飞机纵向运动参数BP神经网络估算

针对飞机纵向运动方程复杂,现有的气动参数获得方法实现困难,不便于分析与控制飞机的运动,文中利用BP神经网络进行参数估算,建立了飞机短周期纵向运动参数估算的BP神经网络模型。研究了不同神经网络结构、不同的激励函数对飞机纵向参数估算BP网络模型的影响作用,进行了数字仿真,对误差进行原则性分析并提出改进措施。仿真结果表明,这种方法能较好的估计纵向运动方程中的未知参数。     

基于BP神经网络的飞机完好率建模研究

飞机完好率是检验航空兵部队装备作战能力的重要参数.首先研究了飞机完好率的定义及其计算公式,然后建立了飞机完好率的BP神经网络预测模型,仿真结果验证了该模型的精确性和有效性.     

无线传感器网络定位算法改进

提出了一种建立在TEEN协议基础之上反应式网络的应用.反应式网络是一种对适时性要求较高的网络,用三角定位法对传感器节点进行定位,在定位的基础上,使得簇首节点的选定更为容易,在一定程度上能节省节点能源、延长网络寿命.     

基于NB-IoT技术和GA-BP神经网络的车位预测系统

围绕有效整合城市停车资源,提高现有车位存量利用率的需求,构建了一种基于NB-IoT技术的车位预测系统。该系统采用NB-IoT技术进行信息采集与传输实现车位信息的共享;考虑到车位状态信息实时变化的特性,用历史车位占用数据来建立车位预测模型,推测出未来短时内车位变化趋势。为了提高车位预测的精度,采用遗传算法(Genetic algorithm,GA)优化反向传播(Back propagtion,BP)神经网络建立GA-BP神经网络车位预测模型。以某地下停车场历史数据为例进行仿真实验,研究结果表明:车位预测模型预测值与实际值相近且趋势保持一致,能够有效准确的预测车位状态变化,具有较高的精度。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system,BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接,网络权值可以用求解伪逆的方法快速求得,避免了耗时的训练过程,从而成为快速而高效的学习方法。然而在追求高精度结果的过程中,BLS对于增强节点数量的需求过于巨大,容易造成过拟合问题。为此,本文提出了基于函数链神经网络（Functional-link neural network,FLNN）的深度分类器（FLNN based deep classifier,FLNNDC）,旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构,每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点,而不是全部映射节点。和原宽度结构相比,在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。     

永磁球形电机的神经网络自适应控制算法

介绍了具有三维位置检测功能的三自由度永磁球形电机工作原理及其运动控制方法.结合球电机结构特性,基于XYZ 欧拉角和拉格朗日方程建立了球电机运动学及动力学模型.为了解决动力学模型建模误差、摩擦力和外界干扰等对球电机工作性能的影响,设计了神经网络逼近模型,并将其应用于球电机的控制之中.仿真结果表明这种控制方法与传统方法相比可以有效提高球电机的抗干扰能力,在建模误差比较大的情况下仍可以保证球电机的运动精度,其结果可以为进一步的球电机精密运动控制理论研究和实验方案设计提供借鉴和参考.      

A new global version of M(3000)F2 prediction model based on artificial neural networks

A new version of global empirical model for the ionospheric propagation factor, M(3000)F2 prediction is presented. Artificial neural network (ANN) technique was employed by considering the relevant geophysical input parameters which are known to influence the M(3000)F2 parameter. This new version is an update to the previous neural network based M(3000)F2 global model developed by Oyeyemi et al. (2007), and aims to address the inadequacy of the International Reference Ionosphere (IRI) M(3000)F2 model (the International Radio Consultative Committee (CCIR) M(3000)F2 model). The M(3000)F2 has been found to be relatively inaccurate in representing the diurnal structure of the low latitude region and the equatorial ionosphere. In particular, the existing hmF2 IRI model is unable to reproduce the sharp post-sunset drop in M(3000)F2 values, which correspond to a sharp post-sunset peak in the peak height of the F2 layer, hmF2. Data from 80 ionospheric stations globally, including a good number of stations in the low latitude region were considered for this work. M(3000)F2 hourly values from 1987 to 2008, spanning all periods of low and high solar activity were used for model development and verification process. The ability of the new model to predict the M(3000)F2 parameter especially in the low latitude and equatorial regions, which is known to be problematic for the existing IRI model is demonstrated.     

基于概率神经网络的相似度排序方法

为了研究相似度排序问题,对概率神经网络的结构进行了分析,对其输出进行了改进,使之输出后验概率,进而进行相似度排序。结合电火工品发火性能的预测问题,对方法进行了验证,结果表明：基于概率神经网络的相似度排序方法与实际结果相符,方法是可行的。     

DCR系统的信道编译码方法研究

数字对讲机协议的制定是当前研究的热点,而信道编译码技术又是数字对讲机的关键技术之一.DCR系统吸收了dPMR系统的信道编译码方式的优点,同时采用删除卷积码纠错技术,提高了对传输差错的控制能力.对基于DCR协议的编译码方案和删除卷积码的编译码方法进行了研究,对不同编译码方式的误码率进行了深入分析.仿真结果表明：在多径衰落信道下,删除卷积码可以有效的纠正突发错误,大大降低误码率.     

基于加权鉴别函数的二进制偏移载波信号跟踪方法

在移除二进制偏移载波（Binary Offset Carrier,BOC）信号跟踪模糊的同时,为了保持BOC信号高的码跟踪精度,提出基于加权鉴别函数（Weighted Discriminator Function,WDF）的BOC信号无模糊跟踪方法。WDF使用非相干超前减滞后功率（Noncoherent Early Minus Late Power,NELP）鉴别器和子载波相位消除（Sub Carrier Phase Cancellation technique,SCPC）鉴别器,生成无误锁点的鉴别函数实现BOC信号跟踪。针对BOC(10,5)信号,仿真结果表明,相比于SCPC、基于伪相关函数的无模糊延迟锁定环（Pseudo correlation function based Unambiguous Delay Lock Loop,PUDLL）方法和对称脉冲模糊移除（Symmetrical Pulse Ambiguity Removing,SPAR）方法,所提WDF方法在码跟踪误差方面分别改善了2.5dB、5.5dB与8.3dB,多径误差分别降为60.4%、32.8%与38.0%。因此,WDF是一种有效的、高性能的BOC信号无模糊跟踪方法。