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BP人工神经网络的GPS／SINS组合导航算法

基于扩展Kalman滤波的GPS／SINS组合导航算法，需要对原始的非线性连续系统模型进行线性化和离散化处理，要求系统噪声和测量噪声为零均值的高斯白噪声，且易于出现滤波器发散。BP人工神经网络毋需对所求解的问题建模，能够很好地逼近系统非线性特性，获得较高精度的导航定位信息；还具有计算过程稳定，不涉及矩阵求逆，不需要迭代逼近，以及容易实现并行处理等优点。本文设计适用于GPS／SINS组合导航系统的BP网络模型，并在标准的BP算法基础上，采用共轭梯度法改进网络训练速度及精度。最后，通过仿真算例说明BP网络方法用于GPS／SINS组合导航计算的可行性。     

基于H?滤波算法的BP网络在SINS/GPS中的应用

实际系统中存在的各种不确定性和非线性将使估计精度降低、卡尔曼滤波发散。针对这些问题,文章提出了基于H∞滤波算法的BP网络自适应滤波技术,采用H∞滤波算法在线调节BP网络的权值,并应用在SISN/GPS中。仿真结果表明,该网络具有较好的鲁棒性,其精度与H∞滤波算法的精度相当。     

BP网络的算法及在MATLAB上的程序仿真

在介绍了BP网络基本原理的基础上,阐述了现有的有关BP网络的3种算法,并对这些算法进行了比较,指出在实际应用中BP网络的缺陷.另外利用Matlab神经网络工具箱,采用自适应学习率BP算法对模式识别问题进行了程序设计、训练和仿真.     

有色噪声作用下的INS/地磁组合导航算法研究

为了克服基本扩展卡尔曼滤波对噪声统计特性的约束,针对地磁测量噪声为有色噪声的特性,基于扩维卡尔曼滤波算法实现了惯性/地磁组合导航算法。分析了分布式组合导航方案的基本原理,在子滤波器观测信息为实测地磁场总强度信息条件下,基于巡航导弹巡航段飞行过程采用基本扩展卡尔曼滤波和扩维卡尔曼滤波算法进行了仿真分析。仿真结果表明,扩维卡尔曼滤波具有较好的稳定性和收敛性,解决了扩展卡尔曼滤波算法的发散问题。     

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。     

无人机蜂群轨迹预测研究

传统防空火控算法中的轨迹预测模型无法对复杂的无人机蜂群进行有效地轨迹预测，而现有针对无人机机动轨迹的预测研究通常只考虑单个无人机，且模型量级过大。为了准确且快速地预测无人机蜂群轨迹，本文提出一种面向蜂群的轨迹预测方法。在获得蜂群轨迹后，首先基于DBSCAN 对其进行聚类，判断出蜂群中各个无人机的类别；然后基于分形算法，判断无人机轨迹是简单轨迹还是复杂轨迹；最后，采用卡尔曼滤波进行简单轨迹的预测，用基于LSTM 网络的方法进行复杂轨迹的预测。结果表明：本文提出的无人机蜂群轨迹预测方法的预测误差远远小于纯采用卡尔曼滤波方法预测的误差，且预测时间小于仅采用LSTM 网络方法预测的时间，可以较为准确地预测蜂群中不同集群无人机的轨迹，为反无人机蜂群火控解算提供基础。     

机载单站对运动目标无源定位跟踪算法

针对无源定位系统中,机载单站相对于运动辐射源目标作为状态模型,在测方位角及其变化率基础上,引入多普勒频率变化率参数构建观测模型。常用的扩展卡尔曼滤波（EKF）存在不稳定和精度低的问题,采用修正增益的扩展卡尔曼滤波算法（MGEKF）,找出修正函数矩阵,实现定位状态滤波估计。仿真结果表明,MGEKF算法较之EKF算法有较高的定位精度和较快的收敛速度。     

基于GWO-BP神经网络的攻击区解算方法

为解决运用传统BP神经网络求解空空导弹攻击区时误差较大的问题,提出了一种基于灰狼优化算法的BP神经网络攻击区求解算法(GWO-BP)。首先分析了影响空空导弹攻击区的主要因素,确定了BP神经网络的初始输入值;然后运用灰狼算法对网络的初始权值和阈值进行优化;最后运用优化后的权值和阈值搭建BP神经网络,并输入训练集对网络进行训练。仿真结果表明,相比未经优化的传统算法,GWO-BP算法求解误差更小,提高了攻击区解算的准确性。     

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。