研究

为了克服传统目标识别方法的缺点,建立了一种基于粗集理论和神经网络结合的粗集-神经网络模型,利用粗集对输入信息进行约简,剔除冗余信息,简化了生成规则和神经网络模型结构,提高了网络训练速度和运行速度,并通过仿真实验,证明了该混合模型的可行性.     

基于神经网络的中制导律

基于神经网络的中制导律适合末段采用寻的制导的复合制导导弹。采用针对固定目标、同时能满足复合制导中制导要求的最优中制导律来提供神经网络的训练样本，通过遗传算法对神经网络的各个权值及各神经元的阈值进行综合寻优，以各时刻导弹及目标的位置坐标作为神经网络输入，经过计算输出相应的中制导指令。仿真结果表明基于神经网络的中制导律不仅能用于攻击固定目标及机动目标，同时能满足复合制导中末交班的各项要求。     

人工神经网络在运动控制中的应用

介绍了人工神经元模型与神经网络基本结构。阐述了多层前向网络的工作原理及误差反转（BP）算法,探讨了用于运动控制的单神经元PID控制器的结构与基于BP网络的模糊自适应PID控制,给出了由传统PID控制器,模糊量化处理,系统辨识神经网络NNM和系统控制网络NNC组成的基于BP网络的模糊自适应PID控制器结构,并讨论了人工神经网络在运动控制领域中应用的发展趋势。     

基于神经网络的考核成绩评估

常用的神经网络包括BP、径向基、径向基概率神经网络等.利用Kohonen神经网络实现对学员的体能考核成绩进行综合评估.其采用N维模式矢量,当网络输入矢量后,Kohonen层中的神经元开始竞争,并利用具有最小欧式范数距离的神经元作为获胜神经元.仿真实验验证了基于Kohonen神经网络的考核成绩评估有效可行.     

采用RBF神经网络的状态监测数据趋势预测

采用RBF神经网络的状态监测数据趋势预测,通过选取状态参数、数据预处理、运用Matlab神经网络工具箱建立RBF神经网络模型.先对网络初始化,确定输入、输出和隐含层的节点数.再将网络输出结果与样本比较,根据求得误差值逐步调整隐含层神经元数量,直至误差满足实际需求为止.对网络仿真证明该法具有较高精度.     

旋转球体宽带时延-时间伸缩声成像方法分析

使用宽带处理和小波变换理论对延展目标进行主动声成像.在对均匀密度的粗糙球体和常用的窄带散射函数模型进行分析的基础上,研究了对于球体模型的宽带扩展函数(WBSF)及其与球体相关的参数,讨论了通过使用小波变换方法来处理模型中存在的奇异值,最后,通过计算接收信号的小波变换对宽带扩展函数进行估计.     

水下弱目标跟踪的深度学习方法研究

针对水下弱目标跟踪受干扰和噪声影响容易出现量测丢失或偏差,导致传统Kalman滤波方法跟踪误差显著增加甚至出现发散的问题,为此提出一种基于神经网络的目标跟踪方法,利用深度神经网络解决不同运动模式下目标方位跟踪的问题。水下目标跟踪的神经网路模型可通过运动模型生成大量量测数据进行充分训练,有效解决水声目标数据少、标记样本不足的问题;在量测不连续条件下,提出一种新的损失函数用于增强目标跟踪模型的稳健性;对未学习的仿真数据及实测海试数据进行测试。研究结果表明：构建的卷积神经网络(Convolutional Neural Network, CNN)模型适用于3种不同运动模式下的目标,能在平台静止和运动两种情况下稳定跟踪目标;CNN模型较传统Kalman滤波方法跟踪误差分别降低了7.75°和1.41°,验证了该模型的稳健性和可推广性。     

基于粗集-神经网络模型的目标识别方法研究

为了克服传统目标识别方法的缺点，建立了一种基于粗集理论和神经网络结合的粗集-神经网络模型．利用粗集对输入信息进行约简，剔除冗余信息，简化了生成规则和神经网络模型结构，提高了网络训练速度和运行速度，并通过仿真实验证明了该混合模型的可行性。