基于人工神经网络的多模型目标跟踪算法

针对在目标跟踪中单模型跟踪算法难以应对目标运动形式的变化,而多模型跟踪算法存在结构固定、跟踪精度被非匹配模型削弱且模型切换缓慢的矛盾,文章提出了一种基于人工神经网络的多模型目标跟踪算法。通过分析目标几种基本运动模式的轨迹特点,归纳出目标运动轨迹的特征向量。利用训练好的BP神经网络对滑窗里的轨迹段进行运动模型识别,按结果进行跟踪模型切换,达到使跟踪算法实时适应目标运动状态的目的。仿真结果证明了该算法的有效性,且与传统的多模型算法相比,具有结构更加简单、更强的灵活性和拓展性的特点。     

汽车牌照自动识别技术研究

提出了一种汽车牌照的自动识别算法：先对图象进行直方图均衡,平滑去噪,二值化预处理,再根据车牌上文字变化特点快速,准确地从复杂背景中分割车牌最后采用投影－变换系数法取汉字,英文和阿拉伯数字的不同维数的特征,送到相应的ＢＰ神经网络中进行识别,较好地解决了汽车牌照的自动畜产     

基于模糊逻辑系统的空空导弹攻击区拟合

将空空导弹攻击区的拟合表示成一非线性逼近问题 ,从而利用模糊逻辑系统的万能逼近性质 ,并结合误差反向传播学习算法 (BP算法 )实现了对导弹攻击区的自动学习。在此基础上 ,提出了利用扩展的 T- S推理进行攻击区分组逼近与综合的方法。仿真结果表明该方法具有精度高、参数少、通用性强等优点。     

应用BP网络校正的卡尔曼滤波器

当目标作机动飞行时,由于未知机动引起的估计误差的影响,卡尔曼滤波器的跟踪性能将会严重下降。提出了一种应用BP神经网络对卡尔曼滤波结果进行校正的机动目标跟踪方法,BP网络可以辨识非线性机动,修正卡尔曼估计值,改善跟踪效果。同时还研究了BP网络的自适应算法。对两个变加速机动目标的跟踪结果表明,经过BP网络校正的卡尔曼滤波器不会发生误相关,跟踪的精度较高。     

基于BP神经网络的自主定轨自适应Kalman滤波算法

针对Sage Husa自适应滤波方法存在的窗函数开窗大小选择问题,提出一种基于BP神经网络学习估计系统协方差矩阵的自适应Kalman滤波算法。该算法以Kalman滤波预测残差向量作为网络输入,通过网络分段离线学习确定预测残差向量与预测残差协方差矩阵间的非线性关系,自适应地估计Kalman滤波系统协方差矩阵。将其应用到自主定轨系统,仿真结果表明利用本文算法自主定轨60天星座平均URE误差小于1.9米,且能够快速跟踪到系统噪声的突变,较Kalman滤波方法和Sage Husa自适应滤波方法具有更好的性能。     

基于任意空间属性FFD技术的融合式翼稍小翼稳健型气动优化设计

 以非均匀有理B样条基函数为空间控制体属性,建立了任意空间形状自由变形(FFD)技术参数化方法。所建立的气动外形参数化系统通过FFD控制体的分布以及控制顶点的合理选取,能够对任意复杂外形进行参数化设计。首先采用FFD控制体对某型客机翼稍小翼进行空间属性构建;然后结合基于Delaunay图映射技术建立了结构对接网格变形模式,采用分群粒子群算法以及误差反向传播训练算法(BP)神经网络进行稳健型气动优化系统的构建;最后对某型客机融合式翼稍小翼的后掠角、倾斜角和高度等参数进行稳健型气动优化设计,分析对比了优化前后翼梢小翼表面压力云图、截面压力分布及载荷分布。优化设计结果表明:设计后的翼稍小翼的升阻比与阻力发散特性明显提高。     

涡扇发动机进气畸变容限控制研究

对某型涡扇发动机风扇,建立进气畸变下的准一维气动稳定性分析模型。利用该模型的计算结果,训练一个基于BP神经网络的畸变估算模型,并嵌入到0维发动机实时仿真程序,以实现进气畸变容限控制。结果表明:在无畸变或小畸变情况下,通过收缩喷口来提高风扇工作点挖掘发动机潜力的作用有限;放开喷口临界面积能有效容忍高畸变指数进气;主燃油与主控制器强烈耦合,使得其难以稳定控制风扇裕度。     

基于几何不变性和BP网络的二维目标识别算法

提出了一种基于几何不变性和BP网络的二维目标识别算法.该算法不仅能适应目标物体在旋转、缩放和平移变换(RST变换)下的不变性识别,而且能适应仿射及射影变换下的不变性识别.算法通过对目标物体边缘点进行规格化和对规格化后的边缘点进行5点不变量穷举计算解决了模型图像与目标图像的对应点选取问题;通过将不同观测方位和不同旋转角度的样本图像边缘点的5点不变量集合作为输入向量对BP网络进行训练解决了由于仿射和射影变换造成规格化边缘点间距变化对正确分类的影响.算法不仅能识别多边形而且能识别曲线轮廓的目标物体.      

嵌入式大气数据传感系统的改进算法

简要介绍了嵌入式大气数据传感系统及其空气动力学模型,提出了求解动、静压和修正参数的改进算法.改进算法首先应用Moore-Penrose广义逆矩阵对非线性方程组进行简化.然后采用改进迭代算法和BP神经网络求解动、静压和修正系数.改进算法在精度、可靠性和实时性上都能满足系统的要求.应用BP神经网络,达到系统要求的精度所需要的计算时间只相当于原有算法的5%,具有更大的实时性优势.     

基于BP神经网络的商场建筑火灾风险评价

对影响商场建筑火灾安全的因素进行深入研究,构建评价指标体系。采用专家打分的方法取得了BP网络模型的学习样本。学习训练之后的BP模型被应用到商场建筑火灾风险综合评价之中,取得了满意的结果,验证了将人工神经网络和建筑火灾风险评价相结合的可行性。