在线学习的循环自适应机动目标跟踪算法

针对机动目标难以精确跟踪的问题,提出了一种可在线学习的循环Kalman神经网络跟踪算法。考虑到状态转移矩阵、量测噪声和过程噪声矩阵在机动目标跟踪中难以实时、离线估计,且在实际应用中对应数据集获取成本高,因此使用在线学习的神经网络对其进行实时估计。由于Kalman滤波算法本身是一种循环结构,将简单的全连接层网络与其嵌合,全连接层网络实时输出状态转移矩阵、量测和过程噪声矩阵估计,构成一种广义的循环Kalman神经网络,根据网络最终输出的位置估计进行端到端的在线学习,并且通过理论推导证明了其在线学习的可行性。将提出的循环Kalman神经网络同3种经典机动目标算法进行了仿真对比,结果表明：循环Kalman神经网络跟踪需要很少的先验信息,在最优区域内较之其他3种算法具有最高的跟踪精度和鲁棒性,并且具有效率高、训练成本低以及可扩展性强的特点。     

基于神经网络补偿的室内无人机组合导航系统

针对无人飞行器在环境特征突变情况下数据融合的可靠性大幅下降问题，提出了神经网络预测补偿的组合导航算法。首先利用扩展卡尔曼滤波和粒子滤波对激光、光流等传感器得到的数据进行融合，然后采用径向基函数（RBF）神经网络对粒子滤波前后的误差进行预测。当激光数据可靠时，RBF神经网络进行训练学习模式，当激光数据中断或者不可靠时，利用训练后的模型对系统进行误差补偿。利用无人飞行器在室内环境下进行定点和轨迹实验，结果表明补偿后的位置导航信息能够明显降低激光数据不可靠时带来的定位误差。     

一个用于目标跟踪的改进粒子滤波算法

简化UT（unscented transformation）转化参数，修改UKF（unscented Kalmanfilter）提议分布，提出了改进的粒子滤波算法。调节因子的增加使得能在线自适应估计，滤波性能提高，并形成一个自适应的算法。仅有角测量的目标跟踪仿真试验证实了改进的粒子滤波算法要优于其它滤波方式。     

基于纵向滤波的星敏感器低频误差在线估计

多敏感器数据融合是获得更高精度姿态测量的有效方法，敏感器数据融合前必须先修正低频误差。首先，介绍了星敏感器低频误差（LFE）的产生机理及对其在线估计的必要性。其次，针对传统算法的不足，提出了基于纵向滤波的低频误差在线估计算法，该算法将传统低频误差估计问题转化为若干个常值误差估计问题，提高了估计精度。最后，给出了该算法具体实施方式，说明相关参数物理意义及选取原则。通过理论分析及仿真，算法误差可忽略不计。通过在轨数据仿真，星敏感器轨道周期低频误差可被消除。     

OLS算法在无人机传感器故障诊断中的应用

在故障诊断领域,神经网络故障诊断方法以其优良的特性正得到越来越广泛的应用。本文针对无人机的特点提出一种基于RBF神经网络故障诊断方法,通过建立神经网络预测器来实现无人机机载传感器的故障诊断,其中网络学习算法的选取将直接影响神经网络故障诊断的性能。正交最小二乘算法(OLS)以其在设定网络参数方面的优点常用来作为RBF神经网络学习算法。本文将介绍OLS算法的原理和实现步骤,通过VC 6.0编程实现OLS算法,并利用无人机机载传感器数据来验证OLS算法的有效性。     

采样时间序列的故障数据检测与滑动容错滤波

在导出采样时间序列数据滑动LS滤波的基础上，本文建立了了组简洁的故障数据检测与修复算法，地故障数据修复与滤波估计相结合，构造了对突发性故障数据有良好容错能力的滑动容错滤波算法。仿计算证实，该方法有效、可靠。     

一种改进的高超声速滑翔目标跟踪方法

针对临近空间高超声速滑翔目标跟踪问题，提出一种基于反向传播神经网络修正改进迭代扩展卡尔曼滤波(Back Propagation Neural Network-aided Improved Iterative Extended Kalman Filter, BP-IIEKF)的目标轨迹跟踪方法。在雷达站坐标系下建立目标运动模型和量测模型。引入阻尼因子修正IEKF算法中的协方差预测矩阵，并定义算法的代价函数，给出迭代终止条件，保证了算法收敛精度，减小状态的观测更新误差，提高了目标状态估计精度。利用BP神经网络修正滤波结果，补偿系统滤波误差，进一步提高了跟踪精度。仿真结果表明所提算法对高超声速滑翔目标具有更高的跟踪精度。     

液体火箭发动机启动过程实时在线故障检测算法

利用神经网络技术实现了液体火箭发动机启动过程的非线性辩识；提出并实现了一种基于辩识误差检验的故障检测策略。经大量实际发动机热试车数据验证表明，所提出的检测算法十分有效。由于算法所利用的监测参数均系实际发动机地面试车中所测量的参数，且检测算法在线工作时计算量十分小，因而所提出并实现的检测算法可以直接应用于工程实际。     

复模态指数函数在正交多项式辨识模态参数算法中的应用

首先介绍了模态指示函数的发展历程和研究现状,重点研究了复模态指示函数(CMIF)的相关理论,并探讨了噪声的存在对复模态指示函数计算结果的影响,之后引入Savitzky-Golay平滑滤波方法对CMIF曲线进行了平滑滤波,最大程度上消除了噪声干扰的影响;然后研究了基于CMIF指示结果的频响函数数据智能抽取算法;最后本文将平滑滤波后的CMIF和基于CMIF的FRF数据智能抽取算法应用在Forsythe正交多项式模态参数辨识算法中,并进行了仿真算例验证,取得了较好的效果。     

自适应高阶容积卡尔曼滤波在目标跟踪中的应用

针对传统容积卡尔曼滤波(CKF)在系统状态发生突变时估计精度下降的问题,将强跟踪滤波(STF)算法与高阶容积卡尔曼滤波(HCKF)算法相结合,提出了一种自适应高阶容积卡尔曼滤波(AHCKF)方法。该算法采用高阶球面-相径容积规则,可获得高于传统CKF的估计精度,同时在HCKF算法中引入STF,通过渐消因子在线修正预测误差协方差阵,强迫残差序列正交,提高了算法的鲁棒性,增强了算法应对系统状态突变等不确定因素的能力。将提出的AHCKF算法应用于具有状态突变的机动目标跟踪问题并进行数值仿真,仿真结果表明,AHCKF算法在系统状态发生突变的情况下表现出良好的滤波性能,有效地避免了状态突变造成的滤波精度下降,较传统的CKF、HCKF、交互式多模型-容积滤波(IMM-CKF)和自适应容积卡尔曼滤波(ACKF)算法有更强的鲁棒性和系统自适应能力。     

Improving performance in pulse radar detection using neuralnetworks

A new approach using a multilayered feed forward neural network for pulse compression is presented. The 13 element Barker code was used as the signal code. In training this network, the extended Kalman filtering (EKF)-based learning algorithm which has faster convergence speed than the conventional backpropagation (BP) algorithm was used. This approach has yielded output peak signal to sidelobe ratios which are much superior to those obtained with the BP algorithm. Further, for use of this neural network for real time processing, parallel implementation of the EKF-based learning algorithm is indispensable. Therefore, parallel implementation has also been developed     

基于BP神经网络的机载数字高程模型压缩

现有的数字高程模型压缩方法大多从编码方式上进行优化,而很少利用其数据的自相关性。为此,提出了一种采用L-M训练算法的单隐层BP神经网络实现机载数字高程模型压缩的新方法,并给出了实现压缩的详细过程。论述了采用单隐层网络的理由,并根据机载要求的相对误差精度去选择最少的隐层节点数。通过选取ASTERGDEM30米分辨率的高精...     

SLFM网络及其学习算法的改进

介绍了一种新型的人工神经网络--有监督线性特征映射(SLFM)网络,它综合了BP网络的可监督性和SOM网络算法简单的优点,具有学习速度快、精度高、扩展能力较强的优点.文中讨论了SLFM网络的拓扑结构和学习机制,并对网络的学习算法进行了改进,对比实验表明,改进后的SLFM网络其性能得到了进一步的提高.     

基于态势评估及DDPG算法的一对一空战格斗控制方法

已有的空中格斗控制方法未综合考虑基于专家知识的态势评估及通过连续性速度变化控制空战格斗的问题。基于深度确定性策略梯度（DDPG）强化学习算法,在态势评估函数作为强化学习奖励函数的基础上,设计综合考虑飞行高度上下限、飞行过载以及飞行速度上下限的强化学习环境;通过全连接的载机速度控制网络与环境奖励网络,实现DDPG算法与学习环境的交互,并根据高度与速度异常、被导弹锁定时间以及格斗时间设计空战格斗结束条件;通过模拟一对一空战格斗,对该格斗控制方法在环境限制学习、态势评估得分以及格斗模式学习进行验证。结果表明：本文提出的空战格斗控制方法有效,能够为自主空战格斗进一步发展提供指导。     

基于优化最小二乘支持向量机的小样本预测研究

统计学中的预测问题主要是通过对已知数据的分析,找到数据内在的相互依赖关系,从而获得对未知数据的预测能力。该文提出了最小二乘支持向量机参数优化方法———多层动态自适应优化算法,构建了基于最小二乘支持向量机的预测模型,并对Ti 26合金的性能预测进行了研究。结果表明:优化的最小二乘支持向量机具有优秀的小样本数据学习能力和预测能力。     

模糊超体神经网络及其在火箭发动机故障分离中的应用

提出了一种用模糊集表示火箭发动机故障模式的神经网络二次分离器,模糊集是由模糊超体聚集形成的集合体,模糊超体在一次分离中表现为由半径和球心确定的n维超球,在二次分离中是一个由夹角、球心和方向矢量确定的部分超球。神经网络二次分离学习算法与一次学习算法相比,提高了训练样本的分离精度,增强了神经网络对故障的敏感性。      

神经网络在经济预测中的应用

阐述了针对BP神经网络在经济预测应用中存在的网络学习速度缓慢、计算量大、网络容易陷入局部极小、学习步长需要通过实验由人工来设置和调整等问题,提出将自组织理论、扩展Kalman滤波、模糊算法、小波理论等与神经网络相结合,构成新的网络结构或改进学习算法,以克服BP神经网络自身不足的思路。     

一种通用神经网络模型及其应用研究

提出了一种新型模拟生物神经网络的性能特征通用人工神经网络模型。该模型含有跨层连接和反馈连接,在这些连接上设有选择性开关,能够控制网络模型做出相应的变换。并给出了相应的学习算法。     

受限资源下制导武器末制导机器视觉技术研究

针对精确制导武器末制导机器视觉技术应用需求,研究了基于卷积神经网络的、针对复杂背景及小目标的自主目标检测识别算法,并分别进行了网络性能评估和硬件资源需求定量评估。针对最优算法,提出了基于嵌入式受限资源下的高精度神经网络压缩算法,并对算法进行了普适性评估。基于GPU嵌入式平台,实现TensorRT路线网络优化,并在速度和精度两方面均衡考虑下,对裁剪与量化算法进行了详细实验验证。实验结果表明,高精度神经网络压缩算法在硬件资源受限条件下,可以有效提升推理速度,最终经算法优化后的网络结构,可以获得3倍以上的速度提升,网络精度损失小于5%。     

遗传寻优神经网络在平台温控系统建模中的应用

温度直接影响惯性仪表及惯性平台的使用精度,而高精度温控系统的设计依赖于准确的平台加温模型,针对平台系统中多种惯性仪表加温过程复杂度高,当前采用的阶跃响应辨识方法存在模型适应性差、精度不高等情况,且针对基于梯度下降的BP学习算法存在局部收敛的问题.采用基于遗传算法寻优的神经网络辨识的方法,对惯性仪表加温模型进行建模,试验验证通过遗传寻优后的BP神经网络学习算法,提高了网络的学习精度,进而提高了平台系统中惯性仪表加温过程数学模型的精度,模型适应性较高,为后续惯性仪表的加温控制方法的设计提供了必要的条件.