用Vallier公式近似估算枪炮引信膛内后坐过载规律

为了得出火药气体压力与时间关系的解析式,在前人得出的内弹道半实验解法的基础上,对火药气体压力与时间的关系近似地计算,以前人计算得出的火药气体压力与时间关系为依据,论证用Vallier公式简化计算火药气体压力的可行性,并用中间值迭代方法对给定一些条件后的火药气体压力曲线进行逼近,得出逼近后的Vallier公式曲线,将各平台火炮内弹道修正系数的平均值作为经验值来计算火药气体压力。结果表明,Vallier公式能够较好地计算出一般火炮的火药气体压力和无后坐火炮的火药气体压力上升段。     

应用Hopfield神经网络和小波域隐Markov树模型的图像复原

为了解决传统的Hopfield神经网络图像复原算法对噪声抑制和图像细节保护不能很好兼顾的问题,提出了一种基于改进的连续Hopfield神经网络和小波域隐Markov树(HMT)模型的复原算法。将小波域HMT模型作为图像小波系数统计关系的先验知识,并以正则化项的形式引入到神经网络模型中,最终利用Hopfield神经网络的能量收敛特性完成图像复原。同时,提出了一种高度并行的网络权值矩阵计算方法,通过对模板图像进行算子操作,分批求取网络权值,避免了大型矩阵的乘法运算。实验结果表明,无论是对真实图像还是人工生成图像,算法复原结果的视觉效果均有明显改善,提高信噪比(ISNR)较传统同类算法增加0.3dB以上,达到了同时抑制噪声和保护图像细节的目的。     

对某武器系统内弹道性能异常的分析

针对某武器系统内弹道性能异常的问题,根据经典内弹道方程组计算了其在原始条件下的内弹道性能。通过对原计算值的分析,找出了造成内弹道性能异常的原因是火药气体生成速率较小而弹后空间增长速率相对较大,火药燃气压力没有上升反而随时间下降。通过提高火药的燃速系数并且更换减面型火药,由相同内弹道方程组计算得到的内弹道性能正常且满足设计要求,表明对此类问题应采用较大燃速系数的减面型火药。     

二次调节控制系统的模糊-神经网络自学习自适应控制

文中提出了一种基于神经网络的在线自学习模糊自适应控制策略，控制器的设计不依赖于系统的先验知识，控制参数的调整是结合模糊控制，利用反馈误差学习算法实现。该方法应用于二次调节速度控制试验台，并取得优良的控制效果。     

引入先验知识的燃油加热器系统神经网络辨识

针对汽车燃油加热器具有滞后、系统外部不确定扰动引起时变,且难以确定数学模型的特征,设计了一种基于神经网络的系统辨识器NNI,采用三层前向神经网络和反向传播学习算法,提出一种引入先验知识的学习策略,构建了知识先导学习模型,对辨识器进行了仿真实验研究。通过仿真实验与普通辨识器相比,引入先验知识的神经网络辨识器NNI减小了系统的辨识误差,具有良好的响应特性,是解决具有时变不确定性、纯滞后等系统辨识问题的有效方法。     

基于神经网络的多声道超声气体流量计研究

在以弦向声道布置的多声道超声气体流量计原理的基础上,采用Gauss-Legendre数值积分和线性神经网络相结合的方法完成自适应调整权系数的多声道超声气体流量计建模。在建模过程中,根据Legendre正交多项式的节点值,计算多声道超声换能器的位置分布值,再按照Widrow-Hoff学习规则,由leanrwh函数求解出各声道的层流流速和权系数值表,最后根据实时测量出的层流流速,通过插值算法自适应匹配一组最佳的权系数值,计算出流速和流量值。并以4声道交叉布置方式的超声气体流量计为例,进行测量误差仿真实验和物理实验,误差均能满足实际测量要求。     

改进样条权函数神经网络及其在选矿厂能耗预测建模中的应用

针对大孤山选矿厂磁选工艺过程的多指标强耦合、时变、非线性和大滞后等特点,采用新型的神经网络建立能源消耗预测模型。网络拓扑结构简单,只有输入输出两层,网络权值由传统的常数改为权函数。在权函数构造上,结合选矿厂实际生产过程中所提供的生产数据特点,分别采用一次函数和样条函数作为网络的权函数。训练算法仿真实验说明新算法计算工作量小,运算速度快,不存在局部极小与收敛慢的问题,且建模误差较小,取得很好的预测效果。     

BP 网络在基于知识的摩擦学设计中的应用

在众多神经网络模型中，ＢＰ网络是比较成熟且应用较为广泛的一种。为此，本文选用ＢＰ网络作为基本网络模型，分别从知识表达、知识获取、综合评价方面研究了ＢＰ网络在基于知识的摩擦学设计中的应用。     

一种基于空间卷积长短时记忆神经网络的轴承剩余寿命预测方法

传统的基于数据驱动的轴承剩余预测方法仍需要一定的先验知识,比如：特征指标选取、健康指标构建、失效阈值选定等等。预测结果严重依赖人工经验,为了克服这一缺点,基于深度学习方法提出了一种用于轴承剩余寿命预测的新方法,该方法的核心包括健康指标构建和剩余寿命计算。首先提出了一种无需先验知识的基于空间卷积长短时记忆神经网络（Convolutional long short-term memory neural network,ConvLSTM）的健康指标生成网络模型,该网络利用卷积神经网络的局部特征提取能力和长短时记忆网络的时间依赖特性,可直接从采集到的原始信号中挖掘反映退化程度的特征,构建健康指标,实现了高维原始数据向低维特征的映射转化,并利用Sigmoid函数将其归至[0,1]区间内,实现了阈值的统一;然后,利用粒子滤波更新双指数寿命模型,实现剩余寿命结果的输出。利用轴承全寿命试验对所提方法进行了验证,并与其他相关方法进行对比,结果表明本文方法所构建的健康指标具有更好的趋势性、单调性和鲁棒性,同时剩余寿命预测的准确率更高。     

径向基函数网络在液压泵故障诊断中的应用与实现

通过神经网络在故障诊断方面的应用 ,利用Matlab提供的大量径向基网络工具函数来设计网络、确定权函数、网络输出 ,采用径向基函数 (RBF)网络来有效地实现对液压泵的故障诊断。该文表明 ,对于局部逼近的RBF网络学习速度快、训练步数少 ,该网络适合用于液压泵故障诊断问题中     

一种新的动态神经网络及其在机器人监督控制中的应用

针对提高机器人控制性能这一类问题，在复合输入动态递归网络的基础上，提出一种新的动态递归神经网络结构，称为状态延迟输入动态递归神经网络（State Delay Input Dynamical Recurrent Neural Networks)。该动态网络具有新的拓扑结构及学习规则，各权值矩阵的含义更为明确，权值的训练过程更为简洁。网络增加了输入输出层前一步的状态信息，收敛速度及稳态精度与其它常用网络结构相比均有明显提高。将该网络用于机器人的监督控制系统，利用神经网络建立起被控对象的逆模型，与传统PD控制器结合，进一步确保了控制系统的稳定性，有效地提高系统的精度和自适应能力。仿真结果表明了这种改进的有效性和优越性。     

状态延迟输入神经网络及其在机器人定位监督控制中的应用

对复合输入动态递归网络作了改进 ,提出一种新的动态递归神经网络结构 ,称为状态延迟输入动态递归神经网络 (State Delay Input Dynamical Recurrent Neural Networks)。这种具有新的拓扑结构和学习规则的动态递归网络 ,不仅明确了各权值矩阵的含义 ,而且使权值的训练过程更为简洁 ,意义更为明确。网络增加了输入输出层前一步的状态信息 ,使其收敛速度和泛化能力与其他常用网络结构相比 ,均有明显提高 ,增强了系统实时控制的可能性。本文将该网络用于机器人定位监督控制系统中 ,通过利用神经网络建立起被控对象的逆模型 ,与传统 PD控制器结合 ,确保了控制系统的稳定性 ,有效地提高系统的精度和自适应能力。仿真结果表明了这种改进的有效性和优越性     

用神经网络提取模糊诊断知识的方法

改进了Ｂ－Ｐ神经网络的算法结构,找了单层神经网络权值矩阵与模糊综合评判关系矩阵之间的对应关系,由此构造了模糊神经网络系统,本系统解决了模糊诊断学习困难的局限,可以将所学知识中具有普遍意义的知识提取出来,同时,将过去隐含分布式的神经网络权值矩阵的物理意义明晰化,克服了单层Ｂ－Ｐ网络的一些局限性。     

考虑异质信息不相容的模拟电路融合诊断

研究提出了一种基于异质信息融合的模拟电路故障诊断方法,以解决模拟电路诊断中故障特征信息缺乏和决策融合中异质信息不相容而导致误判等问题.该法首先采用基于可转移置信模型的核近邻法提取电路温度特征信息,并进行故障预识别,再结合基于可测点电压的神经网络故障预识别结果,在考虑信息不相容的情况下计算关联权重系数、先验权重系数,从而实现电路的综合诊断.电路仿真试验结果表明,所提诊断方法对容差模拟电路的多故障和单故障均适用,故障定位准确率高.     

带时滞的ADALINE神经网络在时变线性系统自适应建模中的应用研究

本文提出了带时滞的ADALINE神经网络对时变复杂线性系统的自适应建模方法,通过对性能函数是权系数二次型的神经网络的算法改进,以梯度变化的共轭向量为搜索方向,以解析式确定最优步长,理论分析和仿真实验证明了此算法的快速性和高精度逼近能力,也证明了基于这种快速算法的带时滞的ADALINE网络实现复杂时变线性系统高精度动态自适应建模的有效性。     

基于神经网络的悬架试验系统研究

针对现有悬架设计及实验不一致问题以及基本型Elman网络忽略了输出层节点的反馈,只能满足一阶线性动态系统信号处理,而不能满足多层网络、多阶系统的需求,提出了一种改进型Elman网络;改进后的网络增强了关联层以及输出层的反馈,把反馈增益作当作连接权值来实施网络训练,训练后的网络不仅比例系数和积分系数具有时变性,还具有自适应性强、学习效率高、逼近精度高等特点。建立了基于改进型Elman神经网络PAC控制器,对六自由度悬架试验平台系统进行控制研究,分析了悬架阻尼、非悬挂质量、悬架刚度、轮胎刚度等参数对时域内轮荷利用率和频域内相位角的影响,通过整车实验证明:悬架参数的匹配可以有效地改善车身振动,降低悬架动挠度、轮胎动载荷,提高乘坐舒适性和车辆行驶安全性,协调整车综合性能。     

基于改进神经网络的数据图书馆满意度评价研究

对用户评价满意度进行大数据分析,挖掘影响满意度关键因素以及对策,持续优化服务为用户提供高质量的知识资源,成为图书馆研究的主流方向。本文采用自组织映射神经网络算法建立满意度评价分类模型,针对自组织映射神经网络模型受神经元网络连接权重的初始值和阈值影响稳定性不足的问题,引入粒子群算法选择最优初始权重,稳定评价模型提升准确度,通过仿真实验论证,优化后的神经网络算法,对比BP神经网络以及自组织映射神经网络模型,其网络性能较好,评价准确性更高,平均准确率达到了94%,且通过粒子群算法的优化,加快了算法本身的收敛速度。     

基于改进的SOM神经网络在水质评价分析中的应用

随着人们对水资源环境的日益重视,各种水质评价方法层出不穷.传统的水质评价方法多采用精确的数学模型进行描述,无法很好的反映水环境中存在的复杂非线性关系,从而影响整体评价结果.因此,本文提出采用一种改进的自组织特征映射神经网络(SOM)方法来进行水质评价,利用SOM神经网络能在无监督、无先验知识的状态下对样本进行自组织、自学习,实现对样本的评价与分类这一特点.通过引入主成分分析,解决SOM神经网络处理高维和相关性强的指标时出现的问题,提高网络收敛速度和聚类准确性.仿真结果表明:改进后的SOM神经网络能够直观准确地评价水体质量,反映水质整体状况.