基于遗传算法的BP网络在导弹武器系统元器件贮存可靠性预测中的应用

针对目前BP神经网络在应用中,网络结构难以确定以及网络极易陷入局部解问题,用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中引入交叉概率和变异概率与个体的适度值相联系,改进了操作算子,而且在交叉操作后又引入模拟退火机制,提高遗传算法的局部搜索能力.建立了基于改进遗传算法的BP网络贮存可靠性预测模型,并以某型导弹武器系统的元器件进行实例分析,计算结果表明,该方法预测的准确性高,且预测结果稳定.     

遗传算法优化BP神经网络在转速PID控制中的应用

提出一种基于遗传算法优化的BP神经网络PID控制算法，并将其应用于永磁无刷直流电动机的转速控制系统而设计出优化的转速PID控制器。该算法首先利用遗传算法对BP神经网络的初始权值进行优化，再利用BP神经网络算法对PID参数进行在线调节，解决网络的初始权值对控制效果的不利影响，仿真证明该算法可行。     

基于BP神经网络的数字识别方法

应用BP神经网络对数字进行识别,其图像的预处理采用去除杂点方法去除噪声,使用逐像素特征提取方法进行特征向量的提取.该识别过程还包括数字识别网络的训练,及通过选取初始权值和隐含层节点数、权值学习算法确定相关参数.实践证明,利用BP神经网络能够实现对阿拉伯数字的准确、快速识别.     

基于GA-BP神经网络的镁合金微弧氧化膜层厚度预测

为直观地检验膜层的质量,建立微弧氧化工艺参数(电流大小、脉冲宽度、氧化时间)与微弧氧化膜层厚度之间的反向传播(BP)神经网络预测模型,其结构为3-10-1(即3个输入神经元,10个隐含层节点,1个输出神经元)。采用遗传算法(GA)优化BP神经网络的初始权值和阈值,构建基于遗传算法神经网络的膜厚预测模型。用GA-BP神经网络对膜厚进行模型仿真,并将仿真结果与BP神经网络模型仿真结果进行对比。结果表明,GA-BP网络模型预测值的平均误差为1.65%,最大误差为9.75%,而BP模型预测结果的平均误差为8.62%,最大误差为13.68%。GA-BP神经网络模型预测精度要优于BP神经网络模型。     

基于麻雀搜索算法优化BP神经网络的弹丸射程预测研究

弹丸发射参数、气象条件等会影响弹丸射程,其构成的影响体系复杂并难以准确预测。针对BP预测算法会因初始权值和阈值取值不当导致陷入局部最优的问题,建立了麻雀搜索算法(SSA)优化BP神经网络的弹丸射程预测模型,以弹丸射程作为输出指标,选取弹丸初速、发射角度和风力条件作为影响因素输入,经过数据预处理后进行弹丸射程预测;同时与粒子群算法(PSO)和遗传算法(GA)优化BP神经网络预测模型的预测精度进行对比,验证SSA优化BP神经网络模型的预测效果。结果表明,SSA-BP预测模型的平均绝对误差、均方根误差和平均绝对百分比误差分别为10.456 4 m、11.831 3 m和0.058 13%,低于BP、PSO-BP、GA-BP预测模型的相应评估指标,所以SSA-BP模型的预测精度高于BP、PSO-BP、GA-BP预测模型,其可以为弹丸射程预测和远程火力打击研究提供支持。     

扫雷器发射架电液伺服系统改进自抗扰控制

针对某爆破扫雷器发射架电液位置伺服系统响应速度慢、跟踪精度低、抗扰能力差的问题,设计一种改进自抗扰控制器。利用BP神经网络强大的自学习和非线性逼近能力对自抗扰控制器中的关键参数在线整定,并结合遗传算法(genetic algorithm,GA)对网络的初始权值进行优化;利用AMEsim和Simulink软件对该改进自抗扰控制器进行联合仿真验证。结果表明：该控制方法可有效提高系统的抗干扰能力,同时保证扫雷器的调炮速度和精度。     

基于混沌理论和BP 神经网络的某基地电力短期负荷预测

为了合理安排并优先保证军事基地中的电力调度问题,提出一种基于混沌时间序列和BP神经网络相结合的电力短期负荷预测方法。根据混沌理论及神经网络方法,先基于延迟坐标相空间重构技术,再应用互信息法和饱和关联维数法,选择延迟时间石和嵌入维数m,然后用BP神经网络来实现预测,并通过对海军某基地的电网的时间负荷序列进行实测仿真。仿真结果表明：相对误差均在5％vX内,且有33．3％的误差在1％以内,证明该预测方法具有较高的预测精度和应用价值。     

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。     

遗传小波神经网络故障字典在模拟电路故障诊断中的应用

以神经网络、小波分析和遗传算法等为代表的智能诊断技术,是故障诊断技术发展的一个重要方向。以传统故障字典法、BP神经网络、小波分析和遗传算法等基本原理为基础,将神经网络、小波分析和遗传算法与故障字典结合,用小波分解预处理故障信号提取故障特征,用遗传算法优化BP神经网络的结构和权值,对基于遗传小波神经网络的故障字典在模拟电路故障诊断中的应用进行研究,并结合实例验证其实际使用性能。     

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。     

基于神经网络回归分析组合模型的能源消耗预测研究

通过对时间序列数据进行处理，分别建立回归分析预测模型和BP神经网络预测模型，在此基础上建立基于2种预测方法的组合预测模型。采用熵值法确定组合预测模型的权系数。结合某省能源消耗总量数据进行仿真，结果与实际数据的误差较小，和2种单一的预测方法相比，预测结果更接近于实际情况。     

基于SA-GA-BP 的某爆破扫雷器电液伺服系统建模

为解决电液伺服系统的液压元件存在非线性时变性等不确定因素,使得难以对其建立精确模型的问题,提出一种基于模拟退火遗传算法(simulated annealing genetic algorithm,SA-GA)优化BP神经网络的建模方法.利用模拟退火算法(simulated annealing algorithm,SA)的概率跳变能力克服遗传算法(genetic algorithm,GA)存在的早熟现象,在此基础上采用模拟退火遗传算法的全局寻优能力优化BP神经网络的权值和阈值.以某型爆破扫雷器电液伺服系统为例,利用所提方法对系统进行离线辨识.仿真结果表明:基于SA-GA-BP神经网络的建模方法能很好地拟合系统固有的非线性和时变性特性,所提方法是有效的.     

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LMBP神经网络的声诱饵对抗鱼雷效能评估

根据实际情况，补充调整建立了声诱饵对抗鱼雷效能评估指标体系。结合专家调查法和仿真试验，采用基于LM快速算法的BP神经网络（LMBP）综合评估法对声诱饵对抗鱼雷效能进行评估，并对LM算法和常用的Traingdx算法进行了对比分析，证明LM算法误差更小、训练速度更快。最后，通过实例证明将BP神经网络评估方法应用于水声对抗效能评估切实可行。该方法能综合考虑专家经验和试验数据等主客观因素，最大限度减少单纯主观或客观赋权带来的误差，通过神经网络的“自学习”得出明确的综合评估值，具有较强的实用性和通用性。     

一种自适应模糊小波神经网络及其在交流伺服控制中的应用

针对某武器大功率交流伺服系统所存在的大变负载、慢时变、强耦合的非线性特性和不确定扰动等问题,提出了模糊小波神经网络（FWNN）间接自适应控制器,该控制器的特点为Takagi-Sugeno-Kang (TSK)模糊模型的后件部分由自回归小波神经网络（SRWNN）构成。给出了SRWNN参数的迭代算法,利用SRWNN辨识器为控制器提供实时梯度信息,有效地克服了参数变化和负载扰动等不确定因素的影响,且具有良好的动态特性。采用Lyapunov稳定性理论方法证明了闭环系统的稳定性。仿真研究和样机试验结果证明了所提方案的有效性和正确性。     

基于遗传神经网络的简易制导炸弹有控弹道设计

结合简易制导炸弹的方案弹道实时寻优技术和控制律,提出了一种以遗传算法和神经网络为基础的有控弹道设计方法.该方法针对炸弹的控制系统构成,在内回路中引入极小邻域零收敛鲁棒稳定准则以确保内回路BP神经网格稳定,在外回路的设计中,采用附加时域指标集的适应度函数方法以跟踪阶跃响应.其中,外回路的BP神经网络的结构及初始权值采用并型遗传算法进行优化设计.在全弹道设计中,结合智能降阶动态解耦思想,采用变增益控制方法较好地实现了炸弹的有控飞行,仿真结果良好.     

神经网络在导弹贮存可靠性预测中的应用

为了更准确预测导弹贮存可靠性,提出基于全局逼近BP网络和局部逼近RBF网络对导弹贮存可靠性进行预测,给出了预测的基本步骤,分别基于BP网络和RBF网络对某型舰舰导弹的贮存可靠性进行了预测,结果表明:这两种网络都能够解决导弹贮存可靠性预测的问题,预测误差均满足要求;RBF网络预测精度略高于BP网络,具有更好的函数逼近能力。RBF网络更适用于导弹贮存可靠性的预测。