一种基于红外图像的目标自动识别算法

红外成像制导具有在各种复杂战术环境下自主搜索、捕获、识别和跟踪目标的能力,代表了当代红外制导技术的发展趋势。提出了一种红外图像预处理、跟踪、分类的自动目标识别算法,利用小波变换、形态学方法对红外图像进行预处理,提取不同频带的惯性不变矩作为特征量,利用神经网络进行分类识别,结果表明该算法具有很高的识别率,对于精确制导武器的目标识别研究具有一定的参考价值。     

改善电子系统故障诊断能力的神经网络虚警过滤器技术

分析了现代电子系统机内测试 (BIT)技术存在的虚警问题 ,提出运用神经网络虚警过滤器(NNFAF)技术来降低虚警、改进BIT能力 ;并介绍了NNFAF的原理和网络开发方法 ;最后分析了NN FAF技术的特点、应用及发展方向。     

不确定性非线性系统的自适应输出反馈控制

研究了一种不确定性非线性系统的自适应输出反馈控制方法.首先引入伪控制信号使系统反馈线性化,然后设计一个线性动态补偿器和在线神经网络,自适应消除不确定性和建模所引起的误差.仿真结果表明,该控制方法能够消除系统的稳态误差,提高系统动态性能,并且具有较好的鲁棒性.     

基于前向神经网络的非线性平滑滤波器设计研究

文章阐述了基于前向神经网络的非线性平滑滤波器的设计问题，分析了上述平滑滤波器的存在性及其滤波误差方差的组成，给出了有限观测序列下网络学习的性能指标，由此提出了一种次优网络学习算法，它具有很好的抑制白噪声能力。     

基于循环神经网络的SPMA协议信道状态智能检测改进算法

为实现对时敏目标的快速探测、定位和打击,战术瞄准网络技术(TTNT)对战术信息接入信道、交互传输的实时性、可靠性提出高要求。TTNT采用基于统计优先的多址接入(SPMA)协议,通过周期性计算统计平均的思想,估计当前信道状态,控制战术信息接入信道的时机。该思想仅适用于流量相对平稳的情况,在流量非平稳时会导致较大的信道状态检测误差。针对此问题,引入流量预测技术,提出基于循环神经网络的SPMA协议信道状态智能检测改进算法。利用循环神经网络的学习特点学习历史流量数据的隐含特征,构建流量预测器对瞬时时刻的流量脉冲到达数进行实时预测,从而准确获取当前信道状态。实验结果表明：所提算法对信道状态的检测结果更接近真实值,显著降低了信道忙闲状态的误判率。     

基于回波小波域时频分布的目标识别技术研究

应用Morlet小波计算并得到了2种目标动态回波的小波域时频分布特征，依据此时频分布的不变矩，应用模糊神经网络技术进行目标识别研究，取得了比较好的识别效果。     

前向神经网络理论及其算法研究

介绍并探讨了有关神经网络的理论及方法，对前向神经网络中的ＢＰ算法进行了改进研究，指出了算法的改进依据以及网络训练中出现的问题     

基于模型与数据驱动的自适应模糊规则故障诊断方法

针对复杂装备系统故障模糊性强的特点,以及目前基于模型和数据驱动的故障诊断大都局限于决策层融合的问题,提出了 1种利用诊断模型作为数据驱动方法的初始条件来辅助网络模型构建和学习的方法。首先,通过 T-S故障树理论分析,建立系统各故障模式之间的逻辑关系和描述规则;然后,根据 T-S故障树模型,将诊断模型映射为模糊神经网络(FuzzyNeuralNetworks,FNN)模型,并利用误差反向传播算法对网络参数进行学习,进而提出 1种模糊规则自动更新机制;最后,以某组合导航系统为实验对象进行仿真实验。结果表明:提出的方法能够准确地诊断出故障,且具有较快的收敛速度和较好的泛化能力。     

基于双重注意力机制及S-BiGAN的机电设备故障诊断

标签样本少条件下机电设备的准确故障诊断对于提高复杂机电设备的健康管理能力具有重要意义。针对标签样本少条件下难以建立准确故障诊断模型的问题,在半监督生成对抗网络的基础上,将注意力模块引入生成对抗网络,并利用格拉姆角场将一维数据转换为二维图像;结合双向生成对抗网络特点,提出一种基于双重注意力机制的半监督双向生成对抗网络（S-BIGAN）机电设备故障诊断模型,以轴承数据为例进行验证。结果表明：与CNN-SVM、SGAN 等算法相比,本文提出的模型能够提高样本生成质量和故障分类特征,有效解决标签样本少情况下的故障诊断问题,极大地提高了故障诊断准确率。     

基于DNN的飞机俯仰运动响应预测研究

针对人工智能的辨识方法在飞行器模型辨识应用中存在间接依赖数学模型以及泛化能力较低的局限性问题,基于深度学习思想,提出了一种新的数据处理方式,完成飞行器的系统模型辨识。首先,针对飞行器动态模型的特点,提出一种基于时序性的飞行数据处理方式;其次,采用交叉熵损失函数进一步优化深度神经网络;最后,针对飞行器纵向非线性模型进行仿真计算。仿真结果表明,训练好的模型成功提取了飞行器输入与输出之间的非线性映射关系,使得基于深度神经网络的飞行器模型能够对未知输入进行状态预测,克服了目前基于神经网络辨识算法的局限性。