基于神经网络的磁平静期赤道电集流预测

利用BP神经网络技术分别对2008年后磁平静期印度扇区、秘鲁扇区以及CHAMP卫星的赤道电集流(EEJ)变化进行预测,其中神经网络训练数据为对应的2000-2007年磁平静期EEJ观测数据,输入参量为天数、地方时、太阳天顶角、太阳活动指数(F10.7)、太阴时以及卫星地理经度,输出参量为EEJ.对EEJ预测结果进行了统...     

基于条件生成对抗网络的HDR图像生成方法

高动态范围（HDR）图像相比低动态范围（LDR）图像有更宽的色域和更高的亮度范围,更符合人眼视觉效果,但由于目前的图像采集设备大都是LDR设备,导致HDR图像资源匮乏,解决该问题的一种有效途径是通过逆色调映射将LDR图像映射为HDR图像。提出了一种基于条件生成对抗网络（CGAN）的逆色调映射算法,以重建HDR图像。为此,设计了基于多分支的生成对抗网络与基于鉴别块的鉴别网络,并利用CGAN的数据生成能力和特征提取能力,将单张LDR图像从BT.709色域映射到对应的BT.2020色域。实验结果表明:与现有方法相比,所提出的网络能够获得更高的客观与主观质量,特别是针对低色域中的模糊区域,所提方法能够重建出更清晰的纹理与细节。      

智能材料结构的研究进展

智能材料结构是当前国内外研究的热门课题，进展很快。它的兴起将冲击材料研究部门，并引起了结构设计部门的变革。本文主要介绍埋入传感元件、驱动元件并采用人工神经网络、图形特征识别及新型声发射系统的三种强度自诊断智能结构，埋入形状记忆合金丝的大面积强度自适应结构，以及预报材料疲劳寿命、减振降噪、无舵面机翼和光电红外隐身等智能结构的研究进展。     

神经网络控制在综合火力／飞行系统中的应用

提出了两种基于模糊控制的神经网络控制器的设计方案，并将这两种控制器应用于综合火力／飞行系统的耦合控制。两种方法的主要差别在于获取样本的方式不同。方案１是通过对模糊控制方法得到的响应曲线采样获取样本，由Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法训练神经网络，得到一组固定权值。神经网络控制器采用这组权值以“联想记忆”的方式工作。方案２则从用模糊控制算法得到的控制查询表中获取样本。因为模糊控制查询表比较大，采样时依据该表构成的相平面图的特点，对采样点数进行了压缩，使所设计的神经网络的规模可以接受，其余的设计步骤与方案１基本相同。仿真结果表明，采用这两种神经网络控制器的控制系统都具有良好控制性能     

高超声速飞行器预设性能反演控制方法设计

为解决吸气式高超声速飞行器的飞行控制问题,提出了一种新型预设性能神经反演控制器设计方法。通过构造预设性能函数,保证速度跟踪误差和高度跟踪误差能够按照预设的收敛速度、超调量及稳态误差收敛至期望的区域,同时满足系统预设的瞬态性能和稳态精度。在反演控制设计结构下,引入径向基函数（RBF）神经网络对模型未知函数及不确定项进行逼近,提高了控制系统的鲁棒性。引入的RBF神经网络中仅有一个参数需要在线更新,有效提高了控制准确性,避免了通常反演控制方法中经常出现的"微分膨胀问题",并降低了计算量。通过仿真实验验证了所设计控制系统的有效性和可行性。      

基于平流层风场预测的浮空器轨迹控制

平流层风场环境对浮空器设计和轨迹控制具有重要影响。针对平流层风场建模,以长沙地区2005—2010年的风场数据为例,首先采用本征正交分解（POD）方法对风场数据进行降阶处理;然后分别采用Fourier级数与BP神经网络算法对平流层风场进行预测,并对2种模型的预测精度进行比较分析;最后通过建立临近空间浮空器的动力学模型和高度调控模型,分析2种风场预测模型对浮空器轨迹控制的影响。研究结果表明,相对于Fourier预测模型,基于BP神经网络预测模型的预测精度更高,可信度更强,能够更好地为浮空器飞行轨迹控制提供参考价值。      

基于视频的三维人体姿态估计

已有的三维人体姿态估计方法侧重于通过单帧图像来估计人体的三维姿态,忽略了视频中前后帧之间的相关性,因此,通过挖掘视频在时间维度上的信息可以进一步提高三维人体姿态估计的准确率。基于此,设计了一种可以充分提取视频时序信息的卷积神经网络结构,在获得高精度的同时也具有消耗计算资源小的优点,仅仅使用二维关节点的坐标为输入即可恢复完整的三维人体姿态。然后提出了一种新的损失函数利用相邻帧间人体姿态的连续性,来改进视频序列中三维姿态估计的平滑性,同时也解决了因缺少帧间信息而导致准确率下降的问题。通过在公开数据集Human3.6M上进行测试,实验结果表明本文方法相比目前的基准三维姿态估计算法的平均测试误差降低了1.2 mm,对于视频序列的三维人体姿态估计有着较高的准确率。      

基于神经网络的机器人迭代学习控制

针对机器人动力学模型的不确定性和负载扰动,提出了一种采用神经网络的机器人迭代学习控制方法。该方法将反馈控制和神经网络学习控制相结合,反馈控制沿时间轴方向使关节运动跟踪期望轨迹,神经网络学习控制沿迭代轴方向使关节运动逼近期望轨迹。文中还给出了基于ＢＰ神经网络的学习控制算法。仿真结果表明,该方法能克服机器人动力学模型的不确定性和负载扰动,具有良好的鲁棒性和控制性能。     

非线性系统的动态神经网络自适应辨识

提出了用双层动态神经网络在线辨识非线性动态系统的方法。神经网络的权重在线学习,不需要离线训练。在无逼近误差和扰动的理想情况下,所提出的在线算法能保证辨识误差趋于零,基函数持续激励条件能保证权重趋于零。在非理想情况下,权重调整律采用ｅ修正权重算法,它是ＢＰ算法的推广,不需要基函数的持续激励条件。基于李雅普诺夫稳定性理论保证了自适应辨识系统的稳定性。仿真算例说明了所提出的动态神经网络自适应辨识的有效性     

基于Hamming神经网络聚类分析的进化策略

本文提出了一种基于Ｈａｍｍｉｎｇ神经网络聚类分析的进化策略,模糊自适应Ｈａｍｍｉｎｇ神经网络各类族的权重矢量纪录被进化搜索过的区域,并相应妄下该区域内最优个体和它的适应度,因此通过Ｈａｍｍｉｎｇ神经网络对进化个体的聚类分析,进化策略具有搜索记忆性,可以充分保证下一代遗传群体中个体遗传基因的丰富性,从而避免早熟现象的发生,这种进化策略还可以避免在被搜索过的区域内的无用搜索,进而加快进化策略的收敛速度