落点散布的不同评定方法及其剖析

本文论述在小子样条件下，再入飞行器落点散布（σ或CEP）的不同评定方法。常用的方法如经典的x^2检验、画圆方法、自助方法、Bayes方法等。在应用中筘有特点，文中进行了剖析，并提出了看法。     

序贯验后加权检验在落点散布鉴定运用的思考

本文研究试验鉴定的散布检验问题。给出了序贯验后加权检验统计量的确切分布,讨论了序贯方法的封闭性。对于落点随机变量纵向和横向相关时的检验法提出了处置方法。     

多层感知器神经网络及其在语声识别方面的应用

本文首先描述一种神经网络的拓扑结构——多层感知器神经网.其次推导出针对该神经网的整体学习算法,给出算法在一般微机上运行时所遇到的一些具体问题处理原则.最后将双隐层感知器用于语声识别.实验表明:多层感知器神经网络技术用于小词汇量、低信噪比、机载条件语声识别系统,是一种有益的尝试.     

基于试验与蒙特卡洛法的子母弹子弹落点计算模型

针对目前子母弹子弹落点散布计算模型存在不足,影响子母弹毁伤效能评估准确性的问题,提出一种基于试验数据的子弹落点散布计算模型。对子母弹靶场试验数据进行分析处理,根据相邻子弹间距、不同环带中子弹数量的规律,建立了子弹落点散布模型;结合母弹散布,建立了子母弹子弹落点散布计算模型。该模型在给定子母弹散布参数后,可以快速生成群射子母弹子弹群的地面散布,且与实际情况基本相符,为子母弹毁伤效能评估奠定了基础。     

风场中基于神经网络的炸弹弹道落点拟合分析

介绍了两种炸弹弹道落点拟合神经网络模型,对各模型的优缺点以及处理结果进行了分析。提出了采用广义回归神经网络来处理炸弹弹道落点拟合问题,弹道的落点参数、初始投放条件与风场可通过神经网络的阈值和权值来表现。仿真结果表明,应用广义回归神经网络进行弹道落点拟合,具有算法可行性好、拟合精度高、速度快等优点,而且运算简单;该方法在实战中有很高的参考价值和工程实用价值。     

三种用于加工特征识别的神经网络方法综述

加工特征自动识别技术是智能化设计与制造的关键支撑，已有的实用性算法普遍存在学习能力差、识别范围有限和识别速度慢等共性问题。神经网络方法在计算机视觉和模式识别领域获得了巨大成功，其自学习与自适应能力和高速计算等优势也已在加工特征识别中得到初步的展现。对加工特征识别中具有应用潜力的三种不同的神经网络方法进行了研究，剖析了神经网络识别加工特征中的预处理与编码和神经网络结构设计等关键性问题，分析了不同神经网络方法的异同点，总结了当前神经网络识别加工特征的发展方向，为相关领域的研究提供一定的理论指导与技术支持。     

基于概率神经网络的相似度排序方法

为了研究相似度排序问题,对概率神经网络的结构进行了分析,对其输出进行了改进,使之输出后验概率,进而进行相似度排序。结合电火工品发火性能的预测问题,对方法进行了验证,结果表明：基于概率神经网络的相似度排序方法与实际结果相符,方法是可行的。     

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。     

基于统计分析模型的飞行器落点预报方法

目前飞行器落点预报主要采用人机交互方式进行处理,而不同人员计算出的结果存在较大差异.针对该问题,提出了一种基于四阶龙格库塔计算方法的落点预报分布式计算统计分析模型.该模型根据飞行器的运行轨迹特性和在无动力、无控制、常质量段的预报落点具有集中分布的特点,采用零假设和备择假设统计方法对预报落点过滤选择,并对有效预报落点求其数学期望值.采用实际测量数据对所提出的模型进行了可行性和有效性验证,试验结果表明,该模型不仅具有较强的实时性、稳定性,而且当飞行器运行距离在数千千米时,该方法计算出的平面位置误差仅为几十米.     

一种基于神经网络的航空发动机剩余寿命预估方法

针对航空发动机剩余寿命预估中模型建立困难且计算精度低等问题,提出了一种基于卷积神经网络和长短期记忆神经 网络进行航空发动机剩余寿命预估的方法。利用卷积神经网络中的卷积层与池化层提取传感器数据中的特征,并依据卷积层提 取出的特征,利用长短期记忆神经网络进行时间序列预测,并使用全连接层输出航空发动机剩余寿命。在NASA的C-MAPSS提 供的涡扇发动机退化仿真数据集上对该方法进行了验证。结果表明：基于卷积神经网络和长短期记忆神经网络的航空发动机剩 余寿命预估方法,可以在保证预测精度的前提下,对航空发动机剩余寿命进行较为保守的预估,在保证资源不被浪费的情况下,尽 可能提前发出故障预警信号,从而提高飞行的安全性,进而为航空发动机健康管理系统提供有用信息。该预测方法在对称指标和 非对称指标上均优于此前提出的方法。     

基于多层激励函数量子神经网络的入侵检测研究

为解决传统入侵检测模型所存在的检测效率低,对未知的入侵行为检测困难等问题,对神经网路隐层激励函数进行了研究,利用多层激励函数的量子神经网络模型进行入侵检测,该量子神经网络借鉴量子理论中量子态叠加的思想,使得隐层神经元能表示更多地状态或量级,从而很好的对入侵类型进行分类,增加隐层神经元的处理速度和检测性能法。实验表明,叠加的每个sigmoid函数较传统的sigmoid函数不仅对已知的入侵具有较好的识别能力,而且能较好的识别未知入侵行为,从而实现入侵检测的智能化。     

基于ISODATA模糊系统的飞船落点选优方法

针对如何从基于分布式并行计算获得的数千个飞船返回过程预报落点中优选出＂最可能＂落点这一问题,在充分考虑以往返回落点计算的先验知识和最新落点信息的基础上,设计了飞船返回的自适应聚类模糊系统,采用含有时间因子的迭代自组织数据分析算法研究了返回舱落点优选方法。最后,利用＂神舟八号＂返回落点实测数据进行模型检验。计算结果表明,该方法的落点预报精度较传统选优算法的预报精度高50%以上,同时具有较好的稳定性,可为飞船返回搜救提供技术支撑。     

基于场景识别的惯性基类脑导航方法

针对无人机导航中惯性器件产生的漂移误差不断随时间累积进而影响导航精度的问题,以仿生类脑导航为研究背景,提出了一种新的导航方法。与传统导航策略不同的是,该方法从周期性校正累积位置误差的角度出发,采用设置位置细胞节点的思路,利用训练好的卷积神经网络模型在细胞节点处进行图像匹配,从而在位置细胞节点处实现惯导位置漂移误差校正。同时,建立节点之间的漂移误差模型,调整误差方程系数,以达到修正漂移误差的目的。最后,基于无人机飞行实验结果验证了该方法对自主导航的有效性和鲁棒性,该方法能够有效提高无人机导航的精度。     

基于伞载多体动力学的降落伞开伞过程研究

针对降落伞开伞过程中柔性大变形、强非线性和强耦合性的特点,采用伞载多体动力学方法,以充气时间为自变量,分别建立拉直、充气和稳降3个阶段的动力学模型。对降落伞开伞过程中物伞系统运动学和动力学进行数值分析,研究降落伞开伞过程,通过某型号降落伞飞行试验验证,表明：基于多体动力学的降落伞开伞过程计算简单方便,能够快速指导降落伞的设计迭代,计算结果可以很好地体现降落伞的开伞特性。     

一种基于神经网络补偿动态逆误差的方法

讨论了一种基于神经网络自适应补偿动态逆误差的方法，并应用于超机动飞机控制器设计中，飞机的基本控制采用非线性动态逆方法进行设计，对于模型不准确导致的逆误差采用神经网络进行在线补偿，仿真结果表明，采用神经网络补偿误差，弥补了非线性动态逆要求精确数学模型的缺点，而且可以简化动态逆控制律的设计，改善整个控制系统的性能。     

基于气象风修正的返回舱落点快速预报方法

针对载人飞船回收着陆阶段伞-舱系统运动轨迹受中高空水平气象风影响大的特点,研究建立了回收着陆段完备的伞-舱多体动力学模型,提出了一种基于气象风漂移修正的返回舱落点快速预报方法,在"神舟八号"、"神舟九号"任务中进行了验证试验,并与现有返回舱落点预报方法进行了比较。结果表明,基于伞-舱多体动力学模型的气象风漂移修正量精度较现有方法提高了30%,利用该方法可快速准确预报返回舱着陆落点位置,有助于缩小飞船搜救范围,缩短搜救时间。     

基于卷积神经网络的图像识别综述

随着工业化进程的迅猛发展，产生了大量的图像信息，传统的图像识别技术难以处理如此庞大的图像数据以及满足速度和精度上的要求，大数据及深度学习技术应运而生，基于卷积神经网络的图像识别方法成为目前图像识别的主流算法。文中首先介绍了传统图像识别技术及存在的问题，引入了卷积神经网络的深度学习方法，重点说明了卷积网络中间层的结构和特点，然后介绍图像识别中经典的卷积神经网络模型及相互间的区别，最后简要综述卷积神经网络在图像识别中的应用，指出了有监督的卷积网络学习缺点及无监督学习的研究方向。     

基于多尺度 3D-2D卷积神经网络的高光谱图像分类

设计提出了 1种针对高光谱图像分类任务的 3D-MSCNN模型。在 PCA降维的基础上,利用 3D空谱特征提 取网络和 2D多尺度特征提取网络实现高光谱图像特征提取,充分发挥高光谱图像空谱信息价值,增强对不同尺度 地表覆盖的表达能力。最后,利用 Softmax分类损失函数实现高光谱图像分类任务。实验结果表明,本文算法在 In. dian Pines和 Pavia University数据集上都取得了较好的分类效果。与 CD-CNN、3D-CNN、SS-Net和 HybirdSN等方法相 比,本文算法能够有效提升总体精度、平均精度和 Kappa系数等客观评价指标。