基于改进型BP神经网络的弹丸落点预测方法

为了快速精确的预测弹丸落点,文中提出了一种基于改进型BP神经网络的弹丸落点的预测方法。根据落点预测的特殊性,在网络结构上确定了具有并列隐含层的双隐层结构形式,并对训练算法进行了自适应加动量项的改进,然后选取并优化了训练样本。之后进行了仿真训练和落点预测,得到了较高精度的预测结果。说明文中方法进行落点预测是合理有效的,可以作为弹丸落点预测的一种新方案。     

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。     

改进BP神经网络在航空弹药预测中的应用

对航空弹药消耗的准确预测是未来战争取胜的一个重要因素,然而战场复杂多变,传统的方法难以进行及时准确地预测.采用了BP神经网络对单个目标航空弹药进行预测,针对常规BP神经网络收敛速度慢、存在所谓"局部最小值"等缺陷,提出了具有全局收敛性的Fletcher-Reeves共轭梯度算法对常规BP网络进行改进,并将改进后的BP网络应用于单个目标航空弹药预测仿真试验中.结果表明,改进BP网络能克服局部极值、快速提高网络收敛速度,并能较为准确地预测航空弹药的需求量.     

基于改进粒子群优化的BP网络蒸汽发生器典型故障诊断

对BP神经网络在蒸汽发生器故障诊断中的应用进行了研究,针对BP神经网络训练时易于陷入局部最小值的问题,利用粒子群优化算法对BP神经网络的权值和阈值进行了优化,并对粒子群优化算法的惯性权值作了自适应调整,以蒸汽发生器为对象进行了故障诊断实验,实验结果表明:自适应调整粒子群优化算法的惯性权值可以提高该算法的收敛速度和精度,利用改进后的粒子群优化算法对BP神经网络进行优化,可以提高BP神经网络的诊断性能。     

基于BP神经网络的炸弹弹道诸元的解算

文中建立了基于BP神经网络的炸弹弹道诸元解算的模型,并通过对BP网络的各种学习算法的解算结果进行比较,选取了贝叶斯规则化算法对网络进行训练,解算结果较为理想.为炸弹弹道诸元的解算提供了一种新的方法.     

利用BP神经网络预测BT20钛合金的流动应力

为建立BT20钛合金(Ti6Al2Zr1MolV)的流动应力预测模型,通过热压缩试验获得其流动应力曲线,并对BP神经网络的算法进行改进,实现BT20钛合金的流动应力的准确预测。研究表明:采用人工神经网络(ANNs)预测流动应力不需要考虑材料特性,有效地避免了传统经验或回归本构模型由于假设和简化带来的误差,并且神经网络具有很强的非线性离散数据处理能力,选取合适的网络模型(主要是隐层数及隐层单元数),输入足够的样本数据对神经网络进行训练即可获得令人满意的预测精度;采用含两个中间层,网络结构为3×16×14×1的改进BP神经网络模型能够较为准确的预测BT20钛合金的流动应力,计算效率较高,该预测模型可作为其塑性成形过程有限元模拟的本构关系。     

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。     

混沌序列的模糊神经网络预测

提出了一种针对混沌序列预测的T-S模糊神经网络。这种T-S模糊神经网络与传统的T-S模糊神经网络相比在不影响预测精度的前提下极大的减少了神经网络的节点数。同时利用基于混沌动态量的BP算法对神经网络进行学习．提高了收敛速度和预测精度。应用此T-S模糊神经网络和相应的BP学习算法．对Mackey-Glass混沌时间序列进行了预测．与传统的T-S模糊神经网络相比得到了更好的结果，验证了该方法的有效性。     

基于神经网络的模型参考自适应控制方法

针对传统基于模糊神经网络的模型参考自适应控制方法的一些不足,提出了一种基于BP神经网络的模型参考自适应控制结构,并对所使用的BP网络学习算法进行了分析改进。对比分析采用传统自适应方法和改进的自适应方法时,不同的控制仿真结果表明,改进后的方法可以有效地抑制神经网络的“过学习”现象,减小了对神经网络辨识器精度的依赖程度,改进效果显著。     

基于改进型BP神经网络的PID控制算法

针对传统的PID控制算法很难获得比较理想的控制效果的问题,提出一种基于BP神经网络的自适应PID控制算法。根据BP神经网络的结构和特点,介绍了改进型BP神经网络算法描述及PID控制器的结构,并通过实例进行仿真分析。结果表明,改进型BP神经网络PID控制器具有良好的控制效果,降低超调量,抗干扰性强和增强系统的鲁棒性,优于常规PID控制器。     

基于1D-CNN 的卫星姿态控制系统故障诊断方法

为解决卫星姿态控制系统中自主故障检测和诊断的问题,提出一种改进的1D-CNN 卫星姿态控制系统故 障诊断方法。以卫星姿态控制系统的故障诊断为背景,构建航天器姿态动力学模型,将卷积神经网络(convolutional neural network,CNN)与快速卷积算法相结合,对卷积神经网络的拓扑结构进行改进,根据BP 算法,将1 维原始数 据作为输入,结合反作用飞轮作为执行机构的技术特征,给出一种基于卷积神经网络的故障检测和隔离方法。仿真 结果验证了该方法对卫星姿态控制系统实时故障检测和分类的有效性。     

基于BP 神经网络的弹壳表面缺陷分类方法

为了对弹壳表面缺陷进行分类,提出一种基于BP(back propagation)神经网络的弹壳表面缺陷分类方法。针对弹壳缺陷的特点,提取了各类缺陷的灰度特征、形状特征、几何特征,建立缺陷特征数据库,并采用改进的BP神经网络算法设计了缺陷分类器。实验结果表明,该方法在枪弹缺陷识别方面具有很好可行性和有效性。     

基于BP神经网络的有控炸弹攻击区拟合分析

针对目前用传统的线性回归等方法拟合有控炸弹攻击点所存在的问题,文中提出了采用BP神经网络算法对某有控炸弹的攻击点进行拟合的新方法.该方法可以用Matlab仿真软件实现,其拟合效果直观.有控炸弹攻击点与攻击条件可以通过神经网络的阈值和权值来表现.通过实例说明了应用BP神经网络进行有控炸弹攻击区拟合,不但具有算法可行性好、拟合精度高、速度快,而且运算简单,在实战中很有参考价值和工程实用价值.     

基于BP-GSA优化的某随动平台滑模控制

为实现某随动平台负载模拟器响应的快速性和系统的鲁棒性,提出一种基于遗传模拟退火算法(genetic simulated annealing,GSA)优化的BP神经网络(BP-GSA)滑模控制方法。根据负载模拟器各环节硬件组成,建立系统等效数学模型;采取非奇异终端滑模实现对系统的控制,并采用BP神经网络对状态方程中未定项进行逼近,利用GSA算法调整网络节点权值。实验仿真结果表明：相比于传统滑模控制和PID控制,该方法在具有扰动输入的情况下,具有最小的稳态误差和最快的跟踪速度,能够有效提升系统的响应速度和力矩跟踪精度。     

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。     

基于参数优化的支持向量机战场多目标声识别

针对网格搜索支持向量机(SVM)参数的方法存在复杂度高、运算量大等不足,提出了一种改进的网格搜索SVM分类器的最佳参数选择算法。将其应用于战场多目标SVM分类器中,对该分类器与KNN分类器和改进BP神经网络分类器进行的分类对比实验表明,改进的网格搜索SVM分类器参数选择算法可以有效地减少SVM分类器的运算量、改进学习性能并提高识别率。     

BP 神经网络在双伺服同步运动系统中的应用

针对传统的PID调节器不能解决双伺服同步运动系统中经常出现的超调和滞后问题,提出一种将传统PID和BP神经网络的PID调节器相结合的方式来控制两伺服电机轴的运动。其中,传统PID算法用于系统正常运行时的控制,而BP神经网络的PID算法用于调试过程中修改位置调整器和速度调节器的参数。该方案能实现轴B准确地跟踪轴A的速度和轨迹而运动。     

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。