基于动态神经网络的空战目标威胁评估专家系统

通过分析空战目标因素,提出了一个目标威胁综合评估体系,并通过神经网络专家系统进行威胁等级评估.考虑到神经网络的收敛性,文中基于重置算法构建了动态神经网络专家系统,并给出具体实例,证明了该方法的可行性.     

基于模糊神经网络的空袭目标威胁评估

对空袭目标的各因素进行了分析, 提出了目标威胁值是目标攻击意图与目标攻击能力的有机结合的思想, 并将模糊理论与神经网络相结合, 建立了目标威胁评估的数学模型, 为进行有效的目标威胁评估提供了一条思路.     

基于模糊识别的空袭目标威胁度判断

利用模糊聚类分析的方法对各种飞机的威胁程度大小进行了聚类分析,根据某一来袭目标的各种参数指标来判断其类型,结合模糊聚类的结果来判断其威胁程度的大小,为决策者提供科学的决策依据,选择对我威胁程度最大的目标进行抗击。     

基于灰色综合关联度的空中目标威胁度评估

改进灰色关联度分析的方法,并引入灰靶理论的概念,建立综合差值矩阵以提高威胁度计算时的灵敏度和精确度;然后通过威胁隶属度确定空中目标各项指标的权重,再对空中目标的威胁度进行计算并排序。实例应用该算法,评估得到的结果与遗传神经网络模型评估的结果完全一致。     

基于Agent的空中目标威胁度评估模型

首先设计了基于Agent的空中目标威胁度评估模型,接着依次从因素考虑、因素知识库构建、因素知识库学习和空中目标威胁度综合评估四个方面研究了空中目标威胁度评估模型的构建步骤,最后给出了算例分析。分析结果表明,利用Agent方法构建空中目标威胁度可有效实现模型的智能化和通用化,提高了空中目标威胁度评估的正确性和适应性等。     

基于主成分分析法的炮兵目标威胁度评估

为提高作战指挥员对炮兵目标实施火力分配的量化决策水平,首先运用主成分分析法对炮兵目标威胁度的多项指标进行了聚集,其次在理想点的基础上建立综合优化决策模型,并进行实例分析,所得结果合理且符合客观实际,从而为作战指挥员提供了一种合理的决策依据和决策方法。     

基于攻防双方威胁度结合的空袭目标威胁评估

针对传统方法在确定空袭目标威胁度时仅考虑空袭目标属性的问题,提出了改进的办法：首先计算空袭目标的威胁度,再结合被攻击目标的属性对威胁度影响来确定空袭目标的综合威胁度。同时,该法使用群组AHP方法和熵结合的方法来确定双方各威胁度属性的组合权重,以减少确定权重时的主观性。运用改进的方法研究防空作战威胁评估问题,建立多属性决策数学模型,并进行仿真研究。和其他文献算法进行对比,仿真结果表明该算法合理有效。     

基于模糊神经网络的目标识别模型

目标识别是地空导弹武器系统决策中的关键技术．针对目标特性，提出了一种基于模糊技术的BP神经网络的目标识别模型．从传感器中提取目标特性，经过模型处理，可以较好地实现目标的类型识别．     

基于BP神经网络的雷达目标识别算法研究

雷达目标特性复杂多样,而且容易受到电磁、地物、天气等因素的干扰和影响,使其在距离、仰角、方位的测量精度降低,制约了雷达对目标的识别,BP(Back propagation)神经网络具有学习功能,能够十分有效的提高雷达识别系统的效率.     

基于模糊神经网络的目标识别模型

目标识别是地空导弹武器系统决策糊技术的BP神经网络的目标识别模型.从传感器中提取目标特性,经过模型处理,可以较好地实现目标的类型识别.     

基于神经网络的多平台多目标位置数据融合

针对传统的直接加权融合算法的缺点,对多平台多目标位置数据融合进行研究。通过设计基于BP神经网络的统计加权算法,建立数据融合模型。并以2个观测平台为例,进行1分钟之内的目标航迹数据的仿真实验。结果表明,该算法是有效、可行的,且精度更高,能有效对融合中心获得的关于目标位置航迹信息进行关联融合处理。     

一种基于GA-BP 算法的PIDNN 控制策略

为改善常规PID控制器对非线性对象的控制性能,提出一种基于GA-BP算法的PID神经网络（PID NeuralNetwork,PIDNN）控制策略。将PID控制规律融入神经网络,构成一种PIDNN控制器,并利用GA-BP算法来对其进行参数优化。采用所设计的PIDNN控制器对一种非线性系统进行仿真研究,仿真结果表明：GA-BP算法收敛速度快,所设计的PIDNN控制器与常规PID控制器相比,其控制稳定性和快速性等性能都得到了很大改善。     

基于BP神经网络的ARM目标识别模型研究

应用人工神经网络可以逼近任意非线性函数这一特性．从网络的逻辑结构、工作过程、学习方法等方面，构建与实现了基于BP神经网络的ARM目标识别方法。通过Matlab的Simlink进行仿真，仿真结果证明．模型能够比较准确地对ARM目标进行识别．符合防空作战的实际需要．同时也为防空指挥自动化提供支持。     

应用BP神经网络的武器装备维修性预测模型研究

利用人工神经网络及BP网络理论,在对武器装备维修性预测评估指标体系分析的基础上,应用神经网络的BP算法建立了武器装备系统的维修性预测模型,并结合小口径高炮的实例验证了模型,效果较好.     

基于神经网络的效能评估方法综述

为进一步推动效能评估的应用,对3类主要的效能评估方法进行分析。阐述基于神经网络的效能评估方法的基本原理和研究现状,总结归纳基于模糊神经网络、BP神经网络、深度学习等评估方法的优势与不足,指出基于小样本深度学习的效能评估方法必将成为未来的发展趋势,以及该方法当前面临的挑战与展望。     

基于BP 神经网络的掌子面前方围岩自稳能力评估

地下工程依托地质体的岩石类型条件（围岩）直接关系到工程的精确口部选址、工程主体建设轮廓、工程施工手段和工程跨度,并且影响对工程的防护性能评估。为了精确评估围岩的稳定性,在BP神经网络的模型的基础上对其进行优化,建立了作业工程掌子面前方围岩稳定性评估模型。主要通过加入动量因子、采用自适应调节率这两种方法对传递函数进行优化,提高神经网络收敛速度;对于一些非线性、多模型、多目标的函数优化问题具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。通过对BP神经网络的的初始权值和阈值进行优化,跟围岩的受力特性进行比较,能精准快速评估围岩的稳定性,节约大量人力资源,提高工作效率。     

基于PCA-GA-BP 神经网络的状态评估算法

针对传统评估方法主观性强的缺点及BP神经网络自身缺陷,提出基于数据知识的PCA-GA-BP状态评估组合算法。采用主成分分析对样本数据进行降维处理,利用遗传算法对BP神经网络的初始权值阈值进行优化,将历史数据作为学习样本训练神经网络,处理实时信息得到评估结果,并通过实例进行算法验证分析。结果表明,该算法是可行的,适用于复杂武器装备的状态评估。     

基于遗传神经网络的伪装效能评估模型

在量化样本光学特征指标并划分伪装效能等级基础上,采用基于遗传算法的神经网络建立伪装效能评估模型.其步骤包括确定GA算子及相关参数,初始化网络连接权值和阈值向量,计算各个体适应度函数并将其排序,执行遗传操作,最后用神经网络进行二次训练.将样本光学特征指标量化值作为神经网络输入值,量化后的样本等级作为神经网络教师值进行评估.仿真表明该混合算法收敛速度快,能有效避免局部极值问题.     

基于BP神经网络和遗传算法的扫雷参数优化

针对扫雷作战仿真中的参数优化问题,论述了BP神经网络和遗传算法在扫雷参数优化中的应用。首先对某作战背景下的扫雷作战效能进行了详细分析,给出了雷区清扫率的计算方法;然后利用BP神经网络建立了扫雷参数与雷区清扫率之间的数学模型;最后通过遗传算法对扫雷参数进行优化研究。研究结果表明,该方法能够较精确地建立扫雷作战效能模型,并能快速搜索到最优扫雷参数组合条件。