神经网络在R&D项目中止决策中的应用

在比较研究国内外R&D项目中止决策理论方法的基础上,论述了对正在进行的R&D项目进行正确的中止决策模式识别的重要意义.探讨了神经网络(NN)理论用于R&D项目中止决策的可行性,提出了适用于正在进行的R&D项目的中止决策分析的Hopfield神经网络模式识别方法,并用实例验证了方法的有效性.方法的实施较为方便、计算较为简单,结果也令人满意.表明Hopfield神经网络模式识别方法在R&D项目中止决策领域具有应用前景.     

R&D项目中止决策的实证研究

在与本领域专家探讨及调研相关资料的基础上,针对性地设计了适用于R&D项目中止决策的指标体系, 提出了改进的Fuzzy模式识别方法, 并将其成功地应用于某飞机制造企业的R&D项目的中止决策实践.该方法对Fuzzy模式识别方法的改进主要体现在两个方面:①利用集值统计方法得出了各指标的权重;②计算样本间的距离时,利用了广义欧氏距离公式.      

神经网络在R＆D项目中止决策中的应用

在比较研究国内外Ｒ＆Ｄ项目中止决策理论方法在基础上，论述了对正在进行的Ｒ＆Ｄ项目进行正确的中止决策模式识别的重要意义。探讨了神经网络（ＮＮ）理论用于Ｒ＆Ｄ项目中止决策的可行性，提出了适用于正在进行的Ｒ＆Ｄ项目的中止决策分析的Ｈｏｐｆｉｅｌｄ神经网络模式识别方法，并用实例验证了方法的有效性。方法的实施较为方便、计算较为简单，结果也令人满意。表明Ｈｏｐｆｉｅｌｄ神经网络模式识别方法在Ｒ＆Ｄ项目中止决策     

基于空域划分的超视距空战态势威胁评估

编队超视距空战(BVR,Beyond Visual Range)已成为现代空战的主要模式.在空战优势区域与劣势区域判断的基础上对整个空域进行划分,并给出4种特定空域态势.从空中态势和编队作战能力两方面对空战态势进行分析.使用主成分分析法选取输入变量分析编队作战能力,降低评估过程中收集数据的复杂度.应用遗传神经网络对影响BVR各因素进行效能评估,将遗传算法(GA,Genetic Algorithms)与多层前馈(BP,Back Propagation)网络结合,利用GA的全局搜索优化BP网络的结构参数,有效克服BP算法的局部收敛等问题.结果表明:该模型能在综合分析空战各指标后给出红蓝双发的态势评估指标,该模型可有效减少评估中的人为因素,使评估结果更为客观可信.     

一种前馈神经网络的变误差主动式学习算法

研究误差反向传播多层前馈神经网络的主动式学习方法.文章分析了目前用于训练前馈神经网络改进BP算法的特点和存在的不足,在此基础上提出逐次主动调整网络学习误差的网络训练思想,根据网络输出误差趋势,主动变化输出层的调整误差δ_pl,使W\+k\-\{ji}和θ\+k\-j在调整过程中受到每次学习效果信息的控制,从而得到一种主动式变误差的学习算法.实验表明,在训练多层前馈神经网络时,变误差主动式算法的学习效率比改进BP算法的学习效率有明显提高.     

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

基于ICA和BP神经网络相结合的掌纹识别

提出了一种基于独立成分分析(ICA,Independent Comment Analysis)和多层前馈(BP,Back Propagation)神经网络相结合的方法对掌纹进行识别.首先采用一种新的方法检测角点,得到掌纹图像的不变特征点,根据这些点校正掌纹方向并得到掌纹的感兴趣区域.对该区域采用定点快速ICA算法(FastICA),得到掌纹特征子空间,然后构建BP神经网络,并采用训练样本得到的掌纹特征进行训练,得到合适的权值.对香港理工大学掌纹数据库进行测试,与主成分分析(PCA,Principal Components Analysis)提取特征的方法进行比较,取得了较高的识别率.      

基于BP神经网络的飞行绩效评价模型

为实现飞行绩效的客观评价,利用眼动数据,建立了拓扑结构为6-14-3型的BP(Back Propagation)神经网络模型.已有的实验数据和随机插值法得到的数据作为建模的数据来源,数据分为训练集和测试集并归一化.基于Matlab的神经网络工具箱,利用经验公式和实验比较法确定了BP网络模型的隐含层节点数;对BP算法的各种改进算法进行了优化选择;将训练集数据和测试集数据先后输入网络模型进行学习训练和仿真测试;对3个技术水平的飞行员的飞行绩效进行了预测和评价.研究表明,眼动数据的BP神经网络模型可以较为准确地评价飞行绩效,评价方法可以为飞行训练提供参考.     

仿效创新的后发优势机理分析与实证研究

通过对仿效创新项目的R&D投入与产出之间关系量的分析,建立了单一品种和多品种项目产值的增长模式,明确了R&D投入的累积对仿效创新项目产出的非凡贡献,指出启动仿效创新后发优势的关键在于持续不断的R&D投入,而持续稳定地增长则取决于产品的多品种、系列化的开发.     

基于PSO-BP神经网络的平流层风场短期快速预测

平流层风场环境对临近空间低速飞行器驻空飞行性能有重要影响。研究了基于PSO-BP神经网络的平流层区域风场建模与快速预测方法,根据历史风场数据,采用主成分分析法对数据进行降维处理,通过BP神经网络对风场进行预测建模,利用粒子群优化（PSO）算法对其进行优化,采用Biharmonic样条曲面插值方法构建区域预测风场。以南海地区5年历史风场为对象,对比分析了基于BP神经网络和基于PSO-BP神经网络的风场预测模型,结果表明:使用具有全局寻优特性的PSO算法改进BP神经网络,能够有效避免传统BP神经网络易陷入局部最优的缺点,提高预测精度;通过结合PSO-BP神经网络预测与Biharmonic样条曲面插值,可实现区域风场的预测。研究结果可为临近空间低速飞行器的轨迹规划与区域驻留等任务的高精度区域快速预报风场提供解决途径。      

Neural network prediction of the topside electron content over the Euro-African sector derived from Swarm-A measurements

This study presents the first prediction results of a neural network model for the vertical total electron content of the topside ionosphere based on Swarm-A measurements. The model was trained on 5 years of Swarm-A data over the Euro-African sector spanning the period 1 January 2014 to 31 December 2018. The Swarm-A data was combined with solar and geomagnetic indices to train the NN model. The Swarm-A data of 1 January to 30 September 2019 was used to test the performance of the neural network. The data was divided into two main categories: most quiet and most disturbed days of each month. Each category was subdivided into two sub-categories according to the Swarm-A trajectory i.e. whether it was ascending or descending in order to accommodate the change in local time when the satellite traverses the poles. Four pairs of neural network models were implemented, the first of each pair having one hidden layer, and the second of each pair having two hidden layers, for the following cases: 1) quiet day-ascending, 2) quiet day-descending, 3) disturbed day-ascending, and 4) disturbed day-descending. The topside vertical total electron content predicted by the neural network models compared well with the measurements by Swarm-A. The model that performed best was the one hidden layer model in the case of quiet days for descending trajectories, with RMSE = 1.20 TECU, R = 0.76. The worst performance occurred during the disturbed descending trajectories where the one hidden layer model had the worst RMSE = 2.12 TECU, (R = 0.54), and the two hidden layer model had the worst correlation coefficient R = 0.47 (RMSE = 1.57).In all cases, the neural network models performed better than the IRI2016 model in predicting the topside total electron content. The NN models presented here is the first such attempt at comparing NN models for the topside VTEC based on Swarm-A measurements.     

证据理论和神经网络结合的目标识别方法

提出用证据理论和神经网络结合的高分辨率雷达(HRR)目标识别方法,即首先把多个目标高分辨一维距离像送入学习矢量量化神经网络,进行目标类证据估计;然后用D-S证据理论对各次估计结果进行融合.提出了连续特征空间离散化及类支持度构造的方法,并分析了神经网络识别的误差原因.仿真实验结果表明,这种方法的输出正确识别率比仅仅使用矢量量化神经网络有较大的改善,抗噪能力也有所提高.     

界面管理水平评价的灰色聚类方法与应用

 研究与开发(R&;D)和市场营销及和生产之间的界面管理不善是直接导致科技成果转化率与技术创新水平低下的关键因素.然而,如何评价企业的界面管理水平却是一个相当困难的问题.针对这些困难,在对影响界面管理众多因素进行分析的基础上,设计出了具区间数的灰色聚类方法, 用以评价企业界面管理集成度.提出的方法能识别界面双方对同一问题的认识异同点,解决了因素量化困难、评价标准不一等问题.在实证分析研究的基础上,将其应用于北京地区几类典型企业的R&;D与市场营销的界面管理实践.     

利用人工神经网络快速计算木星系磁坐标

在木星辐射带研究中，从地理坐标向磁坐标的准确转换是建模基础.以往的建模中，磁壳参数L值的计算基于磁偶极场假设，该方法精确度较差.结合最新的高精度木星磁场模型JRM09，本文提出基于磁力线追踪法的木星磁坐标计算方法，并分析其合理性和必要性.要求精确度较高时，磁力线追踪法计算耗时很长.本文在磁力线追踪法的基础上进行改进，提出基于人工神经网络的磁坐标快速计算方法.该方法包括分类器和拟合器.分类器基于Adaboost算法的BP神经网络，用于预测某地理坐标是否在内磁层，如果在内磁层，则用拟合器计算L值.拟合器采用遗传算法优化BP神经网络.结果表明，分类器的分类错误率在3%以内，而拟合器的预测误差在7%以内.以Juno号一圈探测轨道为例，利用神经网络的磁坐标计算法比磁力线追踪计算法速度快3个数量级以上.基于人工神经网络的磁坐标快速计算方法可用于未来木星辐射带的研究.      

新型进化神经网络模型

目前的进化神经网络模型大多采用遗传算法进行网络进化设计.而研究表明,这种进化神经网络存在遗传编码、遗传操作及网络结构限制等很多问题;而采用进化规划是一种很好的途径.鉴于此,为了克服传统进化规划算法的不足,结合作者提出的快速免疫进化规划提出了一种网络连接权值及其拓扑结构同时进化优化的新型进化神经网络模型.最后,通过典型的异或分类问题(XOR)比较了该模型同BP神经网络及传统进化神经网络的计算性能,发现它不但计算精度好,而且计算效率高.      

基于集成学习的遥测数据互相关结构知识发现

针对传统遥测数据相关性分析方法仅能发现相关程度知识，无法提供相关结构丰富信息的问题，提出一种神经网络与极限梯度提升（XGBoost）集成的遥测数据互相关结构知识发现方法。在对遥测时间序列进行线性、单调性、序对一致性、散点图形状4个维度相关结构信息标注的基础上，将混合采样、代价矩阵、神经网络、XGBoost算法相结合，直接对遥测数据进行分类得到其相关结构类别或相关关系有无的知识。采用量子卫星任务数据进行实验的结果表明:较之于原始XGBoost模型、融合混合采样与代价矩阵的XGBoost模型，所提方法在受试者工作特征（ROC）曲线、F1-score等性能指标方面具有更高的分类精度，且对类别不平衡数据不敏感，是一种适用于遥测数据互相关结构知识发现的有效方法。