基于PCA-GA-BP 神经网络的状态评估算法

针对传统评估方法主观性强的缺点及BP神经网络自身缺陷,提出基于数据知识的PCA-GA-BP状态评估组合算法。采用主成分分析对样本数据进行降维处理,利用遗传算法对BP神经网络的初始权值阈值进行优化,将历史数据作为学习样本训练神经网络,处理实时信息得到评估结果,并通过实例进行算法验证分析。结果表明,该算法是可行的,适用于复杂武器装备的状态评估。     

基于改进粒子群优化的BP网络蒸汽发生器典型故障诊断

对BP神经网络在蒸汽发生器故障诊断中的应用进行了研究,针对BP神经网络训练时易于陷入局部最小值的问题,利用粒子群优化算法对BP神经网络的权值和阈值进行了优化,并对粒子群优化算法的惯性权值作了自适应调整,以蒸汽发生器为对象进行了故障诊断实验,实验结果表明:自适应调整粒子群优化算法的惯性权值可以提高该算法的收敛速度和精度,利用改进后的粒子群优化算法对BP神经网络进行优化,可以提高BP神经网络的诊断性能。     

基于遗传算法优化BP神经网络的供暖系统热负荷预测模型

针对供暖系统热负荷短期预测问题,利用改进的遗传算法(genetic algorithm,GA)对BP神经网络(back propagation neural network)的初始权值和网络结构进行优化,并在遗传进化过程中采取保留最佳个体的方法。该方法克服了一般BP网络初始权值的随机性和网络结构训练过程中的所带来的网络震荡,以及一般BP网络容易陷入局部极小等问题。同时结合一般BP神经网络方法进行仿真实验和分析比较,结果表明:该方法具有全局寻优能力,预测精度高,绝对和相对误差较小,收敛速度快,能够有效针对供暖系统热负荷进行短期预测。     

基于改进GA优化的神经网络故障诊断方法

在改进遗传算法和BP算法的基础上提出了一种普适的遗传算法与神经网络结合的算法模型.探讨了用改进的遗传算法与BP算法相结合对神经网络权系数进行优化;并将其应用于交流电机故障识别.实践表明,该方法是一种行之有效的智能故障诊断新途径.     

一种基于炮射地面震动传感器的目标识别算法研究

介绍了自适应遗传算法优化的BP神经网络(AGA-BP)算法在炮射地面震动传感器目标识别中的应用。首先针对BP神经网络可能未收敛到全局最小点的缺陷,提出自适应遗传算法与BP神经网络结合的一种优化算法。之后进行仿真实验并对履带和轮式车辆的采样信号进行时频分析,利用小波变换提取特征值。最后利用优化后的算法与传统算法进行了样本训练和识别,对比结果表明该方法能减少识别误差。     

基于BP神经网络的数字识别方法

应用BP神经网络对数字进行识别,其图像的预处理采用去除杂点方法去除噪声,使用逐像素特征提取方法进行特征向量的提取.该识别过程还包括数字识别网络的训练,及通过选取初始权值和隐含层节点数、权值学习算法确定相关参数.实践证明,利用BP神经网络能够实现对阿拉伯数字的准确、快速识别.     

扫雷器发射架电液伺服系统改进自抗扰控制

针对某爆破扫雷器发射架电液位置伺服系统响应速度慢、跟踪精度低、抗扰能力差的问题,设计一种改进自抗扰控制器。利用BP神经网络强大的自学习和非线性逼近能力对自抗扰控制器中的关键参数在线整定,并结合遗传算法(genetic algorithm,GA)对网络的初始权值进行优化;利用AMEsim和Simulink软件对该改进自抗扰控制器进行联合仿真验证。结果表明：该控制方法可有效提高系统的抗干扰能力,同时保证扫雷器的调炮速度和精度。     

基于改进BP网络的装甲装备机动性能评估模型

收敛速度慢、易陷入局部极值是传统的BP神经网络难以避免的问题,最终可能导致网络训练失败．在量化装甲装备机动性能指标的基础上,采用遗传算法对BP神经网络权值进行优化,用自适应梯度下降法对传统BP神经网络进行训练,从而建立装甲装备机动性能评估模型,并通过二次训练得到评估值．仿真结果表明该改进网络收敛速度明显优于传统网络,能有效避免局部板值问题。     

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BP-GSA优化的某随动平台滑模控制

为实现某随动平台负载模拟器响应的快速性和系统的鲁棒性,提出一种基于遗传模拟退火算法(genetic simulated annealing,GSA)优化的BP神经网络(BP-GSA)滑模控制方法。根据负载模拟器各环节硬件组成,建立系统等效数学模型;采取非奇异终端滑模实现对系统的控制,并采用BP神经网络对状态方程中未定项进行逼近,利用GSA算法调整网络节点权值。实验仿真结果表明：相比于传统滑模控制和PID控制,该方法在具有扰动输入的情况下,具有最小的稳态误差和最快的跟踪速度,能够有效提升系统的响应速度和力矩跟踪精度。     

基于改进型模糊神经网络的导弹武器系统生存能力评估

针对导弹武器系统生存能力评估问题,建立了评估的指标体系,给出了指标的隶属函数.利用BP神经网络的自学习、自适应、强容错性,并通过遗传算法（GA）优化BP神经网络的连接权重和阀值,弱化了评价中的人为因素,提高了评价结果的准确性和权威性,解决了BP神经网络存在落入局部最小点和收敛速度慢的问题.实例研究表明,遗传神经网络的评价模型具有有效性和可行性.     

基于SA-GA-BP 的某爆破扫雷器电液伺服系统建模

为解决电液伺服系统的液压元件存在非线性时变性等不确定因素,使得难以对其建立精确模型的问题,提出一种基于模拟退火遗传算法(simulated annealing genetic algorithm,SA-GA)优化BP神经网络的建模方法.利用模拟退火算法(simulated annealing algorithm,SA)的概率跳变能力克服遗传算法(genetic algorithm,GA)存在的早熟现象,在此基础上采用模拟退火遗传算法的全局寻优能力优化BP神经网络的权值和阈值.以某型爆破扫雷器电液伺服系统为例,利用所提方法对系统进行离线辨识.仿真结果表明:基于SA-GA-BP神经网络的建模方法能很好地拟合系统固有的非线性和时变性特性,所提方法是有效的.     

基于改进型BP神经网络的PID控制算法

针对传统的PID控制算法很难获得比较理想的控制效果的问题,提出一种基于BP神经网络的自适应PID控制算法。根据BP神经网络的结构和特点,介绍了改进型BP神经网络算法描述及PID控制器的结构,并通过实例进行仿真分析。结果表明,改进型BP神经网络PID控制器具有良好的控制效果,降低超调量,抗干扰性强和增强系统的鲁棒性,优于常规PID控制器。     

BP 神经网络在双伺服同步运动系统中的应用

针对传统的PID调节器不能解决双伺服同步运动系统中经常出现的超调和滞后问题,提出一种将传统PID和BP神经网络的PID调节器相结合的方式来控制两伺服电机轴的运动。其中,传统PID算法用于系统正常运行时的控制,而BP神经网络的PID算法用于调试过程中修改位置调整器和速度调节器的参数。该方案能实现轴B准确地跟踪轴A的速度和轨迹而运动。     

基于遗传算法的BP网络在导弹武器系统元器件贮存可靠性预测中的应用

针对目前BP神经网络在应用中,网络结构难以确定以及网络极易陷入局部解问题,用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中引入交叉概率和变异概率与个体的适度值相联系,改进了操作算子,而且在交叉操作后又引入模拟退火机制,提高遗传算法的局部搜索能力.建立了基于改进遗传算法的BP网络贮存可靠性预测模型,并以某型导弹武器系统的元器件进行实例分析,计算结果表明,该方法预测的准确性高,且预测结果稳定.     

机动再入飞行器神经网络闭路初制导研究

解决有限推力模型的再入飞行器初制导问题,利用传统开环控制的关机方程达不到要求的精度.提出了一种前馈反馈神经网络闭路初制导律.利用遗传算法生成能量最省轨迹,作为神经网络训练样本,利用遗传算法离线训练前馈三层BP网络,构成前馈神经网络控制器.状态反馈控制器采用在线神经PID控制器.仿真结果表明,该闭路初制导能够完成有限推力情况下的再入初制导任务,对初始位置误差、推力方向偏差和测量误差不敏感,具有一定的鲁棒性和适应性.