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。     

基于卷积神经网络与长短期记忆神经网络的弹丸轨迹预测

针对弹丸非线性轨迹预测问题，提出一种基于卷积神经网络(CNN)与长短期记忆(LSTM)神经网络的混合轨迹预测模型。通过建立6自由度弹丸运动模型，并使用4阶龙格库塔法外弹道仿真，得到大量轨迹数据样本；提出CNN-LSTM神经网络的混合轨迹预测模型，并利用滑动窗口法和差分法构造输入输出的轨迹数据对，将预测问题转化为有监督的学习问题；将所提模型与LSTM神经网络模型、门控循环单元(GRU)神经网络模型和反向传播(BP)神经网络模型在同一数据集下进行仿真实验。研究结果表明，CNN-LSTM神经网络模型预测3 s后的平均累积预测误差在x轴方向约为14.83 m,y轴方向约为20.77 m,z轴方向约为0.75 m,且轨迹预测精度优于单一模型，为弹丸轨迹预测研究提供了一定的参考。     

基于粒子群优化支持向量机神经网络的弹丸落点预报

针对目前弹丸落点预报方法预报时间较长和精度不高的问题,提出了基于粒子群(PSO)优化的支持向量机(SVM)神经网络预测方法。该方法采用PSO优化算法优化SVM训练参数,以获得最优SVM神经网络落点预测模型。在此基础上,使用卡尔曼滤波处理外弹道数据形成神经网络训练数据,进行落点预报仿真测试。仿真结果表明,射程最大误差为7.371m,横偏最大误差为0.886m;落点预报时间在35ms之内,比数值积分法快了一个数量级,为弹丸落点预报的实际应用提供了一种途径。     

基于神经网络的弹道修正弹落点预测方法

为了分析神经网络运用于弹道预测的可行性,构建了实用的弹道预测工具,建立了基于神经网络理论的弹道预测模型。利用二自由度质点弹道模型,选取BP网络和Elman网络进行神经网络弹道预测仿真。基于误差反向传播理论,比较了带动量项算法与自适应学习率算法这2种网络权值训练速度。对2种网络不同隐层节点数的学习误差和预测误差进行了对比分析。数值仿真计算结果表明,神经网络具有较高的预测精度,36.7 km射程仅有不足100m的射程误差,12.3 km射高仅有不足70 m的高度误差,预测结果满足要求,利用神经网络进行弹道预测是合理可行的。     

300M超高强度钢铣削力模型构建及MOPSO优化

用正交试验法对300M超高强度钢进行铣削加工,用直观分析和方差分析探究铣削力随铣削用量的变化规律,建立铣削力的经验指数模型与GA-BP神经网络预测模型,用多目标粒子群优化算法基于铣削力和材料去除率优化铣削参数.结果表明:300M超高强度钢铣削力随铣削速度增大和每齿进给量降低得到有效改善;经优化后的BP神经网络模型预测误差显著降低,两种预测模型对铣削力均有较高预测精度,但后者误差相对较低;使用经优化后的参数,铣削力有效改善.     

GA-BP网络建模在套料钻性能预测中的应用

将BP神经网络建模技术和遗传算法(GA)应用于套料钻性能预测。利用BP神经网络建立套料钻性能预测模型,通过比较实际误差梯度值与给定误差梯度值,来确定BP网络是否处于局部极小状态;GA仅在BP网络处于局部极小时进行学习,对BP网络的连接权值进行优化。BP神经网络和GA两者的有效结合可以解决BP算法固有的缺陷,如收敛速度慢、易陷入局部极小等。套料钻加工性能试验结果表明预测结果和实际结果吻合程度较好,验证了GA-BP网络模型在套料钻性能预测中的有效性和准确性。     

基于遗传算法优化LSSVM的初速预测

利用两台初速雷达测试弹丸炮口初速的试验中,当一台雷达的数据出现缺失时,通过建模预测出缺失的数据成为一项必要的工作。预测初速主要采用GM(1,1)模型,但是该模型并不完全适合预测初速,所以预测精度不理想。通过深入分析两台雷达之间的关联性,选择把两台雷达的数据进行融合,同时根据弹丸初速自身的特征,选择建立遗传算法优化LSSVM对缺失的数据进行预测。实验验证时,选择ARIMA模型、GM(1,1)模型、支持向量回归机、BP神经网络作为对比模型,两次验证的结果表明,遗传算法优化LSSVM的预测精度最高,误差远小于1‰,达到了初速雷达测试弹丸初速的误差标准,是预测弹丸初速的最佳模型。     

双加速度计滤波法测量弹丸轴向加速度

弹丸的射程预测通常需要采用加速度计测量其轴向加速度,为了消除加速度计安装位置、安装误差以及弹丸姿态运动对弹丸轴向加速度测量精度的影响,文中基于刚体弹道模型对双加速度计滤波法测量精度进行了仿真分析.仿真结果表明:双加速度计滤波法测量误差为0.6 m/s2(1σ),该方法可以有效地提高测量精度.     

BP神经网络结合粒子群优化卡尔曼滤波的MEMS陀螺随机误差补偿方法

针对微机电系统(MEMS)陀螺仪随机误差相对较大、影响其精度这一问题，提出一种基于BP神经网络结合具有量子行为的粒子群优化(QPSO)算法优化卡尔曼滤波(KF)的补偿方法。采集MEMS陀螺和转台数据作为样本，采用BP神经网络进行训练，建立误差模型；利用训练好的模型对MEMS陀螺进行误差补偿；利用QPSO算法优化KF,以达到更好的降噪效果。实验结果表明，该方法较BP神经网络优化KF、QPSO优化KF与变分模态分解结合小波阈值去噪等方法去噪处理后的平均绝对误差(MAE)和均方误差(MSE)更小，具有更好的降噪效果。     

基于BP人工神经网络的末修弹落点预测导引模式

落点预测导引是一种以预测弹丸落点为基础的导引模式,精确预测落点是提高脉冲末修弹修正效率和射击精度的关键因素。文中在详细分析剩余射程影响因素的基础上,以BP人工神经网络为数学工具,建立了脉冲末修弹剩余射程预测模型。以预测落点偏差为广义弹道偏差,对落点预测导引模式进行深入研究。数值仿真结果表明,基于BP人工神经网络的末修弹落点预测导引模式是合理可行的。     

基于粒子群神经网络的含硼富燃料推进剂一次燃烧性能计算

使用粒子群算法(particle swarm optimization,PSO)来优化误差反传(back propagation,BP)神经网络的权重和阈值,建立了粒子群神经网络(PSO-BP)计算模型,利用该模型对含硼富燃料推进剂的一次燃烧性能进行了模拟计算,当端羟基聚丁二烯(HTPB,28％ ～32％)、高氯酸铵(...     

基于聚类关联规则神经网络组合算法的弹丸初速预测

针对靶场试验中利用初速雷达测试弹丸初速需要重构的情况,选择同时参试的两台雷达的数据进行融合建立神经网络模型,用一台雷达的数据预测出另一台雷达需要重构的数据。由于预测模型预测精度的高低取决于所建模型的好坏,而模型的好坏取决于样本数据的质量,先利用聚类分析和关联规则从大量历史试验数据中挖掘出优质的样本,再建立神经网络进行预测。实验结果表明,与支持向量回归机相比,由聚类分析关联规则神经网络构建的组合算法的预测精度更高,预测历史相似数据误差远小于1‰,预测与历史出入较大的数据的精度也较为理想。两种情况下的预测结果表明,组合算法既保证了预测精度又具有一定的鲁棒性,可以作为弹丸初速的预测模型。     

基于ANGM(1,1)和PSO-BP神经网络组合模型的身管烧蚀磨损量预测

在火炮射击过程中,身管烧蚀磨损会对火炮性能产生不利影响,烧蚀磨损量预测对提高火炮性能及寿命均有较大意义。由于常规数据拟合和预测方法在预测火炮身管烧蚀磨损量时存在较大的误差,在分析传统预测模型优化方法的基础上,针对身管烧蚀磨损量具有单调性和波动性特点,提出了改进的灰色模型ANGM(1,1),并结合基于粒子群算法优化的BP神经网络模型,建立了ANGM-PBP组合模型。对实弹射击测得的16组试样的实例应用分析表明,该组合预测模型的相对误差在±3%以内,平均相对误差低至0.74%,说明该组合模型的精度较高,适应性和可靠性均有所增强。该研究为火炮身管寿命预测提供了解决方案。     

基于蚁群改进BP算法的组合预测模型

针对非线性预测工作中难以保证精度的问题,提出了基于蚁群改进BP算法的组合预测模型。先利用灰色预测方法和自回归滑动平均模型(ARMA)时序预测利用历史数据进行初步预测,将初步预测结果作为蚁群改进BP网络的输入。通过仿真比较其与单一预测算法以及传统线性组合预测方法之间的优劣。仿真结果表明,基于蚁群改进BP算法的组合预测模型能够明显地提高预测精度。     

一种改进的灰色BP 神经网络预测模型

为提高灰色GM(1,1)模型的预测精度和BP 神经网络的映射能力,提出一种改进的灰色BP 神经网络预测 模型。通过分别对灰色系统理论和BP 神经网络2 种模型进行改进,再串联组合成新的预测模型,并结合实测数据 进行仿真试验。结果表明：改进后的模型能兼具二者优点,预测精度有较大提高,相对误差减小,运算速率更快。     

利用BP神经网络预测BT20钛合金的流动应力

为建立BT20钛合金(Ti6Al2Zr1MolV)的流动应力预测模型,通过热压缩试验获得其流动应力曲线,并对BP神经网络的算法进行改进,实现BT20钛合金的流动应力的准确预测。研究表明:采用人工神经网络(ANNs)预测流动应力不需要考虑材料特性,有效地避免了传统经验或回归本构模型由于假设和简化带来的误差,并且神经网络具有很强的非线性离散数据处理能力,选取合适的网络模型(主要是隐层数及隐层单元数),输入足够的样本数据对神经网络进行训练即可获得令人满意的预测精度;采用含两个中间层,网络结构为3×16×14×1的改进BP神经网络模型能够较为准确的预测BT20钛合金的流动应力,计算效率较高,该预测模型可作为其塑性成形过程有限元模拟的本构关系。     

应用RBF网络的导弹研制费用预测

影响导弹武器系统研制费用的因素含最大有效射程、目标容量、导弹最大飞行速度、发射质量及研制周期.建立基于RBF神经网络的费用预测模型,其算法步骤包括:预测算法思想、归一化原始数据、样本集输入数据的选取.该模型不仅克服了因专家主观因素而造成的影响,且提高了算法的运行效率和模型的预测精度.     

炮弹地面密集度性能与射程关系仿真

为了探讨炮弹三分之二射程地面密集度性能与最大射程地面密集度性能之间的关系,基于蒙特卡罗方法和弹丸空中6自由度弹道方程,采用符合误差因素特征的随机数序列,建立了弹丸地面密集度仿真预测模型,以某155 mm口径火炮榴弹为算例,分别得到了对应最大射程和最大射程三分之二处地面密集度仿真数值。结果表明:弹丸最大射程和最大射程三分之二处的地面密集度影响因素差异较大,难以定量对应;用三分之二射程检验弹丸地面密集度指标的方法难以反映最大射程地面密集度性能水平,不宜采用;最大射程地面密集度性能与射角散布几乎无关,而三分之二射程时,射角对地面密集度性能影响较大;弹丸应按最大射程考核地面密集度,火炮系统可按三分之二射程考核地面密集度。     

基于改进型BP神经网络的弹丸落点预测方法

为了快速精确的预测弹丸落点,文中提出了一种基于改进型BP神经网络的弹丸落点的预测方法。根据落点预测的特殊性,在网络结构上确定了具有并列隐含层的双隐层结构形式,并对训练算法进行了自适应加动量项的改进,然后选取并优化了训练样本。之后进行了仿真训练和落点预测,得到了较高精度的预测结果。说明文中方法进行落点预测是合理有效的,可以作为弹丸落点预测的一种新方案。     

基于自测初速的引信时间定距误差修正方法

针对部分装甲车辆配备的线膛炮定距空炸引信射程大于1 500 m时定距精度不足的问题,提出自测初速修正引信时间定距误差的方法。该方法根据炮目位置关系、期望炸高、弹丸名义初速确定射角及瞄远量,计算名义空炸时间和空炸时间对初速的敏感因子,连同名义初速装定给引信。弹丸发射后,引信利用磁传感器自测初速,将实测初速与名义初速的偏差和空炸时间对初速的敏感因子求积后叠加至已装定的名义空炸时间,形成实际空炸时间,用以修正时间定距误差。仿真计算1 500 m射程时,自测初速修正引信时间定距极限误差为23.52 m,明显优于传统计转数定距极限误差35.57 m。仿真和外场试验结果表明,在1 500 m以上射程时,自测初速修正时间定距误差可以显著提升时间定距精度,修正后的时间定距精度明显优于计转数定距精度。