基于改进Yolov3 算法的舰船目标检测识别系统

针对复杂战场环境下对海目标检测识别的需求,设计了一种基于改进Yolov3 算法的海面舰船目标实 时检测识别系统。使用微调分类网络、增加训练尺度、聚类目标边框维度、二级特征分类等方法对Yolov3 检 测识别网络模型进行了优化,在提高识别精度的同时有效降低了漏检率和虚警率。实验结果表明,优化后的网 络模型在自建的舰船图像数据库中将检测识别平均准确率提高到了79.3%,对真实海上航拍视频中舰船目标识 别的平均准确率达到了81% 以上。     

自主空战连续决策方法

未来空战正朝着无人化、自主化方向发展,自主空战决策方法是未来空战的重要支撑手段之一。传统空战决策方法由于维度限制,存在无法处理连续动作与远视决策的问题。基于Actor-Critic 方法提出空战连续决策的统一架构,依据空战训练经验对状态空间、动作空间、奖励及训练科目进行合理设计,测试多种连续动作空间强化学习算法在高不确定性空战场景下的学习效果并进行可视化验证。结果表明：基于本文提出的方法架构,可以实现连续动作下的远视价值寻优,智能体可以在复杂空战态势下做出最优决策,对随机机动飞行目标有较高的击杀率,且空战机动轨迹具有较高的合理性。     

旋转倒立摆的神经网络控制

本文针对一种新型的倒立摆系统,设计了一个四输入单输出三层BP网络,并对一级旋转倒立摆控制器进行逼近。仿真结果表明,BP神经网络有很广阔的应用领域。     

基于模糊神经网络的涡结构识别方法研究

研究气动光学传输效应产生的机理是红外成像末制导的共性基础技术之一,基于涡结构对光学传输效应进行建模是一种非常有效的方法,而涡结构的识别是其必要前提。文中提出一种新的涡结构识别方法,把折射率场经小波变换后的系数矩阵等效为具有一定纹理结构的图像,计算图像的共生矩阵及其统计量,由于涡结构模式复杂,特征量较多,设计了等价结构的模糊神经网络进行涡结构识别。与小波分解后直接提取特征量的识别方法相比,本文的方法从空、频角度更加准确全面地表征湍流涡结构模式,计算机仿真结果表明该方法优于神经网络的识别效率。     

应用少量短电阻应变丝布置的损伤评估智能材料结构

智能材料结构是一门新学科，它越来越引起不同学科研究者们的兴趣，本文研究采用电阻应变丝为传感元件，人工神经网络为处理辨识器的损伤评估智能材料结构，提出并实施了一种少量短电阻应变丝的传感元件布置方法，用以对结构中损伤或大应变的区域和级别进行在线评估。     

基于小波神经网络的双足步行机器人步态规划控制器

对于传统的神经网络中神经元模型在结构和信息存储能力上存在的不足，本文提出了一种基于广义小波其函数网络的神经元集聚模型，这种小波神经网络不仅收敛速度快，非线性逼近能力更好，而且具有内部结构变尺度、自适应调整和广义信息存储等智能化特点，更符合生物原型的实际情况。静态学习和准动态学习仿真实验证明这种神经网络结构的有效性。     

基于神经网络模型的学习诊断

基于故障树模型的诊断把故障树的底事件分成三部分：必然的故障源集（ＣＦＳ）、正常底事件集（ＮＥＳ）和可能的故障源集（ＰＦＳ），及如何进一步确定ＰＦＳ中各元素的状态（正常或异常）。在存在大量训练样本的情况下，可采用基于神经网络模型的学习诊断方法来确定ＰＦＳ中各元素的状态，并通过对某卫星能源系统故障模拟原理性试验台的故障诊断验证了该方法的有效性。     

竞争学习模糊神经网络及在导弹故障诊断中的应用

尽管基于解析冗余的故障诊断方法有许多突出的优点而越来越多地得到的研究和应用，但它依赖于系统的模型，当系统存在非线性或不确定性时，存在难以建模的困难，模糊神经网络可以通过学习建立系统的模型，且模型参数有明确的物理意义，初始参数易于选择，成为解决这一问题的优选途径，作者通过把模糊神经网络的学习转化为竞争聚类和线性优化问题，基于竞争聚类和最小二乘原理，提出了一种模糊神经网络学习算法，并在某伺服机构上进行     

基于BP神经网络的GNSS-R海面风速反演

针对GNSS-R进行海面风速反演过程中时频域相关物理量较多，数据耦合性强等问题，提出了基于反向传播（BP）神经网络反演海面风速的方法。建立反演过程中相关观测量与风速的对应关系，选取多观测量作为输入，对输入数据进行处理，设置神经元与激励函数，使用BP神经网络自适应调整拟合参数，将风速作为神经网络输出端的特征量提取。反演结果，风速≤ 20 m/s时，反演均方根误差RMSE=1.21 m/s，风速>20 m/s时反演均方根误差RMSE=2.54 m/s，反演结果优于使用时延相关曲线前沿斜率（LES）和时延多普勒相关功率均值（DDMA）方法得到的反演结果，且迭代次数较少，复杂度较低，证明该方法可以应用于GNSS-R海面风速反演。     

基于神经网络的飞行科目模板样本集建立方法

为建立某一飞行科目的模板样本集,提出一套基于神经网络和卡尔曼滤波的数据处理方法。任选一次试飞样本,建立Kohonen自组织神经网络进行参数降维、聚类分析、特征提取等,使样本量缩减90%以上,得到该科目的模板样本集。用处理后的样本训练BP神经网络,对其他未经处理的试飞样本进行载荷预测,误差均在3%之内,说明处理后的样本能代表该科目的数据特点,即为模板样本集。方法可以为飞机载荷监控数据库的完善工作服务。