航天测控站资源优化配置的元建模与寻优方法

基于不同需求提出了一种比较通用的指标评价函数,构建了地面站资源配置的统计模型和基于神经网络方法的仿真元模型。在元模型求解过程中,提出了回代法寻找最优配置的思想,即将每次迭代求解得到的优化配置点代入下次迭代训练中,以提高网络的逼近性能和泛化能力。算例表明,该方法能够求得地面资源的较优配置,求解效率高。     

基于PSO算法的神经网络优化设计

近年来,一种新的基于种群优化的算法——粒子种群优化（PSO）算法,正受到人们的普遍关注。文章简单介绍了基于粒子群优化算法（PSO）的神经网络优化算法,并给出了完整的源程序。     

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。     

BP神经网络辨识发动机模型

<正>神经网络应用于系统辨识时,与传统的基于最小二乘算法的辨识方法相比较具有以下几个鲜明的特点,这也是BP神经网络具有的特点。(1)不要求建立实际系统的辨识格式。故可省去对系统阶次确定这一步骤,神经网络本质上已作为一种辨识模     

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。     

基于神经网络的多卫星姿态协同控制预测模型

摘要： 针对多卫星近距离对空间目标监测中的姿态协同控制问题，研究基于神经网络的智能控制模型.首先设计了面向任意姿态控制方法的神经网络自适应控制模型，该模型不改变卫星姿态控制方法本身，而是接收由理想控制模型生成的理想控制量，理想控制量经过神经网络后直接生成适用于卫星的控制量.根据神经网络对控制系统的系统级状态预测，基于一致性控制协议，设计了多卫星姿态协同控制模型.采用等效姿态角，通过数值仿真，分别验证了预测控制方法、输出状态预测、协同控制的方法正确性和有效性.     

人工智能在OODA 循环中的应用

当前人工智能(AI) 是商业和工业，甚至军事应用领域中最热门的流行语。军事国防领域也已经将人 工智能发展成为了一种技术，并应用到军事作战和决策系统中。最初OODA 循环是最知名的空战战术模型， 后来发展成为各国空军的作战方法。OODA 循环对于任务的定义和决策过程的理解起到了重要的作用。本文主 要研究了人工智能在OODA 循环决策中的应用。讨论了未来OODA 循环各阶段中所需的AI 作用和技术，包 括可解释的人工智能和基于学习的人工智能。     

结合颅骨形态特征与神经网络的民族判别

针对颅骨民族判别问题，提出结合颅骨形态特征与神经网络的判别方法，可以推进法医人类学的发展，加快探索民族发展历程。首先，根据颅骨形态学相关研究，提取36个维吾尔族和汉族颅骨数据的几何特征；其次，采用反向传播神经网络（BPNN）对特征向量进行民族判别，并通过Adam算法对网络进行优化，避免陷入局部最优值，添加正则化项保证算法稳定性；最后，分别采用2种网络结构进行对比实验，输入层、隐藏层和输出层的神经元个数分别为36、6、2和36、12、2，并设置不同初始学习率进行对比实验。结果表明:隐藏层神经元个数为12、学习率为0.000 1时，分类精度最高，测试阶段平均准确率最高为97.5%。为了验证所提方法的普适性，生成116例国外颅骨数据进行实验，测试阶段平均准确率为90.96%。相比较于支持向量机（SVM）、决策树、KNN、Fisher等机器学习方法，所提方法学习能力更强且分类精度有明显提升。