神经网络在直升机对地攻击中的应用研究

应用神经网络方法研究了直升机对地射击的一些技术问题。文中首先介绍了直升机对地攻击的火控系统原理;其次,对复杂又不稳定的直升机飞行运动模型设计了模糊神经网络控制器;然后,设计了综合火/飞控制系统,并对所设计的整个攻击系统进行了仿真,通过仿真证明满足系统设计要求。在神经网络设计中,采用了变尺度优化算法,提高了算法的速度和精度,直升机对地攻击的实时应用提供了重要的参数价值。     

前向神经网络快速学习算法在发动机模型辨识中的应用

介绍一种采用前向神经网络辨识发动机非线性模型的快速学习方法,与现有同类方法相比,该方法采用矩阵的QR分解求解线性方程组,解决了维数过高的矩阵直接求逆带来的解失真问题,并把这种方法应用于航空发动机的非线性模型辨识。算例仿真验证了算法的可行性。      

基于1-DISVM的聚类模型及直升机齿轮箱故障诊断应用

针对当前故障诊断中存在的训练样本少、知识难获取的问题,结合SVM小样本学习的特点,提出一种基于SVM的自学习聚类模型。通过改进无监督1-SVM算法上的不足,形成一种改进决策1-SVM(1-DISVM)算法,由此构建了多模式训练与分类算法,并设计出基于1-DISVM的自学习聚类模型。最后对其进行仿真验证,并应用于直升机齿轮箱的故障诊断,结果表明该方法能从少量样本中自学习输入模式的内在规律,自适应地对未知故障模式进行准确地分类识别。     

论网络在线测试及训练系统建设

在高等职业教育中,英语教学越来越表现其重要性.目前,计算机和网络的普及以及应用为英语教学改革与发展提供了新的方法和手段,为推行以学生为中心的自主式、个性化的教学方法提供了更加广阔的平台.通过分析在英语教学中存在的问题,提出了建立测试及训练系统的理论依据,介绍了该系统的特点,以期通过此平台更好地培育学生学习的自主性及延续性.     

基于增量式排列支持向量机的机场航班延误预警

目前航班延误已经成为世界范围内一个日益严峻的问题,对于大型机场进行航班延误预警工作显得日趋紧迫。在空运需求与机场容量冲突导致航班延误的观点下,提出了用排列支持向量机来进行航班延误预警。针对机场航班数据不断更新的特点,给出了增量式排列支持向量机算法来进行航班延误预警。不仅通过人工数据上的实验说明了该增量式算法更能满足在线预警的要求,而且在收集到的中国某国际机场两周的航班数据上也取得了80%及以上的预测准确率。     

磁悬浮柔性转子系统变学习速率单神经元自适应PID控制

为同时保证磁悬浮轴承柔性转子系统所需的低频和高频特性,在一般单神经元PID(proportion integration differentiation)控制的基础上,将转速信号引入磁悬浮轴承数字控制器,在不同转速段选择不同的学习速率以调节控制参数得到合适的磁悬浮轴承的刚度和阻尼.试验结果表明,变学习速率单神经元自适应...     

模糊神经网络的侧滑角校正

叙述了一种利用模糊神经网络模型来校正侧滑角的方法。侧滑角的校正基于以下七个输入变量：动静压之比、动压、迎角、滚转速率、偏航速率、飞机重心处侧向过载、基准侧滑角。在模糊神经网络模型的结构辨识中，采用了前向搜寻算法。样本数据的一部分用于训练模糊神经网络，另一部分用于测试和评价所得模型的性能；参数辨识中，采用了反向传播学习算法（即BP算法）。某型飞机的六自由度仿真软件仿真验证表明，用这种方法校正后的侧滑角具有较高的精确度。     

基于多特征图像增强深度卷积神经网络的航天用电子元器件分类算法

为了实现航天用电子元器件的全自动及非接触识别,并减少由照明系统造成的图像亮度不均、偏色等问题对检测结果的影响,通过结合局部、区域和总体三个层次特征提升物体检测精度,提出了一种基于多特征图像增强深度卷积神经网络(MFIE-DCNN)的航天用电子元器件分类算法。MFIE-DCNN算法包含多特征学习和深度学习,其学习过程类似于人类视觉系统,能够对形状、方向和颜色特征进行深度挖掘,突出元器件边界信息,抑制背景杂波干扰。实验结果表明,该算法能够区分电路板板载元器件的种类,检测准确度优于传统算法。对比基于稀疏自动编码器的深度神经网络,检测结果提高了近20%。     

一种基于多支持向量机的增量式并行训练算法

为了改进传统算法,利用支持向量的特性,提出了一种基于多支持向量机的增量式并行训练算法(PMSVM)。选择对分类超平面有影响的样本点作为支持向量,以增加单个分类器的训练时间为代价换取整体训练和分类的精度。考虑到训练样本的分布对最终结果的影响,加入反馈向量进行适当的重复训练,以调整各分类器的学习性能。通过在测试数据集上进行的实验表明,该算法与批学习增量BSVM算法相比,在提高训练效率和分类精度的前提下,大大降低了训练时间。     

Agent仿真中具有先验知识的混合学习算法与混合结构模型

强化学习是一种有效的机器学习方法,是无监督学习,通过不断地和环境交互得到外部环境评价信号,选择合适的动作。Q学习是一种典型的强化学习,其学习效率较低,尤其是当状态空间和决策空间较大时。为提高Q学习学习效率和收敛速度,采用具有先验知识的Q学习算法,利用模糊综合决策方法处理专家经验和环境信息得到Q学习的先验知识,对Q学习的初始状态进行优化;针对Agent个体学习与群体学习各自的不足,提出了采用混合学习算法,将个体学习与群体学习有效结合起来,提高了Agent的个体性能及系统整体的智能水平;同时为满足复杂适应性需求,采用Agent混合结构模型,在该模型中构造了基于知识的协调控制器,通过它来协调慎思式过程和反应式过程。