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BP神经网络的飞行绩效评价模型

为实现飞行绩效的客观评价,利用眼动数据,建立了拓扑结构为6-14-3型的BP(Back Propagation)神经网络模型.已有的实验数据和随机插值法得到的数据作为建模的数据来源,数据分为训练集和测试集并归一化.基于Matlab的神经网络工具箱,利用经验公式和实验比较法确定了BP网络模型的隐含层节点数;对BP算法的各种改进算法进行了优化选择;将训练集数据和测试集数据先后输入网络模型进行学习训练和仿真测试;对3个技术水平的飞行员的飞行绩效进行了预测和评价.研究表明,眼动数据的BP神经网络模型可以较为准确地评价飞行绩效,评价方法可以为飞行训练提供参考.     

基于GAN网络的红外图像生成技术

当将人工智能技术应用于军事领域中的目标识别任务时,针对由红外图片采集的局限性而造成的训练数据不足的问题,提出了基于生成对抗网络以生成红外图像的方法,实现了数据集的扩充。对基本的生成对抗网络进行了改进,将网络的输入由随机噪声变为真实图片,使之实现了图片到图片的风格转换,即彩色图片转变为红外图片。经过网络模型的搭建和训练,实验结果表明,该方法能够有效生成清晰和高质量的红外图片,解决了由红外数据不足而造成的网络训练不充分的问题。     

智能材料结构的研究进展

智能材料结构是当前国内外研究的热门课题，进展很快。它的兴起将冲击材料研究部门，并引起了结构设计部门的变革。本文主要介绍埋入传感元件、驱动元件并采用人工神经网络、图形特征识别及新型声发射系统的三种强度自诊断智能结构，埋入形状记忆合金丝的大面积强度自适应结构，以及预报材料疲劳寿命、减振降噪、无舵面机翼和光电红外隐身等智能结构的研究进展。     

神经网络控制在综合火力／飞行系统中的应用

提出了两种基于模糊控制的神经网络控制器的设计方案，并将这两种控制器应用于综合火力／飞行系统的耦合控制。两种方法的主要差别在于获取样本的方式不同。方案１是通过对模糊控制方法得到的响应曲线采样获取样本，由Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法训练神经网络，得到一组固定权值。神经网络控制器采用这组权值以“联想记忆”的方式工作。方案２则从用模糊控制算法得到的控制查询表中获取样本。因为模糊控制查询表比较大，采样时依据该表构成的相平面图的特点，对采样点数进行了压缩，使所设计的神经网络的规模可以接受，其余的设计步骤与方案１基本相同。仿真结果表明，采用这两种神经网络控制器的控制系统都具有良好控制性能     

高超声速飞行器预设性能反演控制方法设计

为解决吸气式高超声速飞行器的飞行控制问题,提出了一种新型预设性能神经反演控制器设计方法。通过构造预设性能函数,保证速度跟踪误差和高度跟踪误差能够按照预设的收敛速度、超调量及稳态误差收敛至期望的区域,同时满足系统预设的瞬态性能和稳态精度。在反演控制设计结构下,引入径向基函数（RBF）神经网络对模型未知函数及不确定项进行逼近,提高了控制系统的鲁棒性。引入的RBF神经网络中仅有一个参数需要在线更新,有效提高了控制准确性,避免了通常反演控制方法中经常出现的"微分膨胀问题",并降低了计算量。通过仿真实验验证了所设计控制系统的有效性和可行性。      

基于神经网络的机器人迭代学习控制

针对机器人动力学模型的不确定性和负载扰动,提出了一种采用神经网络的机器人迭代学习控制方法。该方法将反馈控制和神经网络学习控制相结合,反馈控制沿时间轴方向使关节运动跟踪期望轨迹,神经网络学习控制沿迭代轴方向使关节运动逼近期望轨迹。文中还给出了基于ＢＰ神经网络的学习控制算法。仿真结果表明,该方法能克服机器人动力学模型的不确定性和负载扰动,具有良好的鲁棒性和控制性能。     

非线性系统的动态神经网络自适应辨识

提出了用双层动态神经网络在线辨识非线性动态系统的方法。神经网络的权重在线学习,不需要离线训练。在无逼近误差和扰动的理想情况下,所提出的在线算法能保证辨识误差趋于零,基函数持续激励条件能保证权重趋于零。在非理想情况下,权重调整律采用ｅ修正权重算法,它是ＢＰ算法的推广,不需要基函数的持续激励条件。基于李雅普诺夫稳定性理论保证了自适应辨识系统的稳定性。仿真算例说明了所提出的动态神经网络自适应辨识的有效性     

基于Hamming神经网络聚类分析的进化策略

本文提出了一种基于Ｈａｍｍｉｎｇ神经网络聚类分析的进化策略,模糊自适应Ｈａｍｍｉｎｇ神经网络各类族的权重矢量纪录被进化搜索过的区域,并相应妄下该区域内最优个体和它的适应度,因此通过Ｈａｍｍｉｎｇ神经网络对进化个体的聚类分析,进化策略具有搜索记忆性,可以充分保证下一代遗传群体中个体遗传基因的丰富性,从而避免早熟现象的发生,这种进化策略还可以避免在被搜索过的区域内的无用搜索,进而加快进化策略的收敛速度