基于概率神经网络的相似度排序方法

为了研究相似度排序问题,对概率神经网络的结构进行了分析,对其输出进行了改进,使之输出后验概率,进而进行相似度排序。结合电火工品发火性能的预测问题,对方法进行了验证,结果表明：基于概率神经网络的相似度排序方法与实际结果相符,方法是可行的。     

飞机纵向运动参数BP神经网络估算

针对飞机纵向运动方程复杂,现有的气动参数获得方法实现困难,不便于分析与控制飞机的运动,文中利用BP神经网络进行参数估算,建立了飞机短周期纵向运动参数估算的BP神经网络模型。研究了不同神经网络结构、不同的激励函数对飞机纵向参数估算BP网络模型的影响作用,进行了数字仿真,对误差进行原则性分析并提出改进措施。仿真结果表明,这种方法能较好的估计纵向运动方程中的未知参数。     

基于粒子群神经网络的轮盘优化

将粒子群算法(PSO)和BP神经网络相结合, 构建了一种新型智能结构优化算法.PSO方法除用于结构优化外, 还被用于BP神经网络的构造及网络训练, 使之可自适应调整优化.结构优化中, 以BP神经网络取代有限元方法, 通过设计变量来映射目标函数和约束, 从而大大提高了计算速度.将此方法用于轮盘结构优化, 使得轮盘体积减少了17.5%, 结果通过检验.该方法便捷、高效, 为解决工程结构优化问题提供了一个新途径.      

基于小生境遗传算法的航空发动机维修构型控制

为实现航空发动机维修中构型控制,建立了基于Petri网的构型控制描述模型,通过变迁序列的激发求得改型后可能的零件集合,作为后续的约束满足条件,并提出一种基于小生境遗传算法的发动机构型多方案求解方式.     

基于混合深度特征的红外目标抗干扰识别算法

复杂干扰条件下的红外空中目标识别技术是空战对抗领域的热点研究课题,复杂人工干扰严重遮蔽目标,导致目标特征的连续性与显著性遭到破坏,无法全面描述识别对象的特性,造成空中目标识别准确率下降。针对此问题,提出一种基于图像混合深度特征的空中目标抗干扰识别算法。首先,基于卷积神经网络进行图像深度特征的提取,将深度特征与梯度直方图(Histogram of Gradient, HOG)特征进行有效融合,构建混合深度特征。针对作战场景中的目标与干扰的对抗态势多样性,将支持向量机的二分类模型改进为三分类模型,对目标、干扰以及目标干扰粘连三种状态进行精确分类。实验结果表明：在复杂干扰环境下,基于混合深度特征的空中目标抗干扰识别算法正确率为92.29%,该算法可以有效地解决目标被干扰遮蔽、形成目标干扰粘连状态时的抗干扰识别问题。     

基于BP神经网络的飞机完好率建模研究

飞机完好率是检验航空兵部队装备作战能力的重要参数.首先研究了飞机完好率的定义及其计算公式,然后建立了飞机完好率的BP神经网络预测模型,仿真结果验证了该模型的精确性和有效性.     

先进战斗机过失速机动大气数据融合估计方法

可控的过失速机动是先进战斗机超机动性能的重要标志,飞机飞行包线的扩大已超出传统的大气数据系统测量范围,可靠的迎角、侧滑角、总压、静压等飞行大气数据是制约先进战斗机过失速机动中飞行控制的关键因素。以中国推力矢量验证机为对象,基于过失速机动飞行试验的数据,开展大气参数估计与验证研究。结合过失速机动的时间与空间特性,研究了基于风速、地速、空速矢量和惯性姿态、导航参数的大气参数融合计算方法;针对过失速大迎角状态下飞机周围气流非定常、模型非线性导致的融合大气参数误差的复杂特性,进一步构建深度神经网络,对机动状态融合迎角、侧滑角的强非线性误差进行拟合。仿真和飞行试验表明：该方法可在大迎角飞行状态下实现主要大气参数的融合估计,过失速机动过程中融合迎角误差优于2.3°,融合得到的大气参数可为过失速大迎角机动飞行控制提供可靠的大气参数状态反馈。     

基于IPSO-Elman神经网络的飞机客舱能耗预测

为了提高飞机客舱使用地面空调制冷时客舱能耗的预测精度,提出了一种改进的粒子群优化（IPSO）Elman神经网络的飞机客舱能耗预测模型。依据对算法中惯性权重与学习因子的收敛域分析,得出了二者合理的取值范围,将粒子到全局最优位置间距离与参数的取值范围相结合,构造了惯性权重与学习因子的动态调节函数,对其进行非线性的动态调节,并引入了变异因子,提出了一种跳出局部最优的策略,防止粒子群优化（PSO）陷入局部最优。将IPSO-Elman应用于Boeing738飞机客舱能耗预测中,与PSO-Elman、Elman算法进行性能比较,仿真结果表明基于IPSO-Elman的客舱能耗预测模型在预测精度和收敛速度方面均有一定的提升。该研究结果为飞机客舱能耗预测模型的建立提供了理论依据,对飞机地面空调的节能与机场电能合理调配提供了支持。     

Using the radial basis function neural network to predict ionospheric critical frequency of F2 layer over Wuhan

Neural networks (NNs) have been applied to ionospheric predictions recently. This paper uses radial basis function neural network (RBF-NN) to forecast hourly values of the ionospheric F₂ layer critical frequency(f_oF₂), over Wuhan (30.5N, 114.3E), China. The false nearest neighbor method is used to determine the embedding dimension, and the principal component analysis (PCA) is used to reduce noise and dimension. The whole study is based on a sample of about 26,000 observations of f_oF₂ with 1-h time resolution, derived during the period from January 1981 to December 1983. The performance of RBF-NN is estimated by calculating the normalized root-mean-squared (NRMSE) error, and its results show that short-term predictions of f_oF₂ are improved.     

基于室内无线模型的穿墙损耗校正

K-M（Keenan-Motley）模型将单墙固定损耗值相加来计算室内无线信号穿透多墙的总损耗值,存在较大误差。针对该问题选取多种室内场景分别进行连续波（Continuous Wave,CW）测试,对无线信号穿墙损耗的影响因素和变化规律进行分析,提出了一种基于人工神经网络的室内无线模型穿墙损耗校正方法,对预处理后的测试数据进行训练并建立预测模型。经验证该预测模型符合校正判别准则,在实际场景下具有良好的预测准确度。