神经网络辅助的组合导航系统信息融合方案

传统的Kalman滤波器自适应能力弱，而单纯的神经网络滤波器估计精度较差，且网络训练经验性太强。面向组合导航领域，提出BP神经网络辅助自适应联邦Kalman滤波器方案，设计并实现了SINS／GPS／TAN／SAR智能化容错组合导航系统。结合自适应滤波和神经网络两种方法共同提高系统的自适应能力，并提出新的神经网络输入量，改善了算法的实时性。系统的估计精度得到显著提高，仿真结果证明了该方案的可行性和有效性。     

组合导航软件可靠性的评估

在大规模导航软件系统中,软件评估的主要任务就是要精确地估测程序模块中存在的缺陷数.介绍了组合导航软件的评估方法和步骤,着重介绍了 JM 模型和 G-O 模型,并提出了神经网络评估软件可靠性的具体方法.对组合导航软件的特点及测试方法进行了讨论.根据软件模块测试报告,分别用 JM 模型、G-O 模型和神经网络对软件模块的缺陷数进行预测,并给出了组合导航软件3种模型的评估质量的比较.结果表明:神经网络方法优于传统模型方法.     

改进神经网络辅助的GPS/INS组合导航算法

针对全球定位系统(GPS)和惯性导航系统(INS)组合系统中GPS中断时,导航性能会急剧降低的情况,提出了一种改进径向基神经网络结合自适应滤波辅助的组合系统导航算法.该算法探讨了遗传算法参数寻优和最近邻聚类学习算法,解决了径向基神经网络训练中参数合理选取的问题,构建了INS加速度增量、姿态增量与GPS位移增量之间的非线性映射模型.当GPS出现故障时,利用该映射模型和改进的自适应滤波实时预测出GPS伪位置与其对应的协方差,进而计算出预测位置辅助的导航解,利用实测数据对算法进行验证.结果表明:GPS发生故障情况下,改进径向基神经网络算法能够辅助组合系统解算出稳定的次优导航解,其精度明显优于纯INS导航.     

组合导航软件可靠性的评估

在大规模导航软件系统中，软件评估的主要任务就是要精确地估测程序模块中存在的缺陷数。介绍了组合导航软件的评估方法和步骤，着重介绍了JM模型和G－O模型，并提出了神经网络评估软件可靠性的具体方法。对组合导航软件的特点及测试方法进行了讨论。根据软件模块测试报告，分别用JM模型、G－O模型和神经网络对软件模块的缺陷数进行预测，并给出了组合导航软件3种模型的评估质量的比较。结果表明：神经网络方法优于传统模型方法。     

基于耦合人工神经网络的工业材料选择与决策方法研究

为了实现工业材料的快速选择和决策,提出利用以往工业产品设计方案实例来训练神经网络.通过目标产品的编码信息和索引模式实现知识推理,从而获得所需的信息.文中首先研究了工业材料选择与决策方法的耦合神经体系结构,通过ART1网络的学习规则和工作规则,解决工业材料的选择和决策问题,并给出了ART1神经网络模式的链式32位二进制工业材料编码方法.通过实例推理、神经元网络、面向对象等技术,使得基于耦合神经网络的工业材料和决策系统能够有效地实现产品的方案设计,达到了预期目的.     

SINS/GPS组合导航方法设计

根据SINS/GPS组合导航的基本原理,重点研究联合卡尔曼滤波方法在组合导航中的应用,基于最优化理论的数据融合技术,通过分析纯惯性导航系统的误差,建立了组合导航系统的误差模型,设计了高可靠性、易于工程实现的简化联合卡尔曼滤波器和对应的数据融合算法。并对该导航系统进行了动态实验,结果表明组合导航能有效抑制导航参数误差,提高导航精度。     

神经网络用于组合导航系统软件质量的评估

在大规模组合导航软件系统中，质量控制的主要任务就 精确地估测程序模块中存在的缺陷数．介绍了一种新的神经网络所建立的静态可靠性模型，根据软件复杂度估测了质量及质量拟合度，并且与传统回归技术进行了比较．当大型组合导航软件系统已有一批数据时，神经网络技术有更好的质量拟合度和估测能力．     

INS/DVL组合导航系统在水下载体中运用研究

根据水下载体长时间在水下盘行的特点，建立了INS／DVL组合导航的工作模式，推导了该组合模式的组合形式和卡尔曼滤波算法，并通过计算机仿真技术分析了INS／DVL组合导航系统的性能和精度，说明了在惯性导航系统基础上引入多卜勒速度计程系统可以极大提高载体在水下的导航精度。     

估测组合导航系统软件缺陷的一种神经网络方法

在早期的软件开发寿命周期里，软件的质量模型包含确定有缺陷的模块和预测错误数，在大规模组合导航软件系统中，质量控制的主要任务就是要精确地估测程序模块中存的的缺陷数，本文给出了用神经网络技术估测程序中的缺陷数的方法，预测缺陷数一般用单隐层网络就可以，因为多隐层网络将相应占用更多的训练时间，本文还介绍了一种新的静态可靠性模型，根据软件复杂度，估测了质量及质量拟合度，并且与传统回归技术进行了比较，仅用单隐层神经网络模型就比传统的统计模型预测质量好，当应用于一批大型组合导航软件系统的数据时，神经网络技术表明，它的确有更好的质量拟合度和估测能力，它给软件工程提供了一个好的管理工具。     

一种具有迁移学习的MF和DNN的组合推荐算法

为解决单一推荐算法应用具有局限性和用户行为数据具有稀疏性的问题,将迁移学习方法应用到组合推荐算法.该算法首先分别利用矩阵分解(MF)推荐算法和深度神经网络(DNN)推荐算法对用户行为数据进行预测,然后利用迁移学习方法将训练出来的特征数据作为组合推荐算法的输入,并进行再次训练,获得预测评分,实现对目标用户的推荐.实验结果表明,具有迁移学习的基于矩阵分解和深度神经网络的组合推荐算法能够有效地提升推荐质量.     

基于智能空间的三肢体仿生机器人3D运动规划

探讨了一个新颖的三肢体功能仿生机器人在智能空间中的3D运动规划和导航问题．按照实现功能提出机器人平面内运动基本步态,以此基本步态为基础,运用模糊推理得到演化步态用于实现平面间运动．融合智能空间所捕获的环境信息,建立以向量场为基本原理的模糊神经网络模型,通过学习机制训练该网络,应用于动态3D环境的导航和避障．仿真结果证明了该运动规划策略的有效性．     

AGV用GPS/DR组合导航信息融合

目的 研究一种满足室外自动导引小车(AGV)导航要求的高精度、低成本的组合导航系统.方法 应用信息融合技术,通过航位推算系统辅助GPS定位,并采用卡尔曼滤波的融合算法,克服了GPS信号的遮蔽与中断问题,使组合系统能够较好地满足AGV导航定位的需要.用VC ++编写融合算法以及实验控制程序,实现了实验数据的采集以及对AGV的运动控制.结果 给出了GPS单独导航和GPS/DR组合导航两种工作状态下的位置误差,从对比中可以看出,组合导航系统的定位精度比GPS单独导航的定位精度提高了50%.结论 组合导航系统可以减小甚至消除推算定位系统随时间积累的误差,并在任何情况下能较好地实现AGV的实时、可靠、准确定位.     

一种低成本GPS组合导航定位系统

提出一种低成本、简单实用的GPS组合定位系统,即采用电子计步器与电子罗盘辅助GPS.该系统可以工作在自主导航、纯GPS导航、组合导航3种模式.文中给出了组合原理、方法和基本算法,探讨了几种应用模式和可能的应用领域.     

基于BP神经网络的教学质量评价

基于MATLAB设计神经网络评价流程,以3层BP神经网络进行教学质量评价,其中隐含层的传递函数为tansig,输出层的传递函数为purelin．为保证网络的泛化能力,在训练样本的选择上,选择比较有代表性的数据,打乱顺序,对数据进行归一化预处理;训练函数采用Levenberg—Marquardt算法,选择学习速率为0．01,网络训练误差为le^-5,训练次数1000次,步长选择为10．成功训练神经网络后,对给出的4组数据进行了预测,画出预测拟合及误差分析图形．结果表明：在设计BP神经网络模型的基础上,采用合理的样本数据,神经网络就会通过训练样本,学习到样本的有关环境本身的内在规律性,对输入给出正确的反应,以实现教师的教学质量评价．     

基于电子地图的视觉AGV导航控制系统研究

本文介绍了基于视觉与电子地图组合导航AGV的导航机理、路径跟踪与自主定位算法,并设计了运动控制系统的实现算法,且予以仿真验证。     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法。聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测。结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较。结果表明,加入聚类分析的神经网络模型平均绝对误差降低3．13kg／t,平均相对误差降低5．19％。     

一种优选神经网络训练样本的混合聚类算法

神经网络训练集中含有大量相似样本不但增加了网络的训练时间还对网络泛化能力存在较大影响,合理的选择样本集训练神经网络模型影响着建模的效率。根据实际应用中神经网络学习样本具有的内在特征和规律性,提出了一种基于自组织映射（SOM）神经网络的K-均值聚类算法优选神经网络样本,算法的主要思想是通过对样本数据的聚类分析,剔除孤立样本后挑选出具有代表性的样本训练神经网络。实验结果表明,相对随机选择法而言,本算法能够有效地减少训练样本的数目,提高建模效率。     

基于车辆响应的路面不平度识别方法

针对路面不平度识别的问题,研究了基于车辆响应的NARX神经网络识别方法及其适用性。建立了汽车振动系统4自由度平面模型,通过仿真获得车辆响应和车轮路面不平度。对于NARX神经网络及其应用选择、输入方案优化和评价指标进行了研究,提出了车辆响应选择和组合优化的解决方案。采用NARX神经网络识别了常用的B级路面和车速为60 km/h下某轿车的前轮路面不平度,其相关系数和均方根误差分别达到96.75%和0.003 3。考虑了训练采样点数、车辆响应随机噪声、车速和路面等级的变化对训练完成的NARX神经网络效果的影响,说明了基于车辆响应识别路面不平度的NARX神经网络方法的适用性。研究结果表明,采用正交试验设计确定NARX神经网络优化输入方案和基于车辆响应识别路面不平度取得了满意的结果,两者具有良好的适用性。     

基于灰色遗传BP神经网络的大坝变形预测

提出了一种基于灰色预测模型的遗传算法优化BP神经网络的组合预测模型。通过对原始大坝序列进行灰色拟合,弱化原始序列的随机扰动影响,增强数据的线性规律,并采用遗传算法优化BP神经网络的连接权值和阈值,之后将灰色拟合后的残差作为优化后的BP神经网络的输入样本进行训练和测试,进而建立灰色遗传BP神经网络预测模型。组合模型充分结合了BP神经网络自适应学习的优点,避免了灰色方法及模型在非线性预测方面的缺陷;同时集成了遗传算法的全局寻优性能,弥补了神经网络容易陷入局部极值点的缺陷。与灰色GM(1,1)和单一BP神经网络对比表明,组合模型能保证较优的局部预测值和较高的全局预测精度,应用于复杂的大坝变形预测中是可行的。     

基于自适应组合滤波的惯性导航系统初始对准方法

针对系统噪声不确定情况下的惯性导航系统非线性初始对准问题,提出了一种基于自适应组合滤波的初始对准方法.首先给出了一种基于Kalman/UKF组合滤波的神经网络实时训练算法;进而提出了基于Kalman/UKF组合滤波的非线性系统状态估计方法,该算法利用神经网络在线估计系统噪声,并利用Kalman/UKF组合滤波在线同时估计初始对准的状态量和神经网络的权值;最后将该算法应用于惯性导航系统非线性初始对准问题中,并进行了仿真研究.仿真结果表明:自适应组合滤波算法不仅保证了初始对准的精度,而且具有更好的实时性,是解决惯性导航非线性初始对准问题的一种有效且实用的方法.