基于推理的装备战损等级评定

为建立装备战损评估决策支持系统的需要,对装备战损等级评定方法进行了研究。分析了装备战损等级的划分标准、评判因素以及评估信息来源,建立了适应决策系统实际需要的评定流程,对评定流程中各个关键部分进行了说明。在对现行评定方法研究的基础上,针对实际应用环境,结合判定树推理与不确定性推理,建立了新的装备战损等级评定方法。通过示例对该方法进行了说明。     

基于置信规则库推理的装备战损等级评定

针对复杂战场环境下战损数据的多源性和不确定性,本文根据战损等级评定的非线性特点,提出了一种基于置信规则库(belief rule base,BRB)和证据推理(evidential reasoning,ER)的装备战损等级评定方法.首先,在战损等级评定影响因素分析的基础上,建立了一种新的融合多种特征信息的BRB-ER战...     

战损等级评定系统建模研究

利用统一建模语言UML及其Rational Rose工具，对战损等级评定系统进行了开发设计，提高了系统的可靠性、稳定性和可维护性。     

基于改进BP神经网络的某型装备故障诊断专家系统

分析神经网络和专家系统的特点．提出基于BP神经网络与专家系统结合的某型装备的故障诊断方法,构造BP神经网络的装备故障诊断专家系统的诊断模型,克服传统专家系统在知识获取和表达的薄弱环节,并用某型装备的故障实际数据进存验证,结果表明神经网络与专家系统结合是一种有效的诊断方法。     

面向战损模拟的战损等级评定原理及系统实现

基于战场损伤模拟系统对战损等级评定的需求,该文在充分考虑战损等级评定影响因素的基础上,引入了损坏模式及影响分析（Damage Modeand Effects Analysis,DMEA）技术,成功将其应用于战损等级评定,讨论了基于DMEA的面向战场损伤模拟的战损等级评定基本原理。在此基础之上,设计开发了战损等级评定系统,并实现了与战场损伤模拟系统的对接。软件的设计实现充分证明了该评定方法的可行性和有效性,为进一步开展基于智能化的战损等级评定及其在战场损伤模拟系统中的应用研究奠定了基础。     

视觉导航自动车辆用BP神经网络数字识别方法的研究

为了满足视觉导航自动车辆AGV对阿拉伯数字准确、快速识别的要求,该文提出了基于BP神经网络的数字识别方法。为满足对数字识别实时性、准确性的要求,研究改进了数字识别的算法,考察了隐层节点数对收敛速度、数字识别效果的影响以及学习率η对收敛速度的影响,并选取了较好的学习率对阿拉伯数字进行了网络训练,得到了网络收敛后的权值和阈值矩阵。在有噪声的条件下,进行了实验检验,实验结果表明该方法能够实现对阿拉伯数字的准确、快速识别。     

基于BP神经网络的图像识别

随着信息技术的不断发展,数字影像技术已经渗透到生产生活的各个领域。该技术的传输和存储技术已经非常先进,但关键的图像识别技术一直是国内外的研究中心。由于传统图像识别方法的局限性,在搜索过程中还存在很多问题。神经网络为传统图像识别问题提供了一种新方法,因为它们需要较少的信息和复杂状态映射的实现。本文提出了一种基于BP神经网络的图像识别模型,利用神经网络研究。实验结果表明,该模型是高效的,具有良好的检测率。     

基于MATLAB的BP神经网络在猪等级评定中的应用研究

为了客观评估猪肉各项指标和猪肉等级,采用MATLAB神经网络工具箱中的BP人工神经网络,利用猪胴体图像特征参数和活体猪图像特征参数建立BP神经网络模型。分别用猪胴体图像特征参数样本60个和活体猪图像特征参数样本80个进行了网络训练,并采用不同的BP神经网络隐含层的传递函数和隐含层神经元数量,得到 BP神经网络模型。通过仿真,将仿真结果与人工评估结果进行对比,结果表明BP人工神经网络模型可以评估猪肉各项指标和等级识别。在猪肉胴体图像特征指标下评价猪肉等级准确率达到98%,在活体猪图像特征参数评价猪肉等级准确率达到80%。说明猪肉胴体图像特征比活体猪图像特征参数更能代表猪肉质量品质也符合客观现实;同时也表明MATLAB神经网络工具箱中的BP人工神经网络可以应用在猪的等级评定中。     

基于BP神经网络的函数逼近

本文详细叙述了BP算法的原理,剖析了Matlab的BP相关函数,并使用MATLAB中提供的BP函数进行非线性函数的逼近,验证了该网络模型的准确有效性.     

基于Matlab改进BP神经网络算法

本文针对标准BP算法的不足给出了改进算法—Scaled Conjugate Gradien(tSCG算法),利用Matlab语言编制了BP网络的应用实例仿真程序。结果表明SCG算法的学习收敛速度大大地优于标准BP算法。     

基于人工神经网络的设备维修

利用长期进行的维修记录资料,采用人工神经网络方法对设备的维修性预计进行建模,并以上海—50拖拉机为例,使用大量的训练样本对建成的网络进行训练,训练结果表明,网络的输出结果精度很高,并且不需要进行复杂参数的选择。在上海—50拖拉机的维修性预计上反复实验应用,效果良好。     

基于BP神经网络的复杂装备核心配件健康评估

复杂装备核心配件的健康状况决定着复杂装备工作情况,因此复杂装备核心配件的健康状态评估在工业活动中具有极其迫切的需求。笔者提出了基于BP神经网络的复杂装备核心配件健康评估方法,能够快速、准确地对复杂装备核心配件的健康状况进行评估,协助工作人员根据复杂装备的核心配件健康状况做出合适的维修决策,保证了复杂装备的可靠性。     

基于BP网络的飞轮电池电力转换控制研究

飞轮电池储能用集成电机时变非线性特点使得传统PID控制难以得到理想的控制性能,为此基于BP神经网络研究了一种新颖的飞轮电池电力转换器。该控制器结合BP神经网络自学习能力和PID控制的全局渐近稳定性能,通过神经网络在线优化调节PID参数,以实现对飞轮电池的高性能控制。其中,采用变学习速率的神经网络学习算法,学习速率随收敛过程误差的大小而自适应地进行调整,同时使用遗传算法(GA)优化得到PID参数的初始值,这可加快神经网络学习训练的收敛速度并避免陷入局部最小,进一步提高控制性能;另外,PWM采用SVPWM技术以增强能量转换效率和减小转矩脉动。数字仿真表明,基于所提出的BP-PID控制的电力转换矢量控制系统能够使飞轮电池在充放电两端都具有较快动态响应,较小超调,较高稳态精度以及较强的鲁棒性,控制效果明显比传统PID好。     

BP神经网络的设计

对ＢＰ神经网络设计中的隐层节点数，初始权值，学习率等参数的选择进行研究，分别给出若干经验公式。     

基于BP神经网络的PID控制器研究

BP神经网络的PID控制器依赖于灵敏度信息实现参数在线调整,获得灵敏度信息非常重要。利用符号函数来获得灵敏度信息,计算不精确,利用RBF对被控对象在线辨识获得灵敏度信息,收敛速度慢。提出了一种新方法,即在RBF神经网络辨识的基础上,当误差较大时,利用符号函数获得灵敏度信息,以加速收敛;当误差较小时,利用RBF神经网络在线辨识获得灵敏度信息,以提高控制精度。仿真结果表明算法收敛速度快、精度高,控制效果优于符号函数实现的参数调整方法。     

基于BP神经网络下用电负荷预测

城市日常生活和发展离不开用电,对用电情况进行分析可以为预测提供依据,进而探讨和解决生活中的用电问题。首先简述BP神经网络,而后基于神经网络从单一时间因素预测用户用电负荷量,结果具有一定的误差,考虑多因素影响,引入温度因素,对用户用电负荷量再次预测,最后分析神经网络下用电负荷预测的结果。     

基于BP神经网络的垃圾邮件过滤器研究

针对电子邮件特征向量庞大的问题,采用K-L变换与遗传算法（GeneticAlgorithm）相结合的KLGA算法对邮件向量进行降维。对于基于BP神经网络的邮件过滤器,采用遗传算法来优化神经网络权值,进一步提高邮件分类效果。通过试验数据表明,此优化方法能够快速、高效地对垃圾邮件进行过滤。     

基于Matlab的BP神经网络应用

BP学习算法是一种单向传播的多层前向网络,Matlab中的神经网络工具箱是以人工神经网络理论为基础,基于Matlab的工具箱,结合西瓜仁重的预测,验证了BP神经网络预测西瓜仁重的可行性,且BP算法收敛速度快,误差小,值得在预测作物生长中推广。     

基于Matlab的BP神经网络应用

BP学习算法是一种单向传播的多层前向网络,Matlab中的神经网络工具箱是以人工神经网络理论为基础,基于Matlab的工具箱,结合西瓜仁重的预测,验证了BP神经网络预测西瓜仁重的可行性,且BP算法收敛速度快,误差小,值得在预测作物生长中推广。