基于三维点云重建的助推器位姿估计

助推器分离是运载火箭发射过程中的关键动作之一,常用的激光雷达姿态测量技术在助推器分离阶段受外界干扰严重,难以准确获得位姿。基于视觉的助推器位姿变化测量技术具有优秀的抗干扰能力,通过搭建三维点云重建网络,以图像为输入,三维点云为输出,在构建的助推器分离过程的图像 点云数据上进行了训练和测试,对测试重建的助推器点云使用主成分分析的方法完成了位姿的估算。测试结果表明,所建立的三维点云重建网络可以根据仿真图像数据,精确测量助推器分离阶段的位姿变化,在R2score指标下,对三维坐标的预测分数均在0.98以上,姿态角平均误差约为21°,预测分数则均在0.80以上。     

线缆耦合信号实时监测方法

线缆耦合是航电系统电磁干扰问题的主要来源之一,对其进行监测具有重要意义。利用线缆束中的非功能线作为监测线,实现了一种对功能线缆耦合到的干扰信号进行实时监测的方法。由于监测线与被测线具有相似的干扰场分布和布线路径,因此可以抵消二者的未知性和随机性带来的影响。将监测线与被测线视为相同的二端口网络,建立采用ABCD矩阵描述的端口电流相互关系,进而利用传输线理论建立频域解析模型,将其转化为离散时间模型并给出系统的信号流图,为硬件实现提供基础。以一个四芯传输线系统为例对本文方法进行了验证,与实测结果对比,端口电流峰值误差不超过6%,验证了本文方法的有效性和精度。     

基于卷积神经网络的遥感图像舰船目标检测

针对遥感图像背景复杂、受环境因素影响大的问题,提出一种将卷积神经网络(CNN)与支持向量机(SVM)相结合的舰船目标检测方法,利用卷积神经网络可自主提取图像特征并进行学习的优点,避免了复杂的特征选择和提取过程,在复杂海况背景图像的处理中体现出较优的性能;同时,由于军舰样本获取难度大,应用迁移学习的概念,利用大量民船样本辅助军舰目标的检测,取得较好的效果。通过参数调整与实验验证,此方法在自行建立的测试集上检测率达到90.59%,对光照、环境等外界因素具有一定程度的鲁棒性。     

神经网络在MIS子系统划分中的应用

在ＭＩＳ的开发过程中需要对ＭＩＳ进行子系统划分，本文提出了一种ＭＩＳ子系统划分的神经网络方法，即ＬＭ划分方法，该方法建立在Ｃ－Ｕ图的基础上，利用ＬＭ神经网络的学习和联想功能将一个ＭＩＳ划分成若干相对独立的子系统，实际划分结果证明，它是一种行之有效的新方法。     

BP算法各种改进算法的研究及应用

在简述ＢＰ网结构、算法及优缺点的基础上，详细研究了ＢＰ算法的改进方法及措施，即“步长自适应”、“训练集归一化”、“导数提升”、“各层变尺度”、“训练集重组”及“隐含层节点数的确定”。本文以实例在ＢＰ网的训练时间和预报精度两方面，将上述各改进的算法与经典算法做出对比，对比结果表明，合适地选取改进算法将大大加速ＢＰ网的训练时间并有效地提高ＢＰ网的预报精度。     

模糊逻辑的神经网络实现

研究了模糊控制中，模糊推理规则由多层神经网络实现问题。将模糊推理规则中的每一个规则的前件知识，直接嵌入神经网络的权中，然后利用神经网络的自学习功能；自动辨识控制规则，且对隶属函数进行微调整。其学习方法主要采用误差逆传播算法。     

实时多任务环境下MAP与BITBUS异构网络互连

ＭＡＰ的应用层提供了多种通信标准，其中ＭＭＳ（制造报文规范）是一种能够满足工厂环境中各种自动化设备之间通信需要的协议。在我国，ＢＩＴＢＵＳ网已被大量使用于底层设备互连，在技术和实现上都较成熟。本文以ＭＡＰ，ＢＩＴＢＵＵ网络体系结构和协议为基础，根据网络互连方法和原则，构造了一个应用层同关，提出了网关的物理模型，从而给出ＭＡＰ网与ＢＴＴＢＵＳ网互连的一种设计方案及在ＡＭＸ实时多任务环境下的互连实现。     

神经网络二次学习影响系数加权法及算例

神经网络由于其本身具有的优越性，已广泛应用于各个领域中的分类，联想问题，为了提高诊断准确度，给出了一种新的神经网络学习算法－二次学习影响系数加权法，并通过算例和实例对上述模型和算法进行了验证。     

一种带智能补偿器的神经网络控制器及其应用

为非线性控制系统设计了一种带智能补偿器的神经网络控制器。神经网络用来提供主要的控制输入信号,网络的训练可离线进行,网络的使用采用联想记忆方法。经神经网络控制器控制后,系统的实际输出值与期望值之间偏差不大,因此可将误差模型方程线性化。针对这一线性化模型,可以设计一个智能补偿器来补偿由于训练精度、干扰及时延等因素引起的系统误差。利用以上设计方法,本文对战斗机的“眼镜蛇”机动飞行控制进行了仿真研究,仿真     

适于惯导系统初始对准的神经网络实时算法研究

通常卡尔曼滤波器被用于解决惯导系统的初始对准问题。由于卡尔曼滤波的运算时间与系统阶次的立方成正比 ,所以当系统阶次较高时 ,滤波器会失去实时性。而神经网络具有函数逼近性能 ,实时性又好。为此 ,本文研究了一种基于扩展卡尔曼滤波原理的权值更新多层神经网络学习算法 ,对此算法进行了详细的推证 ,并将该算法运用到惯导系统的初始对准过程。仿真结果表明了这种神经网络结构用于惯导系统初始对准问题的有效性 ,既真正获得了与扩展卡尔曼滤波器相同的对准精度 ,又大大提高了系统的实时性