BP网络实时图像自动选取算法研究

实时图像的自动选取是景像匹配自动化的关键技术.提出了一种基于神经网络的实时图像自动选取算法.仿真研究表明,引入Sobel算子的3层BP网络实时图像自动选取算法结构简单、训练时间短和分类准确性高,其并行处理能力能满足景像匹配技术的实时性要求.经最小二乘和Bayes精匹配算法检验,实时图经此网络选取、粗匹配和精匹配,可达到高于0.5像素的定位精度.     

故障诊断神经网络系统的专家知识表达方法

通过介绍其它故障诊断技术存在的问题，研究了故障诊断神经网络系统，提出了两种故障诊断神经网络的专家知识表达方法，并将其应用于飞行器液压动力系统的故障诊断，仿真结果表明：提出的方法是正确可行的，并且专家知识表达方法对诊断结果有很大影响，该方法可推广应用于其它动力系统的故障诊断     

基于遗传算法的神经网络优化

针对神经网络结构的设计基本上依赖于人的经验的缺点，提出了一种利用遗传算法优化神经网络的算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性，对神经网络的连接权和结构进行了优化，剔除整个网络冗余节点和冗余连接权，提高了网络的处理能力。通过实例证明该算法具有很高的精度，在机械故障诊断中具有良好的应用前景。     

无人直升机的自适应非线性控制

最近几年，许多仿真结果都揭示了基于神经网络的直接自适应控制在飞行控制系统设计中的发展潜力。其中最重要的一点就是显著降低了对系统动态模型的要求。本文把该方法应用于无人直升机，给出了自适应姿态控制系统和跟踪控制器的设计方法。通过，数字仿真表明该控制方法有良好的跟踪控制性能。     

遥测帧码数字相关检测器的神经网络实现

建立了一种利用遥测最佳帧同步码的符合度特征和多比特观测窗 数字相关检测器模型，基于模糊利用神经网络实现了这种数字相关检测器，它对帧码出现的误码的码元滑动的情况均有较高的检测率，实现结果主宰了这些结论。     

基于卫星质保体系的神经网络模型

针对质保体系基础上的卫星产品保证管理，应用多层前馈神经网络原理和方法，建立了基于无卫星产品保证要求的质保体系与基于卫星产品保证要求的质保体系神经网络模型，以用神经网络模来模拟和控制卫星产品的质量水平；并用模比较了两种质保体系的联系与区别。     

移动卫星网星际路由协议及算法的现状分析

基于卫星网的全球移动通信将成为未来通信发展的一个重要方向。对目前国际上已经提出的几种主要的移动卫星网星际动态路由协议及算法进行分类和介绍,并且针对每一种协议或算法分析其优缺点。最后对整体的情况作一总结。     

Using neural networks to determine the optimum solar input for the prediction of ionospheric parameters

Neural networks (NNs) are proving to be ideal tools for modeling the behaviour of the ionosphere. The NNs are trained using a database of archived data describing the relationship between the output parameter and an input space. The input space is designed from knowledge of those variables that affect the behaviour of the output parameter. For ionospheric parameters this input space would always include a solar variable due to the strong influence that the sun has on ionospheric behaviour.     

基于可编程控制网关的一体化网络体系结构

当前IP网络和非IP网络长期共存,协议体系和通信体制互不相同,异构网络的互联互通困难.针对这个问题, 首先从异构网络间连接的关键节点——网关出发,通过将网关底层的数据转发和控制功能分离,并将网关上层的管控功能和应用服务功能抽取出来,提出了一种基于可编程控制网关的一体化网络体系结构.该系统结构将网络分为一体化网络协同管控单元、子网间可编程控制网关节点和异构子网3层,设计了基于典型异构网络的互联协议栈,以集成不同的网络协议.进一步在一体化网络构架的基础上,给出并分析了异构网络的抽象与描述、基于可编程网关的异构子网智能适配技术、一体化网络的资源管理与协同优化理论等关键技术.最后基于民用航空通信给出了一个异构互联示例,表明一体化网络体系结构的可行性.      

基于分层思路的动态非线性气动力建模方法

很多非线性气动力模型难以精确预测系统的小扰动线性特征。针对这一局限,提出了一种非线性分层模型,用于辨识跨声速非线性非定常气动力。分层建模需要同时提供微幅振荡和大幅振荡两套训练样本,首先通过线性模型(如带外输入的自回归(ARX)模型)对微幅振荡样本进行建模,而后采用非线性模型(如径向基函数神经网络(RBFNN))对大幅振荡的样本与线性模型的差量进行建模,进而把线性模型和非线性模型的输出相叠加,得到分层非线性动力学模型。算例表明建立的分层气动力模型与单一自回归径向基函数(AR-RBF)神经网络模型相比不仅具有更高的数值精度,可以精确预测大幅运动中的非线性特征,而且在小扰动状态下自动退化为线性模型,能够精确刻画结构微幅振荡下的线性动力学特性。