基于回归网络的非线性外弹道弹着点预报仿真研究

该文介绍了内回归神经网络在逼近非线性ARMA模型，用于时间序列预测的可行性，提出了一种基于回归神经网络及弹道机理模型对非线性弹道系统进行预测的方法，此方法通过观测弹丸飞行轨迹，采用混合模型预测弹道的误差规律，估计弹着点，利用MATLAB进行仿真，结果表明，该方法有效可行。     

一种新的非线性回归模型参数估计算法

提出一种新的基于混合基因算法（HGA）的非线性回归模型参数估计算法,新算法通过对问题的解空间交替进行全局和局部搜索,达到快速收敛至全局最优解,较好地解决了传统算法通用性差、易陷入局部极小的问题,实验验证了算法的通用性和有效性。     

非线性回归机器人运动参数估计方法

针对机器人运动参数估计精度、实时性等问题,提出一种非线性回归的机器人运动参数估计方法。建立了机器人的非线性回归运动参数模型,并利用微分方法对运动参数方程进行转化,通过递推最小二乘算法与卡尔曼滤波器估计出机器人运动参数与消除误差。讨论了机器人沿墙壁、向墙壁、原地圆周运动三种特殊情况的运动参数估计。实验验证了本文方法的可行性与有效性,并与迭代最近点(ICP)算法进行了对比分析。     

基于BP神经网络的坦克炮弹外弹道仿真模型

对坦克炮弹外弹道形状进行仿真具有多方面重要意义,目前的一些通用仿真模型常与实际相差太远,或模型复杂、条件苛刻、计算量大,不便实际应用。BP神经网络具有非常强的非线性映射能力,在分类、预测等方面已得到广泛的应用。将BP神经网络应用于坦克炮弹外弹道形状的仿真研究,获得了很好的瞄准角与弹道形状的映射关系。通过对该模型在仿真预测中的应用进行实证分析,结果表明,该方法不仅简单,而且行之有效,较好地解决了通用仿真模型中的一系列问题。     

基于非线性多参数模型的软件老化检测

提出了一种软件系统的非线性有源自回归(Nonlinear AutoRegressive models with eXogenous Inputs,NARX)网络模型的老化检测方法。解决了目前软件老化方法未考虑多变量间关联性及历史数据的延迟影响的问题。该方法首先通过对实验采集的HelixServer-VOD服务器性能数据进行主成分分析,确定网络的输入维数,根据AIC准则确定最佳模型阶数,最终选取合理的网络模型结构;使用已知的未老化状态样本对NARX网络进行训练,建立系统的辨识模型;然后运用序贯概率比检验(Sequential Probability Ratio Test,SPRT)对NARX辨识模型的残差进行假设检验,判断系统的老化状态。实验分析表明,基于NARX网络模型的故障检测方法能够有效地应用于软件老化的检测。     

基于粒子群算法的Logistic回归模型参数估计

针对Logistic回归模型中的参数估计计算复杂难题,提出一种基于粒子群优化算法（PSO）的估计方法。以最大似然准则作为粒子群优化算法的适应度函数,建立了Logistic回归模型中的参数估算模型。数值仿真分析表明,粒子群优化算法可以更精确地计算出相关参数。     

基于同步的多旋翼无人机非线性模型自适应参数辨识

针对多旋翼无人机的非线性模型,提出了一种基于同步理论的自适应参数辨识方法.其主要思想是通过设计一种"从系统",在实现状态与原有非线性系统同步的同时,设计自适应更新律,使得对参数的估计收敛到真值.所提方法能够适用于以非线性形式存在的参数,其渐近稳定性由李雅普诺夫方法和拉塞尔不变性原理予以证明.仿真实例可以验证,合理选择自适应增益,即便真值发生突变,所提方法也能保证估计值快速收敛到最新的真值.     

基于非线性自回归时序模型的振动系统辨识

针对线性和弱非线性振动系统进行了研究,提出采用非线性自回归时序(GNAR)模型进行系统频率辨识和判断系统性或非线性基本特征的方法。首先根据摄动法求解非线性微分方程的理论,论证GNAR模型与线性和弱非线性系统之间的本质联系,推导出GNAR模型系数与线性和非线性系统频率之间的解析关系,然后给出由GNAR模型系数和结构判断系统是否存在非线性,及辨识系统频率和非线性项基本特征的方法。最后,以单自由度线性振动系统和无阻尼Duffing振动系统为算例验证该辨识方法的有效性和准确性。实验结果表明,基于GNAR模型的振动系统基本特征辨识方法具有较好的识别精度,能用于估计系统的动力学特性。     

一种大中口径炮弹外弹道参数模拟方法

本文通过对外弹道相似性理论的研究.提出了一种对炮弹某些诸元用模拟弹的参数近似代替基本弹对应参数的方法,从而解决对一些中、大口径炮弹实弹射击进行外弹道测试的局限性.为外弹道优化验证试验提供一种技术解决途径.     

基于遗传算法的非线性系统模型参数估计

针对一性系统系统模型的多样性,提出适用于多种非线性模型的基于遗传算法的参数估计方法,并以多种非线性模型为例作了仿真研究,结果表明,遗传算法是非线性系统模型参数估计的有效工具。     

基于遗传算法的非线性系统模型参数估计

针对非线性系统模型的多样性 ,提出适用于多种非线性模型的基于遗传算法的参数估计方法 ,并以多种非线性模型为例作了仿真研究 .结果表明 ,遗传算法是非线性系统模型参数估计的有效工具     

PSO算法在非线性回归模型参数估计中的应用

非线性回归模型的参数估计是较为困难的寻优问题,经典方法常会陷入局部极值。由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对6种非线性回归模型的参数估计进行了验证。实验结果表明：粒子群优化算法是一种有效的参数估计方法。     

基于粒子群优化算法的非线性系统模型参数估计

非线性模型的参数估计是较为困难的寻优问题,经典方法常会陷入局部极值。由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对3种典型的非线性模型的参数估计进行了验证。实验结果表明：粒子群优化算法参数估计精度高,是一种有效的参数估计方法。     

PSO算法在非线性模型参数估计中的应用

将微粒群优化(PSO)算法用于非线性系统模型参数估计，并通过对谷氨酸菌体生长模型的参数估计进行了验证．实验结果表明：微粒群算法为非线性系统模型参数估计提供了一种有效的途径．     

基于稀疏贝叶斯回归的异常检测

异常检测问题中的数据可以看作是正常信息和异常信息的高度混合,在使得正常信息损失最小的情况下,异常点集合就是前K个包含最多异常信息的样本。启发于这种思想,提出一种基于稀疏贝叶斯回归的异常检测模型,该方法通过在传统的核函数基础上融入Bayesian推理框架,对数据进行回归估计,利用残差法找出偏离程度较大的样本为异常样本。实验结果表明,该方法具有良好的稀疏性和检测精度。     

基于稀疏模型的人脸姿态估计

针对现有的人脸姿态估计方法易受“自遮挡”影响,采用改进的ASM 算法 提取人脸特征点,并利用人脸形态的几何统计知识来估计人脸特征点的深度值。以人脸主要 特征点建立人脸稀疏模型,在利用相关人脸特征点近似估计人脸姿态后,通过最小二乘法精 确估计三维人脸空间姿态。实验结果表明,对于“自遮挡”情况,该方法仍有较好的估计结果, 与同类方法比较具有良好的姿态估计精度。     

改进遗传算法在非线性变参数估计中的应用

针对解决非线性系统模型变参数估计问题要求运算速度快、效率高的情况，提出了实数编码遗传算法的改进算法，即分阶段设置收敛判断 条件及择优操作等操作步骤。分阶段设置收敛判断条件是指在交叉操作完成之后增加了判断是否收敛的操作步骤；择优操作是指用交叉操作后形成的解群中的适应值最大的优秀个体替代适应值最小的最差个体，使参加变异的优秀个体数目增加，使得算法在优秀个体局部邻域内的搜索机会增加。通过实例对改进算法与原算法的运算性能进行了比较，收敛速度平均提高了2-3倍。实验结果表明，改进算法对提高遗传算法的运算速度是可行和有效的。     

基于EM算法的混合模型的参数估计

介绍了极大似然参数估计，然后介绍了混合模型极大似然参数估计的EM算法实现，最后利用计算机仿真实验验证了此算法的有效性和收敛性．