双变异率自适应遗传算法研究及其应用

针对标准遗传算法的不收敛性，提出一种双变异自适应遗传算法，即通过全局变异算子和局部变异算子共同作用，增加种群的多样性，提高算法的全局收敛能力。实例证明：改进算法具有很好的寻优能力和效率。     

基于径向基函数神经网络的自由曲面重构

根据径向基函数神经网络（RBFNN）具有很强的非线性逼近能力的优点，本文采用RBF网络模型进行自由曲面重构，建立了适应于曲面重构的径向基函数网络模型，讨论了基函数对重构曲面连续性的影响，并与多自由曲面重构，建立了适应于曲面重构的径向基函数风络模型，讨论了基函数对重构曲面连续性的影响，并与多层感知器神经网络的性能进行对比。理论分析和仿真实验结果表明：常用的几种径向基函数重构的曲面都具有很好的连续性，径向基函数网络用于曲面重构，不论是在拟合精度，还是网络的训练速度都明显优于多层感知器网络，具有一定的实用价值。     

SOM神经网络在卫星电源系统故障诊断中的应用

研究了自组织特征映射（SOM）神经网络的结构及学习算法，提出了利用SOM神经网络对输入样本的“聚类”作用，实现对故障模式的分类，并据此对故障进行诊断的新方法，通过对某卫星电源系统故障的诊断实例，验证了该方法是有效可行的，能对卫星电源系统的故障进行准确的实时诊断。     

应用于现代通信中的宽带接入技术

现代通信正向高速宽带化发展，宽带接入成为近年来的研究热点。本文探讨了宽带接入的技术和方法，阐述了其特点和应用，并指出了接入网的发展趋势。     

Neural Network aided PMSM multi-objective design and optimization for more-electric aircraft applications

This study uses the Neural Network(NN) technique to optimize design of surfacemounted Permanent Magnet Synchronous Motors(PMSMs) for More-Electric Aircraft(MEA)applications. The key role of NN is to provide dedicated correction factors for the analytical PMSM mass and loss estimation within the entire design space. Based on that, a globally optimal design can be quickly obtained. Matching the analytical estimation with Finite-Element Analysis(FEA) is the main research target of training the NN. ...     

神经网络在模拟系统故障诊断中的应用

模拟系统的故障检测诊断对于电路设计,ＶＬＳＩ等具有重要意义。而元器件的实际值究竟是有效值还是故障值,以及如何在大规模电路中测量判定它都是一个研究课题。本文利用神经网络的鲁棒性及模拟故障分析中的Ｍｏｂｉｕｓ变换,提出了一种用神经网络帮助故障诊断的有效方法,解决了线性模拟系统的诊断问题。     

自由漂浮空间机器人神经网络自适应补偿控制

针对更具工程价值的任务空间内的自由漂浮状态空间机器人模型不确定性末端控制问题,提出了一种自适应神经网络控制策略用于机器人末端控制.通过神经网络在线建模来逼近系统中的非线性模型,神经网络的逼近误差及外界有界扰动通过鲁棒控制器来消除,采用引入GL矩阵及其乘法算子"·"来直接辨识的各部分系统参数.该控制策略既不需要逆动态模型的估计值,同时也避免了求雅克比矩阵的逆,降低了计算量.基于李亚普诺夫理论证明了整个闭环系统全局渐近稳定.仿真结果表明了这种神经网络控制器对于任务空间的空间机器人末端控制在达到较高的精度的同时,能够满足实时性要求,具有重要的工程应用价值.     

NVNA谐波相位检验件设计及定标

本文介绍了一种用于检验非线性网络分析仪谐波相位指标的检验件设计方法,并搭建了基于实时示波器的测量系统对谐波相位进行定标。通过高速实时示波器对检验件的输出信号进行采样,利用傅立叶变换提取谐波相位信息。为了得到高准确度的测量结果,采用去缠绕、最小二乘等算法对相位结果进行优化处理。实验结果表明,该方法可以作为NVNA谐波相位指标的验证手段对NVNA的谐波相位进行验证。     

基于人工智能技术的雷达目标检测

强杂波背景下的目标检测是各国争相研究的热点,传统的雷达目标检测技术无法实现,人工智能技术的出现,其在目标识别和特征提取方面的独特优势,使得强杂波背景下的目标检测成为可能,利用人工智能神经网络的强大非线性预测能力对海杂波的非线性动力方程进行逼近,实现了对海杂波的非线性预测,提出了一种基于神经网络技术的强海杂波背景下的脉冲多普勒雷达导引头小目标检测方法,使得强海杂波背景下的目标检测能力有2 dB到6 dB的提升。     

An attempt to study long-term variation of sporadic E layers using neural networks

Strong positive correlation between sporadic E layers and the solar activity and the long-term declining trend of Es were found in this paper. Then the feed-forward back propagation neural networks (NNs) were used to simulate the long-term variation of Es at four stations and predict foEs yearly average values. The inputs used for NNs are the yearly mean values of foEs in the daytime of the past ten years and the yearly averaged data of solar 10.7 cm radio flux (F107) of the present year, and the output is the present yearly mean value of daytime foEs. The outputs of trained NNs have high correlation with the desired values and the foEs yearly mean values predicted by NNs have good agreement with the observed data. The results indicate that NNs can make full use of the observed data to simulate the long variation rule of Es. Also, the results confirm the effect of solar activity on Es.