基于支持向量回归机的导弹平台调平过程模型辨识

针对某导弹平台调平过程难以建立解析模型的问题,根据平台调平过程历史数据,采用支持向量回归机分别对平台的俯仰角θ1、偏航角θ2、滚动角θ3、加速度计当量wx、wy、wz、调平输出当量Ct七个参数的时间序列进行模型辨识。利用参数的前5组数据作为输入,后1组数据作为输出,利用最小二乘法对支持向量回归机进行训练。仿真结果证实,支持向量回归机模型辨识预测误差2.56%,满足导弹平台调平过程建模要求。     

基于差分进化支持向量机的作战效能评估方法

武器系统作战效能的评估具有重要意义。针对作战效能评估过程中影响因素复杂、小样本、非线性等问题,引入基于最小二乘法的支持向量机回归算法,用于作战效能的学习与预测。为了提高预测精度,引入差分进化算法进行支持向量机的参数优化选取。以地地导弹武器系统效能为例,分别采用 BP神经网络算法、经典支持向量机算法与本文算法进行仿真计算,结果表明差分进化支持向量机算法可很好地实现武器系统作战效能评估,具有较好的计算精度。     

基于V-支持向量机与ε-支持向量机的非线性系统辨识

介绍了V-支持向量机与ε-支持向量回归机的原理,并针对函数辨识问题作了仿真和比较,分析了其异同与优缺点.探讨了利用支持向量机进行非线性系统辨识的方法,仿真结果表明了V-支持向量机的有效性与优越性,并分析了V-支持向量机中参数V的变化对辨识结果的影响.     

基于粗糙集的支持向量机回归建模及应用

为提高船舶费用建模的精度,找出影响船舶费用建模的相对重要因素,减少各因素之间的相关性对费用模型的影响,提出用粗糙集理论改进支持向量机的建模方法。对数据进行一般约简,去除冗余信息,再进行支持向量机建模预测,建立费用预测模型。实例计算表明,粗糙集改进支持向量机方法的建模精度高,通用性强。     

基于主成分分析和支持向量机的参数费用模型

在武器系统分析中,建立武器参数费用模型时,首先要挑选特征参数,这里采用主成分分析方法选择武器的特征参数;利用支持向量机建立了参数费用模型.通过实例与线性回归法和神经网络法的结果进行了比较,结果表明支持向量机比较精确和简单.     

基于支持向量机的手写体数字识别

支持向量机的手写体数字识别中,采用美国邮政服务数据库.并取多个2层神经网络中的最好者得出2层神经网络结果,专门设计5层卷积神经网络Lenetl.所有的结果均直接采用点阵输入,将像素值归正到相应区域间,且不施加任何预处理.该方法与人工分类、神经网络、决策树等方法比较,其测试误差低,测试速度高.     

支持向量机非线性辨识与控制概述

首先讲述非线性系统辨识的一般模型、基于支持向量机（support vector machine．SVM）非线性辨识的结构和SVM辨识与控制的优势、特点,然后阐述了SVM在控制中的应用,包括SVM在内模控制,SVM预测控制及多核SVM控制等,最后探讨了SVM本身在算法快速性,核函数的改进,错误惩罚参数选择以及在SVM中损失函数的选择上存在的问题。     

基于RS理论的支持向量机分类模型

基于粗糙集(RS)的支持向量机(SVM)分类模型用RS预处理原始样本数据,通过属性和对象的约简消除输入样本数据冗余条件和样本,简化样本数据空间维数.预处理后数据作为样本数据训练SVM,其模型采用模糊离散.用C 编程实现仿真,选用RBF核函数训练SVM,仿真证明该分类模型提高训练速度和分类精度.     

基于支持向量机的雷达弹道外推方法研究

支持向量机是一种求解回归预测问题的优秀决策方法，具有坚实的理论基础和优秀的预测性能．为解决目前雷达弹道外推中存在的外推准确率不高和不能有效地进行弹道识别等问题，用基于支持向量机的方法对雷达探测弹道进行了外推研究，并通过仿真弹道模拟雷达采样进行了仿真实验，仿真实验结果表明：基于支持向量机的雷达弹道外推方法实用可行，可以获得较高的外推精度，并且能够有效地进行弹道识别．     

基于BP神经网络的导弹武器系统维修质量评估

阐述了导弹武器系统的维修质量是影响导弹武器系统性能发挥的重要因素,因此对导弹武器系统维修质量进行评估有着非常重要的意义.首先建立了导弹武器系统维修质量评估指标体系;其次利用BP神经网络理论建立了导弹武器系统维修质量评估模型;最后利用Matlab软件对该模型进行了仿真.     

基于BP神经网络的模型结构自动选择

模型选择方法对用户的期望过高，要求用户对决策支持系统模型库中的模型和所要解决的问题都要有深刻的理解，这就导致了模型选择的实用性较差，在论述BP神经网络及算法的基础上，将其应用于模型结构的自动选择，并利用Matlab仿真软件进行了验证，试验结果表明此方法是有效的。     

基于BP神经网络的装备保障资源评估

基于人工神经网络理论及BP网络原理,建立了装备保障资源评估模型,初步形成了对装备保障资源各基本内容的评估,并结合装甲装备保障资源实例进行了分析.     

基于神经网络的模型参考自适应控制方法

针对传统基于模糊神经网络的模型参考自适应控制方法的一些不足,提出了一种基于BP神经网络的模型参考自适应控制结构,并对所使用的BP网络学习算法进行了分析改进。对比分析采用传统自适应方法和改进的自适应方法时,不同的控制仿真结果表明,改进后的方法可以有效地抑制神经网络的“过学习”现象,减小了对神经网络辨识器精度的依赖程度,改进效果显著。     

基于BP 神经网络的渡江工程信息控制效能评估

为科学测度渡江工程信息保障中的信息控制效能,提出一种基于BP神经网络的渡江工程信息控制效能评估方法。围绕渡江工程信息保障任务的关键节点和预期目标,构建渡江工程信息控制效能评价的指标体系;利用神经网络非线性拟合精度高以及自调节功能强的特点,设计BP神经网络效能评估模型;利用仿真实验对模型进行验证分析。结果表明：模型应用于渡江工程信息控制能力指标评价样本,验证了BP神经网络在渡江工程信息控制效能评估中的有效性。     

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.     

基于神经网络回归分析组合模型的能源消耗预测研究

通过对时间序列数据进行处理,分别建立回归分析预测模型和BP神经网络预测模型,在此基础上建立基于2种预测方法的组合预测模型。采用熵值法确定组合预测模型的权系数。结合某省能源消耗总量数据进行仿真,结果与实际数据的误差较小,和2种单一的预测方法相比,预测结果更接近于实际情况。     

基于遗传神经网络的伪装效能评估模型

在量化样本光学特征指标并划分伪装效能等级基础上,采用基于遗传算法的神经网络建立伪装效能评估模型.其步骤包括确定GA算子及相关参数,初始化网络连接权值和阈值向量,计算各个体适应度函数并将其排序,执行遗传操作,最后用神经网络进行二次训练.将样本光学特征指标量化值作为神经网络输入值,量化后的样本等级作为神经网络教师值进行评估.仿真表明该混合算法收敛速度快,能有效避免局部极值问题.     

基于神经网络的效能评估方法综述

为进一步推动效能评估的应用,对3类主要的效能评估方法进行分析。阐述基于神经网络的效能评估方法的基本原理和研究现状,总结归纳基于模糊神经网络、BP神经网络、深度学习等评估方法的优势与不足,指出基于小样本深度学习的效能评估方法必将成为未来的发展趋势,以及该方法当前面临的挑战与展望。     

基于神经网络的多平台多目标位置数据融合

针对传统的直接加权融合算法的缺点,对多平台多目标位置数据融合进行研究。通过设计基于BP神经网络的统计加权算法,建立数据融合模型。并以2个观测平台为例,进行1分钟之内的目标航迹数据的仿真实验。结果表明,该算法是有效、可行的,且精度更高,能有效对融合中心获得的关于目标位置航迹信息进行关联融合处理。     

基于一种新型神经网络的姿态控制故障诊断方法

在导弹姿态控制系统的故障检测和诊断中,针对BP神经网络自身存在的收敛速度慢等缺点,介绍了一种新型神经网络——带偏差单元的递归神经网络的结构及算法。将它和一改进算法的BP（称为FBP）网络分别用来对同一导弹姿态控制系统进行故障诊断,结果表明,这种算法提高了故障诊断的快速性,增加了诊断的准确性,故障诊断的正确率优于FBP神经网络。