多传感器目标识别的优化融合

对于工作在复杂环境下的多传感器目标识别系统,确保其稳健性和准确性的关键是有效处理被融合信息的不确定性。根据影响信息不确定性的因素,文章把传感器本地识别信息的可信度分为了统计可信度和环境可信度;采用最小二乘法和神经网络实现统计可信度的估计,自适应神经模糊推理实现环境可信度估计;并利用这两种可信度实现以一致理论为基础的多传感器目标识别的优化融合。经实验仿真证明,该融合方案是有效的。     

BTT导弹神经网络自适应控制器设计

在导弹系统存在非匹配不确定性的情况下 ,提出了一种基于RBF神经网络和反演控制技术的神经网络自适应导弹控制系统的设计方法。首先应用RBF神经网络在线辨识系统中存在的不确定性 ,然后利用反演控制技术设计了导弹非线性自适应控制器 ,成功的处理了非匹配不确定性 ,并应用Lyapunov稳定性理论推导出RBF神经网络权重矩阵及中心点值的调节律 ,保证了系统的稳定性。证明了系统的所有信号均有界且全局指数收敛至原点的一个邻域。最后给出的BTT导弹非线性六自由度数字仿真结果显示了该设计方法的有效性。     

光纤陀螺温度建模及补偿技术研究

研究了干涉式光纤陀螺的温度补偿问题。首先分析了光纤陀螺仪温度漂移的主要影响因素，并应用人工神经网络与数理统计方法建立了陀螺仪的温度补偿模型。最后对某型号陀螺进行了0～50℃环境温度下的大量恒温及变温实验，通过实验数据完善所建模型并完成了对该陀螺的温度补偿。实验结果表明：在特定温度环境下，该方法能够有效地改善光纤陀螺仪零偏稳定性。     

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。     

基于主动磁轴承的高速飞轮转子系统的非线性控制研究

针对控制力矩陀螺——主动磁轴承飞轮转子系统的强非线性和由陀螺效应产生的进动和章动导致系统的失稳问题,提出了神经网络的控制方案,设计了RBF神经网络控制器,并给出了李亚普诺夫函数的稳定性证明。研究表明,该控制器解决了陀螺效应导致的主动磁轴承-飞轮转子的不稳定性问题,且抑制了噪声对磁轴承稳定性所造成的破坏。最后,数值算例证明了该方法消除噪声的可行性和有效性。     

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。     

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     

山地精品景区提升与改造的重点问题——以新乡万仙山景区为例

山地精品景区是最早发展起来的景区类型之一,经过多年来的发展,有了一定基础,但在新的旅游发展形势下,出现了一些发展瓶颈,因此,对山地精品景区进行提升和改造是十分必要的。文章以新乡万仙山景区为例,介绍了万仙山景区的发展现状,分析了万仙山景区在新的发展阶段存在的问题,并在转变旅游开发理念、对原有旅游资源再认识和深度开发、景区旅游业发展的重新定位和调整、解决景区发展的社会问题和提高景区服务质量等方面进行探索性研究,对相应的提升和改造方法进行了总结。     

一种鲁棒性增强的机载网络流量分类方法

针对机载网络高度动态、高度不稳定造成流量监测设备难以在有限的监测周期内完成完整数据流负载特征的提取，限制了基于深度学习的流量分类方法的应用问题，提出了一种鲁棒性增强的机载网络流量分类方法。通过数据预处理及缺失样本处理方法将数据流映射为灰度矢量集合，基于完整的数据流训练数据集实现鲁棒性增强的长时递归卷积神经网络（RE-LRCN）分类模型的训练，在线上分类阶段，通过分类模型实现样本缺失数据流负载空间特征及数据流时序特征的提取，并进行数据流分类。通过在数据包缺失的流量测试数据集上的实验结果表明，所提方法可以有效抑制数据包缺失对分类准确性能的恶化。