基于神经网络的某鱼雷保障设备故障预测方法

为确保鱼雷保障设备处于良好的工作状态,提出一种基于径向基函数(radial basic function,RBF)神经网络的某鱼雷保障设备故障预测法。利用RBF神经网络的非线性建模能力,在某鱼雷保障设备的关键监测点建立网络诊断模型,通过对该模型的训练学习,确定需要的参数估计,再根据该模型的输出值来判断故障,并在Matlab仿真环境下对该设备故障进行了预测,其预测结果与实际情况基本一致。仿真结果表明:RBF神经网络作为预测网络能较好地解决该保障设备的故障预测问题,具有较准确和快速的诊断能力,可为复杂设备的预防性维修提供科学依据。     

基于RBF神经网络的SO2的预测

基于RBF神经网络的SO2的浓度预测,选取一定的历史数据建立径向基函数神经网络训练模型,进行拟合训练.将芜湖市1993年到2001年大气SO2的浓度历史数据用于径向基函数神经网络,建立训练网络模型,通过训练优化提高训练可靠性.再用该模型对芜湖市大气中SO2的浓度进行预测.     

神经网络在导弹贮存可靠性预测中的应用

为了更准确预测导弹贮存可靠性,提出基于全局逼近BP网络和局部逼近RBF网络对导弹贮存可靠性进行预测,给出了预测的基本步骤,分别基于BP网络和RBF网络对某型舰舰导弹的贮存可靠性进行了预测,结果表明:这两种网络都能够解决导弹贮存可靠性预测的问题,预测误差均满足要求;RBF网络预测精度略高于BP网络,具有更好的函数逼近能力。RBF网络更适用于导弹贮存可靠性的预测。     

基于复合基神经网络的声目标分类识别

根据径向基函数(RBF)神经网络和前馈(BP)神经网络的特点，将BRF网络和BP网络结合起来构成复合基网络，并使用此网络进行声信号的分类识别。试验表明，该网络具有较好的综合分类识别性能，其分类能力优于RBF网络和BP网络。     

基于ABAQUS的发射场坪建模与动态响应研究

为了得到导弹无依托发射时场坪的动态响应,基于ABAQUS大型有限元软件,采用塑性损伤本构建立发射场坪非线性精确数值有限元模型,分析了导弹发射状态下的动态响应。研究结果表明:在导弹垂直待发射阶段,后支腿处的应力和沉降较大,发射平台将呈现前高后低姿态;在导弹垂直发射阶段,发射筒底部处场坪沉降较大。研究结果可为导弹无依托随机发射场坪适应性评估提供理论支撑。     

基于RBF神经网络的磁探测引信系统研究

通过对比BP神经网络、径向基函数（RBF）神经网络在信号处理中的优缺点，详细分析了RBF神经网络的模型结构并应用于多模磁探测引信系统中，通过计算机仿真和实际测试效果较好。     

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。     

基于径向基神经网络的空间目标测向定位算法

针对无线电测向定位系统中解析算法定位误差较大的问题,提出了一种基于径向基(RBF)神经网络的双站只测向定位方法。利用RBF神经网络可逼近任意连续有界非线性函数的能力,通过样本学习,构建目标位置和测向站所测的来波方向角(DOA)映射模型。与目前解析算法相比,RBF定位模型不仅充分利用了测向站获取的所有二维DOA信息,而且利用神经网络的泛化特性、鲁棒特性,较好解决了测向误差对定位精度的影响。实验表明:该方法能有效提高定位精度。     

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。     

基于自适应神经网络的飞控系统辨识技术研究

建立复杂的非线性飞行器辨识模型对提高系统的状态监控和控制性能具有重要意义。文中提出一种变结构的在线径向基神经网络学习算法,使用梯度下降法对网络参数进行优化。利用径向基神经网络对某型飞机非线性动力学系统进行辨识,仿真结果表明设计的算法满足在线辨识的要求。     

基于径向基函数神经网络的光电系统自适应控制

针对光电跟踪系统对于跟踪目标的高精度需求,在硬件设计选型、装调适配完成后,通常需要伺服控制系统设计合理的算法以改善跟踪精度.为持续提高伺服控制系统的综合能力,首先分析跟踪精度的误差模型,通过理论推导以及典型数值计算仿真的方式,验证伺服控制器控制增益对于跟踪精度改善的重要性.在对比多型控制算法基础上,提出基于径向基函数神...     

导弹无依托发射场坪极限承载力影响因素敏感性分析

为评估发射场坪的强度稳定性,提出研究发射场坪的极限承载力快速评估技术。在分析地基承载力计算模式的基础上,分析计算内聚力、内摩擦角以及上覆层厚度对极限承载力的敏感度,给出作业场坪极限承载力随敏感参数变化的规律;同时设计正交试验模型,并对承载力影响因素的敏感性做出合理分析。分析结果表明:上覆层和地基土体内聚力取值的变化对地基极限承载力的敏感性受内摩擦角取值影响,内摩擦角越小,内聚力敏感系数越大;上覆层厚度变化对承载力敏感性系数受土体内摩擦角取值的变化影响较小;土体内摩擦角取值变化对极限承载力的影响明显高于上覆层厚度变化以及内聚力变化对承载力的影响。     

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。     

应用BP神经网络的武器装备维修性预测模型研究

利用人工神经网络及BP网络理论,在对武器装备维修性预测评估指标体系分析的基础上,应用神经网络的BP算法建立了武器装备系统的维修性预测模型,并结合小口径高炮的实例验证了模型,效果较好.     

基于BP网络的导弹研制费用预测

根据导弹武器系统研制的特点，分析并确定了影响导弹武器系统研制费用的主要因素，提出了基于人工神经网络的费用预测模型。该模型不需要确定各因素的定量关系，克服了以往由于专家主观因素而千万的负面影响，最后通过实际应用，说明了该方法简便易行，精确可靠。     

基于BAS-BP 神经网络的多应力加速寿命试验预测方法

为解决多应力条件下加速寿命试验中建立复合加速模型困难、模型参数难以求解以及建模过程中通常忽 略应力间耦合作用的问题,根据天牛须搜索建立改进的BP 神经网络模型。使用多应力加速寿命试验中收集的4 组 应力水平的失效数据对BAS-BP 神经网络模型进行训练,对第5 组应力水平下的可靠度与失效时间进行预测。利用 平均相对误差、拟合优度2 个参数对模型的预测结果进行评价,并与BP 神经网络的预测结果进行对比。结果表明, BAS-BP 神经网络具有更好的准确性及鲁棒性。     

基于卷积神经网络的滚动轴承故障诊断

针对传统故障诊断方法诊断过程复杂、效果不佳的问题,提出一种基于卷积神经网络的滚动轴承故障诊 断方法。首先选取不同故障的振动信号进行归一化处理,然后把 1 维的振动信号转化成 2 维的灰度图像,利用每个 元素与其相邻元素之间的关系,并且采用重叠采样的方法加强数据集。在卷积神经网方面利用 tensorflow 搭建网络 框架,采用 4 种不同的卷积神经网络结构对样本进行训练。为避免实验的随机性,对每种方案进行多次训练,采其 结果的均值。根据测试集的准确率选取最好的适合轴承故障诊断的模型,同时对网络的结构参数进行优化改进,提 高模型的识别率和运行效率。实验结果表明,该方法可以准确地将滚动轴承的故障进行识别和分类。     

基于人工神经网络的铣削加工变形预测模型

针对零件铣削加工变形难以在线检测的难点,提出了一种基于神经网络的加工变形在线预测方法,通过正交试验方法设计试验方案,进行了不同铣削参数条件下的铣削试验,以试验数据为训练样本建立了基于BP神经网络的铣削加工变形与铣削参数关系的预测模型。通过生产试验验证,此模型在样本参数覆盖范围内的模型精度可达99.56%、在覆盖范围外的模型精度高于95.47%,说明该神经模型能定量的反映出铣削参数与加工变形之间的关系。     

基于遗传算法的人工神经网络预测多硝基化合物撞击感度

为获得精度较高、适用范围较大的多硝基化合物撞击感度预测模型,根据定量构效关系(QSPR)原理,用遗传算法(GA)进行变量筛选,建立了多元线性回归(GA-MLR)模型和人工神经网络(GA-ANN)模型,用于149种多硝基化合物撞击感度的定量构效关系的研究。两个模型的相关系数分别为0.854和0.974,均方根误差分别为0.195和0.071,平均绝对误差分别为0.157和0.051。通过模型比较,结果表明所得模型的预测精度均高于已有的QSPR模型,且GA-ANN模型要明显优于GA-MLR模型。