基于改进BP神经网络的模拟电路故障诊断研究

根据BP神经网络特点，提出对BP神经网络改进的方法，并以某负反馈放大器为例，采用改进后的BP网络进行故障诊断，步骤包括：故障特征向量提取、原始数据归一化处理、BP网络设计与训练。结果表明，在MATLAB7．1中运用神经网络工具箱中函数进行仿真，能有效进行故障识别、改善神经网络结构、提高故障诊断精度和速度。     

基于改进BP网络的装甲装备机动性能评估模型

收敛速度慢、易陷入局部极值是传统的BP神经网络难以避免的问题，最终可能导致网络训练失败．在量化装甲装备机动性能指标的基础上，采用遗传算法对BP神经网络权值进行优化，用自适应梯度下降法对传统BP神经网络进行训练，从而建立装甲装备机动性能评估模型，并通过二次训练得到评估值．仿真结果表明该改进网络收敛速度明显优于传统网络，能有效避免局部板值问题。     

BP神经网络在可靠性预计中的应用

运用BP神经网络．并以MATLAB BP工具箱函数建立产品的可靠性预计模型，其建模步骤包括：确定训练样本、建立网络并对其进行初始化、对网络进行训练及对产品可靠性参数预计，最后结合一实例对其可靠性参数进行了预计，效果较理想。     

发动机神经网络自适应控制仿真及分析

针对航空涡喷发动机．给出了一种神经网络自适应控制结构。研究了该控制回路中辨识网络和控制网络的结构、离线训练以及初始权值的确定等问题。发动机控制系统仿真表明：该方法用于发动机稳态控制能取得较好的控制品质．当偏离设计点时，通过神经网络很强的学习、适应能力．在线修正网络参数．使控制系统仍保持良好性能，鲁棒性好。     

基于BP神经网络的导弹故障诊断专家系统设计

分析了某型导弹测试系统的故障机理，针对这种故障机理，结合故障诊断需求，设计了故障诊断专家系统，建立了BP神经网络模型，并利用训练样本对网络进行了训练，重点针对导弹模飞测试故障诊断模块进行了应用分析．解决了故障分析、判断不够精确、自学习能力不强等问题，为该型导弹测试系统的故障智能诊断提供了一种新的实现方法．     

应用神经网络识别液体火箭发动机的故障模式

简要介绍了神经网络的基本理论和误差后向传播算法，给出了应用神经网络的液体火箭发动机故障诊断系统框图，分析了液体火箭发动机的故障模型，提出了数据训练神经网络，为网络训练提供了新的途径。最后，基于模型数据，应用神经网络识别液体火箭发动机的几种故障模式。     

基于LM优化算法的BP神经网络目标识别方法

误差反向传播算法（Back-propagation简称BP算法）是当前前馈神经网络训练中应用最多的算法。针对BP算法存在局部极小点，收敛速度慢等缺点，通过采用基于优化理论的Levenberg-Marquardt（LM）算法来改进BP算法。对提取的目标瞬态特性特征归一化后作为BP神经网络的输入，通过Matlab仿真对网络进行调整，并将训练好的网络进行军事目标识别。结果表明，该方法合理可行，且收敛速度快，预测精度高，为目标识别提供了一种新方法。     

基于BP神经网终的导弹阵地选择评估

战时对导弹阵地能否进行快速选择是直接影响导弹的总体作战效能．通过对导弹阵地选择情况的分析，建立了导弹阵地选择评估指标体系，并使用改进型的BP神经网络，建立相应的BP神经网络评价模型，应用MATLAB的神经网络工具箱将各项指标归一化作为网络输入，专家的评价结果作为网络输出，对训练好的模型进行验证，结果令人满意．     

基于BP神经网络的导弹阵地选择评估

战时对导弹阵地能否进行快速选择是直接影响导弹的总体作战效能．通过对导弹阵地选择情况的分析，建立了导弹阵地选择评估指标体系，并使用改进型的BP神经网络，建立相应的BP神经网络评价模型，应用MATLAB的神经网络工具箱将各项指标归一化作为网络输入，专家的评价结果作为网络输出，对训练好的模型进行验证，结果令人满意．     

基于BP神经网络的反辐射导弹武器系统作战效能评估

文中针对反辐射导弹（ARM）的攻击特点．建立了反辐射导弹武器系统作战效能评估指标体系．简要分析了指标选取的理由。然后．采用专家打分的方法取得了几组训练样本．并对所构造的BP神经网络进行训练，当训练精度达到要求后．再运用BP神经网络对几种典型的反辐射导弹武器系统作战效能进行了评估。     

遗传算法在故障诊断中的应用

通过遗传算法的全局寻优能力优化BP神经网络的初始参数,使其收敛速度快、并能收敛至全局最小点,再利用BP网络来进行精确求解;实验表明:将二者有机结合后能对各种故障进行可靠的分类,有效地提高了故障诊断的效率和准确度。     

基于改进算法的BP神经网络在故障诊断中的应用

BP神经网络凭借其自身的优势被广泛的应用于故障诊断领域,本文介绍了有动量梯度下降法的BP神经网络,在分析故障诊断机理的基础上建立了BP神经网络模型,然后通过模型对某型装备进行故障诊断,并运用Matlab软件进行仿真得出结果。     

基于神经网络的地面目标威胁度分析

空中火力打击对目标威胁度的判定是制定计划的关键步骤。为了提高评估目标威胁度的准确性,在建立威胁度评估指标体系的基础上,利用神经网络模型对生成的训练样本进行训练和测试,建立威胁度评估模型。结果表明:该模型能提高威胁估计算法的准确性和适应性,克服评估中的人为因素影响,对作战计划的制定有一定的借鉴意义。     

BP网络泛化能力的改进方法

改进的BP算法把检验网络得到的性能指标J反馈回神经网络训练中,利用J和testJ构造出新的性能指标newJ,通过训练和检验的性能指标加权得到神经网络最优权值和阈值.用检验样本集间接地调整网络参数,使网络既能搜索更优解又不过早陷入局部极小值,从而提高网络的泛化能力.     

BP神经网络预测铝合金应力松弛量研究

设计2124铝合金单向拉伸时效成形试验(应力松弛试验),研究试验件单向拉伸时,初始应力水平(σ0)、时效温度(T)、保温时间(t)3因素对试验件应力松弛量(p/%)的影响。将试验数据作为训练样本,建立单拉应力松弛试验BP神经网络模型以预测不同工艺条件下的应力松弛量,并通过追加试验数据对该神经网络模型进行检验。检验结果表明:应用该神经网络模型来预测不同因素下试件应力松弛量精度满足试验预期要求。     

求解超高压筒形容器爆破压力的神经网络方法

将BP和RBF神经网络的理论和算法应用于预测超高压容器爆破压力的研究中。选用MATLAB神经网络工具箱建立预测爆破压力的神经网络模型,研究模型中影响爆破压力的主要参数,内外径比值和材料的强度极限,屈服极限,屈服强度与强度极限的比值;选用Faupel、Crossland和Bones等文献中的爆破实验数据对神经网络模型进行训练,用训练好的神经网络模型对爆破压力进行预测。预测结果表明,用BP和RBF神经网络方法建立的模型能够对超高压筒形容器的爆破压力进行较为准确的预测。     

战场目标价值评判的神经网络方法

在建立目标价值评判指标体系的基础上,利用BP神经网络构建3层结构多节点模型进行战场目标的价值排序.网络以对数sigmod函数为传递函数,选取典型目标组成学习和测试样本,采用改进后的弹性BP算法完成模型的训练和测试,由此绘制出网络误差变化曲线和权值、阈值Hinton图.经学习、测试和大量泛化目标的检测,模型能成功运用于战场目标价值排序.     

基于人工神经网络的大规模模拟电路故障诊断

大规模模拟电路故障诊断,先用定位向量初定位故障子网络,再用神经网络定位故障子网络元件级故障.诊断分测前和测后,测前先将每个子电路的各种故障情况用Multisim模拟,求得各可及节点电压并作为BP的训练样本,再对所测电压信号分别归一化处理,定义网络的故障定位向量.最后用BP网络分析故障特征,进行故障诊断.     

基于神经网络的微光图像增强与复原

微光图像的退化主要取决于探測器的灵敏度、非线性和噪声。神经网络是ー个高度复杂的非线性动力学系统,对于微光图像,提出ー种基于多层前向传播（MLP)神经网络的图像增强与复原方法。为了加速训练学习过程,釆用加动量项的自适应BP学习方法对网络进行循环迭代训练。实验结果表明,MLP神经网络增强与复原方法是可行的,并且对微光图像的增强与复原具有很好的效果。