基于群体进化策略的电磁态势预测

针对战场电磁态势预测问题,基于群体智能优化算法的可靠性与全局性等特点,提出了一种利用融合Cholesky因子更新的CMAES算法优化的RBF神经网络方法,利用在CMAES算法中添加Cholesky的秩-μ更新来提高算法的速度和准确度,提高网络学习的效率与预测精度。仿真实验验证了该方法可以有效提高电磁态势的运算速度与精度。     

基于DDPG的航天器性能-故障关系图谱推理方法研究

对深度确定性策略算法进行改进,结合图注意力网络,提出将知识与人工智能结合的航天器故障推理方法.在构建航天器部件级知识图谱的基础上,根据航天器知识图谱的结构、语义配置强化学习的环境,设置独特的奖励函数、策略网络与价值网络.针对航天器知识图谱的图结构数据特性,引入图注意力机制进行更为准确的故障定位.模拟故障发生情况进行实验验证,实验结果表明该方法能够由测点与测点特征出发进行反向故障推理,获得故障路径,快速自主定位发生故障的功能模块与故障模式.     

POD-BPNN预测模型及结冰条件不确定性量化

当前,数值模拟作为研究飞机结冰的主要手段之一,在计算结冰冰形时会引入大量参数不确定性,并影响数值模拟的精度和可信度。发展不确定性量化方法,科学量化这种不确定性对评估数值模拟结果具有重要意义。针对传统参数不确定性量化方法难以解决高维输入到输出的问题,基于本征正交分解和误差反向传播神经网络,提出了一种结冰冰形预测代理模型。以水滴中值粒径和温度为例,验证了代理模型单输入参数和双输入参数情况下的精度和泛化能力。最后,在代理模型计算的冰形基础上,结合蒙特卡洛采样,利用2σ准则确定结冰范围,发现水滴中值粒径不确定性主要影响明冰的冰角生长,而温度和水滴中值粒径不确定性的叠加主要作用于霜冰厚度。该研究为后续多结冰条件的影响分析和多维输入到输出的不确定性量化提供了思路。     

基于神经网络的降落伞落点散布快速生成方法

为了解决使用蒙特卡洛法计算降落伞落点散布慢的问题,提出了组合使用降落伞运动模型和神经网络产生落点散布,并利用硬件加速神经网络推理过程的方法。降落伞运动模型用于产生散布中心,神经网络用于产生相对于散布中心的落点。验证了两种不同结构的神经网络：多层感知器和转置卷积神经网络。发现降落伞运动模型结合多层感知器计算得到的降落伞落点散布和使用蒙特卡洛法计算得到的落点散布最为接近。同时,降落伞运动模型和多层感知器或者转置卷积神经网络组合使用都可以达到实时计算降落伞落点散布的效果。因此,提出的方法可以较好地应用于高时效性场景下的降落伞落点散布计算。     

模糊控制和神经网络相融合的研究及其在家电产品中应用

综述了模糊控制和神经网络相融合的研究，列举了若干种由神经网络实现模糊规则和模糊控制器的方法．这些利用神经网络的模糊控制器，能自动地辨识控制规则和校正隶属函数．最后叙述了该方法在家电产品中的应用。     

基于智能PID和扩张状态观测器的姿态控制方法

针对在实际工程中人工设计飞行器姿态控制参数造成工作量大的问题,提出一种基于模型参考自适应控制的神经网络姿态控制方法.首先在模型参考自适应控制的基本框架下,利用BP神经网络的自学习特性,实现PID控制参数的自适应整定.随后设计了两阶线性扩张状态观测器以对控制量进行补偿,并对观测器进行了误差分析.仿真结果表明通过神经网络训...     

弹道导弹显式制导的分析与研究

弹道导弹的制导方法是影响弹道导弹命中精度的关键因素。本文对此进行了深入研究。文章首先分析了影响制导精度和速度的原因。在此基础上，提出了一种基于神经网络的显式制导方法，这种方法利用神经网络进行弹道约束函数的解算，利用微分控制算法进行控制量求解，具有较好的应用价值，文中算例验证了算法的有效性。     

一种预测潜射导弹冷发射过程中筒盖上最大压力值的鲁棒算法

由于水下发射的特殊性和复杂性，传统的数据回归方法很难准确地预测潜射导弹冷发射过程中筒盖的最大压力值，因此，本文基于神经网络，结合遗传算法，提出并详细介绍了一种预测筒盖最大压力值的鲁棒算法。     

硝胺固体推进剂燃烧性能计算的神经网络方法

传统的燃烧模型致力于对固体推进剂燃烧的物理化学过程的数学描述，其发展往往受到对推进剂燃烧机理认识程度的限制，本文利用误差反转（ＢＰ）神经网络建模的方法建立了硝胺固体推进剂燃烧性能及其影响因素（硝胺含量、压强、硝胺重均粒径）的定量关系，而不考虑燃烧的具体过程，根据此定量关系对硝胺固体推进剂燃烧性能的计算表明，计算结果和实验值吻合得较好，这为推进剂配方的计算机辅助设计提供了一种新方法。     

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。