智能制造系统调度的一种随机神经网络求解法

首先提出了调度系统的概念，即智能控制系统智能调度应从整体指标出发，综合研究集零件加工智能调度和产品装配智能规划于一体的调度技术，然后，给出了智能控制系统智能调度的神经网络模型的能量函数，并讨论了一种改进的模拟退火过程来求解最优解的方法。     

应用端部效应改善的LS+NN模型进行日长变化预报

现有ΔLOD(Delta Length-Of-Day,日长变化)预报模式在进行周期项与残差项拟合分离时,通常没有考虑LS(Least Squares,最小二乘)拟合序列的端部效应,预报精度难以取得较大提高。针对端部效应现象,首先采用时间序列分析模型在ΔLOD序列两端进行数据延拓,构成一个新序列,然后用新序列求得LS外推模型系数,再结合LS外推模型和NN(Neural Network,神经网络)对原始ΔLOD序列进行预测。算例表明,在ΔLOD序列两端增加延拓数据,能有效改善LS拟合序列的端部效应;端部效应改善的LS+NN模型的预报精度明显优于常规LS+NN模型,精度最大提高了17.86%。该方法不仅适用于LS+NN模型,也适用于LS外推模型与其他模型的组合。     

混合小推力航天器轨道保持高性能滑模控制

针对采用太阳帆、太阳电混合小推力推进的航天器，研究了其在日心悬浮轨道的保持控制问题。为解决已有控制方法中未综合考虑内部未建模动态和外部未知扰动的问题，以及进一步提高系统控制性能，设计了一种高性能滑模控制策略。首先，考虑模型不确定性，建立了混合小推力航天器在日心悬浮轨道柱面坐标系的动力学方程；其次，基于改进型条件积分滑模面和径向基（RBF）神经网络设计了控制律，结合自适应方法在线估计不确定参数；接着，将求取的虚拟控制量在推进剂最优条件下转换成实际控制量，即太阳帆姿态角和太阳电推进力；最后，数值仿真验证了上述设计方法提高了系统鲁棒性，减小了轨道位置超调，并且混合推进相比于单一太阳帆推进，在更短收敛时间内控制精度提高了4个数量级，相比于单一太阳电推进，一年可以节省约89.6%的推进剂。     

基于改进BP算法的复杂武器系统健康状态评估CSCD

根据复杂武器系统指标体系的确定原则:系统性原则、完整性原则、独立性原则、可比性原则、可操作性原则和定性与定量相结合的原则,建立了某复杂武器系统健康指标体系;分析了基本BP神经网络的优点及BP算法的缺陷,研究了一种改进的BP算法;建立了某复杂武器系统健康管理BP神经网络结构;对某复杂武器系统健康状态进行了评估,验证了指标体系的合理性。     

运动工件上字符识别系统研究

在恶劣的工业现场环境中，拍摄的工件图像会失真，为此提出了在一定噪声和模糊范围内能够正确识别字符标号的方法。工件在传送过程中可能发生偏移，使得被测件与摄像镜头的相对位置不确定，所获得的图像会发生偏转或平移，为此提出了解决字符的平移，缩放及旋转问题的方法；设计了神经网络识别系统。     

一种辐射源快速识别新方法

针对现有辐射源识别方法不能识别参数交叠的雷达信号以及BP神经网络迭代速度慢、识别效率低的缺点,设计出一种采用改进概率神经网络的实时快速识别方法。该方法构造的特征兼具单个脉冲参数统计特性和雷达参数变化整体特性两个层面的信息,进而可以对参数交叠的雷达信号进行有效识别。同时,该方法还对概率神经网络进行了改进,使之具备识别出未知雷达信号的能力。仿真实验表明,此方法在显著提高了识别率的同时,还具有良好的抗噪性和鲁棒性。     

基于STEP和改进神经网络的STEP-NC制造特征识别方法

特征识别是实施STEP-NC重要的一步，也是实现开放式、智能化和网络化STEP-NC数控系统的关键。本文提出了一种基于STEP和改进神经网络的STEP-NC制造特征识别方法。该方法首先在对STEP AP203中性文件进行几何拓扑信息提取后，基于边的凹凸性判断构建了零件最小子图。然后，将混沌算法、遗传算法与BP神经网络算法有机相结合提出了改进的BP神经网络。最后，通过将获得的零件模型最小子图信息数据输入到改进的BP神经网络，实现了对STEP-NC制造特征高效精准地识别。通过实例验证了该方法的有效性和可行性。     

基于模糊神经网络的单路口智能控制方法

本文采用人工神经网络和模糊控制技术,结合各个车道的到车率,提出一种全新的智能交通控制方法。仿真结果表明该方法控制效果明显。     

基于改进DQN的复合模式在轨服务资源分配

针对开展在轨服务前的资源分配非线性多目标优化问题，构建复合服务模式下的在轨资源分配模型，基于对DQN （Deep Q-Network）方法的收敛性和稳定性改进，提出了一种在轨服务资源分配方法。该方法能够应对同时包含"一对多""多对一"的复合服务模式，并在满足预期成功率的前提下优先分配重要服务对象，兼顾资源分配综合效益和总体能耗效率，达到了以期望成功率、较少资源投入尽快完成任务的综合目标。仿真实验表明，改进DQN方法能够在任务执行前依据服务对象重要程度自主分配航天器资源，收敛速度快、训练误差低，在分配效益和总体能耗的优化方面具有明显的比较优势。