基于案例学习的Lanchester方程在海战中的应用

分析了传统的Lanchester方程在分析作战动态过程中,求取兵力损耗率系数时有一定的局限性。介绍了以Lanchester平方律的作战过程为研究对象,通过作战序列引理的介绍,建立了基于案例学习的Lanchester方程定理,提出的一种新的兵力损耗率系数的求解理论与方法,实例证明该算法是有效的。     

一种新的联想记忆系统及其学习收敛性

提出了一种新的联想记忆系统--基于牛顿前向插公式的联想记忆系统(NFI AMS),用以实现在任意阶多变量多项式函数的高精度逼近,设计了相应的学习方法,并证明了在通常情况下对于任意多变量连续函数,NFI-AMS的学习总是以任意精度收敛的.该系统较之传统的CMAC类型的AMS,具有所需供学习的样本点较少,学习精度高和存储单元空间较小的优点,且比多层BP网络具有学习算法简单和收敛速度快的特点,可望在智能控制与信号处理,模式识别中得到应用.     

基于校园网模具学习系统的研究

主要介绍基于校园网模具学习系统的web数据库系统的设计与实现。该系统将网络教学平台、网络考试系统、BBS、信息管理系统集于一身,其中智能体模块在系统中的应用使各功能模块联结成一个有机整体,服务于模具专业教学的各个方面。     

基于过程神经网络的热平衡温度预测研究

为缩短航天器热平衡试验周期，以降低航天器研制成本，提出了一种基于过程神经网络的热平衡温度预测模型。为简化该模型的学习过程，提出了一种基于正交基函数展开的基本学习算法，利用基函数的正交性不仅可以简化模型中的时间累积运算过程，而且能提高模型对解决实际问题的适应性。同时，为增强模型的外推预测能力，在基本学习算法的基础上给出了一种基于新增样本的学习算法，使模型既能对新增样本进行快速学习又不损失对原有样本的记忆。实际应用表明，该预测模型能够利用某型号卫星热平衡试验中某监测点进入稳定工况后40小时内的试验数据提前42．5—68小时获得该监测点的极限热平衡温度。     

基于最优估计神经网络的惯导系统初始对准研究

本文研究了一种基于卡尔曼滤波原理权值更新的多层神经网络学习算法，对此算法进行了详细的推证，并将该算法运用到惯导系统的初始对准过程。仿真结果表明了这种神经网络结构用于惯导系统初始对准问题的有效性，既可获得与卡尔曼滤波器相同的对准精度，又提高了系统的实时性。从而得到了利用神经网络解决惯导系统初始对准问题的一种有效算法。     

专科学生英语学习动机研究

学习动机与学生的学习态度、学习策略及学习成绩是紧密相关的。它直接制约着学习的积极性,极大地影响着学生的外语学习效果。本文介绍了对大学生英语学习动机研究的过程及其教学启示。     

“我找对了老公”——刘伯明妻子张瑶访谈

张瑶的笑容和刘伯明的极其相似,安静而活泼、踏实又幸福,俨然成了舒服的自处。自得其乐的人说起话来也娓娓道来,慢慢的、淡淡的,不经意间,已然是篇美好的故事:"我们俩是老乡,又是一所中学的,他比我高两届。我母亲当时是中学校长,刘伯明高二时,母亲代过他们班语文课,当时他就给母亲留下了很深的印象。后来考上飞行员也是我母亲送他去的。从那之后的五六年间,他一直和我母亲保持通信,汇报学习和工作,谈人生、谈理想。有一次,我母亲就问他有对象没,想找个什么样的。他说还没有,找个能独立理家的就行。"说到这儿,张瑶的脸上多了一抹灿烂。     

基于高斯过程回归的组合体航天器姿态接管学习控制

空间非合作目标一般具有结构复杂、质量特性未知、姿态机动能力不明等特点,这导致组合体航天器姿态动力学呈现出高度非线性和强耦合特性,且难以对其进行在轨精确辨识。针对组合体航天器姿态接管过程中目标信息不完全、精确辨识困难等问题,本文考虑目标存在姿态机动能力的任务场景,提出了一种基于稀疏高斯过程回归(GPR)的数据驱动姿态接管控制策略。首先,从系统运行数据中提取、凝炼模型未知部分的输入/输出映射关系,构建数据驱动的概率化模型以代替无法快速准确建立的参数辨识模型,并根据该数据驱动模型设计变增益反馈控制策略,证明了系统状态概率意义上的Lyapunov稳定性和有界性;其次,考虑到在轨任务的实时性、星载计算机的计算资源有限等因素,该算法可在保证控制精度的同时显著减轻学习算法的计算压力;最后,数值仿真验证了本文所提出控制方法的有效性与实用价值。     

基于迭代学习的液压角振动台控制策略研究

液压角振动台是十分复杂的非线性系统,应用传统的控制系统设计方法很难满足其控制 要求。引入迭代学习控制算法的非线性控制策略,针对控制系统的稳定性以及迭代学习的收 敛性,提出复合迭代学习控制算法,并从频域角度给出其收敛性条件。将仿真结果与实验数 据进行对比分析,结果表明：系统压力12 MPa条件下,采用该方法角振动台内框具有20 Hz （峰—峰值0.4°）的正弦响应能力,且其相位滞后不超过10°,幅值误差不大于±10％, 验证了此控制策略的有效性。该复合迭代学习控制策略不仅拓宽了系统频带,而且改善了系 统输出对期望信号输入的跟踪精度,为液压角振动台的高性能实时控制开辟了新途径。