对角神经网络在激光陀螺消噪中的应用

在传统BP网络的基础上，利用DRNN神经网络对激光陀螺进行消噪．对实际测试数据的处理表明，两种模型都能够有效地消除(或抑制)激光陀螺中的主要噪声源．通过对消噪后的静态数据进行噪声分析表明：DRNN网络比BP网络去噪能力更强，在收敛性上也要优于BP网络。     

基于全调节RBF神经网络的引信噪声对消研究

全调节RBF神经网络具有处理非线性参数的不确定性,提高神经网络的在线逼近能力,适用于噪声信号的非线性建模。为了消除引信回波中的背景噪声,提出一种基于全调节RBF神经网络的非线形自适应滤波方法,能很好克服信号处理中的模型不确定性和噪声。通过对比不同信噪比情况下引信回波的去噪效果,说明了基于全调节RBF神经网络的引信噪声对消系统的有效性和优越性。     

对角神经网络在激光陀螺消噪中的应用

在传统BP网络的基础上,利用DRNN神经网络对激光陀螺进行消噪.对实际测试数据的处理表明,两种模型都能够有效地消除(或抑制)激光陀螺中的主要噪声源.通过对消噪后的静态数据进行噪声分析表明:DRNN网络比BP网络去噪能力更强,在收敛性上也要优于BP网络.     

基于BP神经网络的多传感器系统滤波降噪算法

在对目标检测时,传感器输出信号不可避免地含有白噪声.利用BP神经网络的非线性映射能力,提出一种基于BP网络的多传感器系统降噪方法.多传感器含噪声的输出信号序列和目标真值作为样本,用于网络训练,用检验样本对训练后的网络进行检验,并与最优加权滤波方法比较,MATLAB下的仿真结果表明BP网络用于多传感器系统滤波降噪有明显效果.     

一种基于炮射地面震动传感器的目标识别算法研究

介绍了自适应遗传算法优化的BP神经网络(AGA-BP)算法在炮射地面震动传感器目标识别中的应用。首先针对BP神经网络可能未收敛到全局最小点的缺陷,提出自适应遗传算法与BP神经网络结合的一种优化算法。之后进行仿真实验并对履带和轮式车辆的采样信号进行时频分析,利用小波变换提取特征值。最后利用优化后的算法与传统算法进行了样本训练和识别,对比结果表明该方法能减少识别误差。     

一种水下航行体支撑轴承的损伤特征提取方法

降低水下航行体中机械噪声是解决整机减振降噪的关键问题。轴承作为水下航行体的重要支撑单元,探讨了轴承发生损伤与水下航行体振动噪声过大的关系,因此应提取损伤特征以便及时发现轴承损伤控制振动噪声。研究了基于EEMD和MED联合的特征提取方法,并将其应用到水下航行体的支撑轴承机械振动信号中,该方法能克服传统的MED对高噪声、谐波干扰情况下特征提取存在冲击特征难以提取的困难。首先通过EEMD分解和峭度阈值方法对原始信号进行消噪,然后利用MED方法对消噪后信号进行滤波,最后对滤波后信号进行包络谱分析判断出损伤类型。     

BP网络自适应消噪方法在无线电引信中的应用

为了消除无线电引信接收回波中的背景噪声,根据引信工作环境特点,提出一种基于BP神经网络的非线性自适应滤波方法.该方法不依赖信号和噪声的先验知识,利用神经网络的高并行性和非线性计算能力,避开了冗繁的计算,能有效地消除噪声.仿真分析表明,该方法能以较快的速度给出在最小均方误差意义下主通道噪声信号的最佳近似,从而使滤波系统得到高信噪比的输出信号.为无线电引信消噪设计提供了一种新的参考.     

基于神经网络的引信干扰信号对消

阐述了自适应干扰对消的基本原理，讨论了基于预测思想的神经网络干扰对消器的设计，实验仿真证明了神经网络对消器比一般线性对消器的优越性。可以大大提高无线电引信从干扰信号中提取有用信号的能力。     

一种改进的自适应滤波器

自适应噪声抵消技术的核心技术是自适应滤波器,通过研究自适应滤波器的原理以及最小均方(LMS)自适应滤波算法,在此基础上提出了一种基于相关双曲正切函数的LMS算法,简称为CTanh-LMS算法.经仿真实验表明,相对于其他自适应滤波算法,该方法具有更好的消噪能力,且算法简单,收敛速度快,能够满足齿轮箱振动信号的消噪要求.本文提出的算法不仅解决了齿轮箱故障特征提取的问题,而且给自适应滤波算法的研究提供了新的方法和手段,具有理论意义和实用价值.     

改进的神经网络和灰色理论在故障诊断中的应用

在分析神经网络和灰色关联度诊断方法的基础上,研究并提出了改进的BP神经网络和ABO灰色关联度诊断法。应用小波分析法对齿轮箱振动信号进行小波消噪,提取了信号的时频域特征参数。讨论了特征参数的无量纲化处理方法,并结合ABO灰色关联度诊断法简单易于实现和BP神经网络法诊断精度较高的特点,完成了齿轮箱的故障模式识别和诊断决策。     

基于高阶累量谱的轴承故障诊断

在轴承故障诊断中，故障信号的提取是一个关键问题。实际测得的轴承振动信号一般是非平稳和非高斯分布的信号，信噪比很低，微弱的故障信息往往完全淹没在噪声中，信号特征的提取非常困难。信号的高阶累积量对加性高斯噪声和对称非高斯噪声不敏感，应用在轴承的故障诊断中，可以有效地分离信号与噪声，提高信噪比，增强故障信息。对轴承在不同状态下的振动信号进行对比分析，提取了不同状态下轴承振动信号的功率谱与高阶累量谱（双谱），建立了用于故障诊断的双谱特征向量，并利用BP神经网络进行了故障诊断。分析结果表明，从高阶累积量提取的特征与功率谱相比，对故障特征比较敏感，容易实现智能诊断中的数字特征提取，可有效地区分轴承的故障。     

基于自适应小波神经网络实现鱼雷超声引信信号消噪

将小波理论和人工神经网络技术同时引入鱼雷超声引信目标信号处理中,抑制信号噪声,并给出了自适应小波神经网络的构造方法.采用正交的Daubechies小波系作为小波元,并对尺度参数进行优化选取,以实现更好的拟合信号.仿真结果表明,该自适应小波神经网络对引信目标信号的处理具有消噪效果好,失真小的特点,有利于防止出现误判和漏判目标的现象.     

自适应噪声对消在引信数字信号处理系统中的应用

讨论了自适应噪声对消技术应用到引信数字信号处理中的技术可行性,提出了系统实现方案并给出了算法MATLAB仿真分析,最后通过某型号脉冲多普勒引信数字信号处理器中采用该技术进行模拟试验,结果证明自适应噪声对消技术可以较好地改善引信数字信号处理的输出信噪比。     

基于Allan方差自适应算法的姿态解算

为解决MEMS 姿态传感器的复杂噪声问题,设计使用一种基于Allan 方差的自适应算法在线估计量测噪 声方差。基于Allan 方差递推公式组成自适应算法来追踪数据的方差值,采用欧拉角微分方程作为滤波的状态方程, 通过对陀螺仪静态数据Allan 方差分析得到陀螺仪的主要噪声参数用作滤波系统噪声方差,并将各个数据整合解算 出姿态角。结果表明：自适应滤波算法比常规滤波方法解算的角度精度高,在噪声波动的环境条件下,自适应滤波 算法实用性更好。     

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。     

FTLMS算法在引信泄漏信号对消器设计中的应用

阐述了自适应干扰对消的基本原理，并基于应投影原理，提出一种改进的FLMS算法——FTLMS算法来提高收敛速度。着重讨论了FTLMS算法的原理、实验方法和程序设计。理论分析表明，FTLMS算法具有运算量小，收敛速度快。并在此基础上设计了一种引信泄漏信号对消器。实验仿真证明该自适应对消器是行之有效的。     

神经网络计算在系统辨识和噪声抵消中的应用

本文给出了应用神经网络算法进行过程学习和弱信号噪声抵消中所取得的成果。在系统辨识实例中,论证了在噪声环境中精确学习线性和非线性函数映射模型的能力。在噪声抵消实例中,论述了从噪声背景中提取信号的能力。     

基于经验模式分解与BP神经网络的柴油机失火故障诊断

针对柴油机燃烧过程复杂影响因素众多,失火故障的识别存在较大的困难,研究了基于经验模式分解与BP神经网络对振动信号进行分析诊断失火故障的方法。首先运用适于非周期、非平稳信号分析的经验模式分解方法对柴油机缸盖表面振动信号进行分解并提取特征参数;然后建立了BP神经网络模型对柴油机失火故障进行诊断;最后通过对某型柴油机的正常与失火状态的准确判别,表明了该方法的有效性。     

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。     

基于小波域OBF分解的磁异常信号检测算法

针对传统的OBF分解算法在非高斯噪声下检测性能较差的问题,提出了基于小波域OBF分解的磁异常信号检测算法。首先对含噪信号进行小波分解,提取最后一层的低频分量;再对低频分量作OBF分解,提取能量特征信号进行门限检测。试验结果表明,该算法显著增强了非高斯噪声下微弱磁异常信号的检测效果。