基于STEP和改进神经网络的STEP-NC制造特征识别方法

特征识别是实施STEP-NC重要的一步，也是实现开放式、智能化和网络化STEP-NC数控系统的关键。本文提出了一种基于STEP和改进神经网络的STEP-NC制造特征识别方法。该方法首先在对STEP AP203中性文件进行几何拓扑信息提取后，基于边的凹凸性判断构建了零件最小子图。然后，将混沌算法、遗传算法与BP神经网络算法有机相结合提出了改进的BP神经网络。最后，通过将获得的零件模型最小子图信息数据输入到改进的BP神经网络，实现了对STEP-NC制造特征高效精准地识别。通过实例验证了该方法的有效性和可行性。     

基于非线性预测的逆传播神经网络算法优化策略研究

逆传播神经网络算法是人工神经网络用于非线性预测的主要学习算法。它具有思路清晰，结构严谨，操作性强等特点，但同时也存在预测精度低，收敛速度慢等问题，本文从神经网络模型的结构出发，对学习算法提出了一系列改进和优化措施，以加快网络的学习速度，并增加模型的稳定性。     

嵌入式大气数据传感系统的改进算法

简要介绍了嵌入式大气数据传感系统及其空气动力学模型,提出了求解动、静压和修正参数的改进算法.改进算法首先应用Moore-Penrose广义逆矩阵对非线性方程组进行简化.然后采用改进迭代算法和BP神经网络求解动、静压和修正系数.改进算法在精度、可靠性和实时性上都能满足系统的要求.应用BP神经网络,达到系统要求的精度所需要的计算时间只相当于原有算法的5%,具有更大的实时性优势.     

引入神经网络的交互式多模型算法

在交互式多模型算法中引入神经网络算法以改进目标跟踪的精度。利用神经网络算法对基于机动目标“当前”统计模型的均值和方差自适应滤波算法进行修改,提高该算法的性能,然后采用交互作用多模型算法跟踪机动目标,提高了机动目标的跟踪精度。     

基于改进BP网络的手写体汉字识别技术

研究了手写体汉字识别技术，采用改进BP算法进行网络训练，提高了算法的收敛速度。同时，利用神经网络完成了汉字识别系统的实现。实验表明系统较好地回避了汉字结构复杂、变形难以预测等问题，提高了识别效率。     

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。     

基于梯度差自适应学习率优化的改进YOLOX目标检测算法

目标检测一直都是计算机视觉领域最具挑战的问题之一，其广泛应用于人脸识别、自动驾驶和交通检测等任务中。为更进一步提升当前主流目标检测算法的性能表现，提出了基于YOLOX的目标检测改进算法，并在标准的PASCAL VOC 07+12和RSOD数据集上进行实验验证。针对YOLOX目标检测算法主要通过数据增强、改进网络结构和损失函数3方面做出改进，同时提出基于梯度差的自适应学习率优化算法用于训练改进后的YOLOX算法，该优化算法同样适用于其他神经网络优化。在PASCAL VOC 07+12标准数据集上进行实验，与原YOLOX-S进行比较，改进后的YOLOX-S算法的AP由61.63%提升到66.35%，提升效果明显。同时在RSOD标准数据集上进行实验，并与其他主流的YOLO系列算法进行了比较，改进后的YOLOX-S算法在RSOD数据集的AP由69.4%提升到73.2%，提升效果显著。实验表明：针对YOLOX的目标检测做出改进是有效的。     

BP神经网络训练中的实际问题研究

研究了BP神经网络的结构以及学习算法,根据实验经验总结出了在神经网络的训练过程中需要注意的一些实际问题,对BP神经网络的应用有实际的指导意义。最后分析了BP神经网络的局限性并简要介绍了改进的一些方法,给神经网络的研究提供了一定的参考价值。     

基于改进的BP算法在飞机压力加油系统中的仿真与应用

将一种改进了的BP神经网络算法应用于飞机压力加油系统容错控制中,进行了仿真和实验,并对仿真结果进行了分析,仿真结果表明,加入BP算法以后的压力加油控制律大大缩短了加油时间,并且提高了压力加油的控制精度,此项研究为开发基于神经网络的飞机燃油故障诊断专家系统奠定基础。     

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。     

基于遗传算法和BP网络的航空发动机拆换期望值预测

通过使用真实样本实验的方法,在BP神经网络、GA遗传算法与改进的GA-BP复合算法中,找出能迅速精确地预测航空发动机拆换期望值的最佳方法。试验结果证明,GA-BP复合算法在用遗传算法对神经网络的权值进行大致搜索以后,再用神经网络方法进行训练,能很好地模拟发动机拆换期望值,并用实例证明该算法是有效的。      

基于人工神经网络的预腐蚀铝合金疲劳性能预测

 通过对BP神经网络算法分析和收敛性改进,从获得的预腐蚀和疲劳试验数据中通过训练建立了LY1 2CZ铝合金腐蚀性能和疲劳特性与预腐蚀温度和时间的映射模型,从而可预测铝合金在一定预腐蚀环境谱下的最大腐蚀深度和疲劳特性。神经网络算法采用 BP算法 ,网络结构采用2-4-2形式。结果表明 ,神经网络用于预腐蚀铝合金的腐蚀状况和疲劳性能预测是可行的     

广义回归神经网络在光纤陀螺零偏补偿中的应用

因测量精度高、制造工艺简单,光纤陀螺在惯性导航系统中获得了广泛应用,但是温度的变化会使光纤陀螺产生测量误差.针对光纤陀螺的零偏容易受到环境温度影响的问题,提出了使用改进的广义回归神经网络建立光纤陀螺变温零偏补偿模型的方法,有效改善了光纤陀螺的变温零偏稳定性.该模型采用果蝇算法寻找广义回归神经网络的最优光滑因子,提高了模型的拟合精度及计算效率.在相同条件下,对比分析了应用传统广义回归神经网络和改进广义回归神经网络对光纤陀螺变温零偏进行补偿的效果.结果表明,改进的广义回归神经网络模型补偿精度较传统广义回归神经网络模型提升了27％.     

基于遗传算法的神经网络优化

针对神经网络结构的设计基本上依赖于人的经验的缺点，提出了一种利用遗传算法优化神经网络的算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性，对神经网络的连接权和结构进行了优化，剔除整个网络冗余节点和冗余连接权，提高了网络的处理能力。通过实例证明该算法具有很高的精度，在机械故障诊断中具有良好的应用前景。     

基于人工噪声神经网络BP算法的火箭发动机故障仿真与检测

研究了用于液体火箭发动机故障仿真与故障检测的神经网络ＢＰ算法。在ＢＰ算法中采用了加噪声等技术来避免系统误差陷入局部极小，训练出精度高（误差小于０．０２）的神经网络，试验表明：神经网络ＢＰ算法成功地用于故障仿真与故障检测。     

基于BP网络模型估算反舰导弹保障费用

运用神经网络的改进BP算法建立了反舰导弹的综合保障费用估算模型,并对典型的反舰导弹保障费用进行了估算,验证了所建模型的有效性和可行性。     

基于PCA-MPSO-ELM的空战目标威胁评估

目标威胁评估是空战对抗过程中的关键环节。由于影响空战目标威胁评估的因素复杂多样，且指标之间存在相关性，导致传统的评估算法无法得到准确客观的评估结果。由此，提出了一种基于主成分分析法和改进粒子群算法优化的极限学习机（PCA-MPSO-ELM）的目标威胁评估算法。首先，综合分析了影响目标威胁程度的指标，利用主成分分析法对原始评估指标进行线性变化处理得到综合变量，消除了评估指标之间的相关性，实现了对评估数据的降维；在此基础上，构建ELM神经网络并利用改进的粒子群算法优化极限学习机的输入权值和阈值，提高了目标威胁评估模型的精度。最后，在空战训练测量仪中选取空战对抗数据，利用威胁指数法构造了目标威胁评估样本数据，通过仿真实验分析了PCA-MPSO-ELM算法的精度和实时性，结果表明所提算法可以快速准确地进行空战目标威胁评估。     

训练神经网络的一种新算法

本文改进和发展了作者曾提出的一种启发式随机搜索算法,并将其应用于单隐层XOR前馈神经网络的学习。模拟实验的结果是十分令人满意的。     

基于改进的克隆选择算法的多用户检测技术

 根据克隆选择原理的免疫机理，提出了一种改进的克隆选择算法(CSA),进而设计了2种码分多址（CDMA） 多用户检测器：一种方法是混合Hopfield神经网络和克隆选择算法；另一种方法是把多阶段检测器MSD嵌入到克隆选择算法的每一代中。通过混合MSD到克隆选择算法中，可以加快克隆选择算法的收敛速度，减少计算复杂度。另外，克隆选择算法所提供的好的初值可以改善MSD的性能，嵌入的MSD还改善了克隆选择算法的性能。仿真结果证明了该方法无论抗多址干扰能力和抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器。     

基于改进的BP网络的水机温度模型建立

传统的水电仿真系统中的温度模型的构建方法存在模型可移植性比较差、推导过程必须有水电专家的参与、推导过程复杂度大、模型精确度不高等不足,这些都对水电仿真的进一步发展和准确性产生了一定影响。因此需要一种更新的方法来适应水电仿真的发展。为此提出了一种改进的BP网络神经元网络学习算法,通过改进训练算法以提高神经网络的训练效率以及准确度。将这种算法应用于吉林丰满水电厂水电仿真系统的水机温度模型的建立实验中,并与原有的神经网络方法进行比较,比较结果表明,该方法能提高分类准确率和训练速度。