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。     

基于遗传神经网络的机械振动信号预测

针对传统的BP神经网络学习算法存在易陷入局部极小及收敛速度慢等缺陷,文中提出了利用实数编码改进遗传算法对神经网络进行优化训练,并把训练好的神经网络用于对机械振动信号的预测, 并与传统BP算法以及改进BP算法预测结果进行比较,充分证实了文中方法的有效性.     

几种基于神经网络的导弹惯性器件故障预报方法及其性能比较

研究了标准BP网络、改进的BP网络(带动量的自适应BP网络)、 L-M网络和RBF网络及其学习算法, 探讨了基于这四种神经网络的导弹惯性器件故障预报方法, 并通过仿真实验对四种网络的预测预报性能进行了分析比较.结果表明, L-M网络和RBF网络对惯性器件的故障预报比两种BP网络更准确, 收敛速度更快.     

GA-BP网络建模在套料钻性能预测中的应用

将BP神经网络建模技术和遗传算法(GA)应用于套料钻性能预测。利用BP神经网络建立套料钻性能预测模型,通过比较实际误差梯度值与给定误差梯度值,来确定BP网络是否处于局部极小状态;GA仅在BP网络处于局部极小时进行学习,对BP网络的连接权值进行优化。BP神经网络和GA两者的有效结合可以解决BP算法固有的缺陷,如收敛速度慢、易陷入局部极小等。套料钻加工性能试验结果表明预测结果和实际结果吻合程度较好,验证了GA-BP网络模型在套料钻性能预测中的有效性和准确性。     

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神经网络在空袭目标优选中的应用

空袭目标优选,应用改进的BP神经网络算法.即在空袭目标优选评估指标体系基础上,建立BP神经网络,通过定义学习代价函数、确定函数输出信号、修正函数信号.并通过网络初始化等改进BP算法,以激活函数敏感性,加速网络收敛.算例验证了该算法合理性,稳定性良好.     

基于遗传算法优化BP神经网络的供暖系统热负荷预测模型

针对供暖系统热负荷短期预测问题,利用改进的遗传算法(genetic algorithm,GA)对BP神经网络(back propagation neural network)的初始权值和网络结构进行优化,并在遗传进化过程中采取保留最佳个体的方法。该方法克服了一般BP网络初始权值的随机性和网络结构训练过程中的所带来的网络震荡,以及一般BP网络容易陷入局部极小等问题。同时结合一般BP神经网络方法进行仿真实验和分析比较,结果表明:该方法具有全局寻优能力,预测精度高,绝对和相对误差较小,收敛速度快,能够有效针对供暖系统热负荷进行短期预测。     

基于一种新型神经网络的导弹姿控故障诊断

文中从改进网络结构出发,首先介绍了带偏差单元的递归神经网络的结构及算法,并将它和一改进算法的BP(以后称为FBP)网络分别用来对同一导弹姿态控制系统进行故障诊断.结果表明,该网络能很好地克服BP网络收敛速度慢等缺点,故障诊断的正确率优于该FBP神经网络.由于结构特点,它的应用范围比BP网络更加广泛.     

基于改进BP神经网络的某导弹姿态控制系统故障诊断

对于常规BP神经网络,其收敛过程存在两个很大的缺陷:收敛速度慢;存在所谓"局部最小值"问题。采用了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练,建立了智能诊断模型,并应用于某导弹姿态控制系统的故障诊断,测试结果表明该方法相比常规BP算法能够更有效的进行故障诊断,从而为故障诊断及判定的自动化提供了一个新思路。     

基于BP神经网络的高寒山地弹药消耗需求分析

采用BP神经网络方法,建立了高寒山地弹药消耗量预测模型,对模型的预测流程和步骤进行了描述;结合高寒山地实际,对高寒山地弹药供应保障的消耗量需求进行分析。预测结果表明,所建立的弹药供应保障消耗量需求模型能够很好地预测高寒山地作战中的弹药消耗量。     

基于PSO-LSSVM弹药装配质量预测方法

针对弹药装配工艺复杂、装配工序质量影响因素多、装配效率低的实际问题，提出基于粒子群优化(PSO)算法—最小二乘支持向量机(LSSVM)的弹药装配质量预测方法。通过灰熵关联分析方法，提取影响弹药装配质量的关键质量特性，并将其作为预测模型的输入向量，降低预测模型复杂度和运算工作量。将PSO-LSSVM作为建模工具，利用PSO算法优化LSSVM参数，建立基于PSO-LSSVM弹药装配质量预测模型；以预测某型号弹药对接装配工序中跳动量为例，与LSSVM 预测模型和BP神经网络预测模型进行对比分析。实验结果表明，提出基于PSO-LSSVM弹药装配质量预测方法具有可行性和有效性，能够很好地实现弹药装配质量的预测。     

基于粗糙集和BP 神经网络的导弹备件消耗预测

针对神经网络预测导弹备件消耗时参数过多会导致事件过长并易陷入局部最优的问题,建立一种基于粗糙集和BP神经网络的导弹备件消耗预测模型。在对采集到的导弹备件消耗信息进行特征提取、形成决策表的基础上,用粗糙集理论对原始信息表进行约简,去除冗余的属性和属性值,并将约简的影响因素值输入到BP神经网络中进行训练预测。实例结果表明：该预测方法大大减少了网络的收敛时间,提高了模型的预测精度,为导弹备件消耗预测提供了一个新的思路。     

基于改进型模糊神经网络的导弹武器系统生存能力评估

针对导弹武器系统生存能力评估问题,建立了评估的指标体系,给出了指标的隶属函数.利用BP神经网络的自学习、自适应、强容错性,并通过遗传算法（GA）优化BP神经网络的连接权重和阀值,弱化了评价中的人为因素,提高了评价结果的准确性和权威性,解决了BP神经网络存在落入局部最小点和收敛速度慢的问题.实例研究表明,遗传神经网络的评价模型具有有效性和可行性.     

基于1D-CNN 的弹链运动加速度分类与识别

针对人工判读研究弹链运动规律时存在过程复杂、效果不佳的问题,结合弹链运动加速度的1维特性,提出一种基于1D-CNN的弹链运动加速度分类与识别方法。基于Keras深度学习框架搭建1维卷积神经网络模型(1D convolutional neural network,1D-CNN),对小口径自动炮射击试验中获取的弹链运动加速度信号进行数据预处理并制作训练集和测试集,利用训练集和测试集对1D-CNN模型进行训练和测试。结果表明:利用1D-CNN模型可实现弹链运动加速度信号的分类和识别,准确率在84%左右,达到了预期效果。     

一种改进粒子群算法优化BP神经网络实现核素识别方法

为获得全局最优点,提出一种改进粒子群算法优化BP神经网络实现核素识别方法.该算法用一种动态改变惯性权重与学习因子的自适应方法,优化BP神经网络的阈值与权值,通过训练BP神经网络识别模型得到粒子群的全局最优解,利用最优权值与阈值实现核素识别.分析结果表明:该方法不仅能更快地收敛于最优解,同时能更好地平衡全局搜索和局部搜索能力,有效地改善算法的收敛速度和识别精度.     

基于反向传播神经网络的海杂波参数估计

研究分析海杂波、评估弹载导引头在不同海况下的打击精度具有重大意义。针对传统统计方法的海杂波参数估计易存在脱离实况海杂波物理特征的问题,提出基于反向传播（BP）神经网络的参数估计法。利用海杂波幅度分布特性和时间相关性,建立基于K分布的时间与空间相关海杂波模型;重点分析形状参数、尺度参数、杂波速度均方根、平均多普勒频移4个模型参数对海杂波混沌特性、分形特性的影响,总结出模型参数与物理特征之间的定性关系;利用BP神经网络充分挖掘参数与物理特征间的定量关系,并对混沌特性、分形特性进行预测,决定系数为0.985、0.952. 以实测海杂波数据为例,比较BP神经网络、最大似然估计和矩估计法的模型参数,验证了该方法可以较好地贴近真实海杂波的物理特征。