基于深度学习的弹道目标智能分类

针对弹道目标微动分类前需平动补偿及典型雷达散射截面积(radar cross-section, RCS)序列分类需构造人工特征的问题,提出利用弹道目标微动特性和RCS相结合的弹道目标智能分类算法。首先,建立弹道目标运动模型并分析得到方位角和俯仰角,从而获取RCS序列,在此基础上利用小波变换得到时频图并构建数据集;然后,通过卷积神经网络(convolutional neural network, CNN)提取时频图像特征序列并与RCS序列融合成高维特征;最后,利用具有容错能力的双向长短期记忆网络充分学习序列之间的相关性以实现目标分类。仿真结果表明,该算法比卷积神经网络和支持向量机的分类精度分别提高5%和2%以上,分类速度比卷积神经网络和双向长短期记忆网络分别提高1.5倍和2.5倍,实现了更高精度的快速智能分类。     

基于长短期记忆神经网络的自适应容错方法

针对传统的全球导航卫星系统/惯性导航系统(global navigation satellite system/inertial navigation system, GNSS/INS)紧组合系统容错方法对故障处理方式单一、环境适应性差的问题，提出了一种基于长短期记忆神经网络的自适应故障容错方法。该方法基于长短期记忆神经网络建立GNSS伪距、伪距率预测模型。发生故障时，通过分量检测法定位故障观测的维度，并引入相对差分定位精度分析故障观测对系统定位精度的影响，从而实现隔离与重构策略的动态选择。利用实测数据从可见星数、几何构型、故障持续时间3个角度设置多组环境进行仿真实验。仿真结果表明，所提方法对复杂环境具有更好的适应能力，可有效降低故障存续期间系统的定位误差，提高系统的故障检测性能。     

基于改进BP神经网络的智能控制方法研究

针对典型BP神经网络存在的缺陷提出了一些有效的改进措施。通过采用改进的BP神经网络来对控制规则样本进行学习和训练 ,使网络记忆控制规则 ,以达到智能控制的目的。仿真和实验结果证明 ,该方法具有优良的控制特性 ,能满足伺服电机控制的需要。     

神经元的集聚原理与智能子波神经网络

在对神经元机能空间分布结构和状态转换深入研究的基础上，提出了神经元的集聚原理，并通过构造一种基于广义子波基函数的神经元积聚模型，讨论了由此实现的智能子波神经网络所具有的广义结构可调和广义信息记忆等智能化特性。最后，通过两个仿真实验验证了新网络模型在有关实际问题解决上的可行性和高效性。     

基于模糊神经网络的动态非线性系统辨识研究

针对静态模糊神经网络对动态系统辨识精度低的特点,在5层静态模糊神经网络基础上进行了优化和改进,形成了可将暂态信息记忆于网络的动态回归层的动态模糊神经网络,来提高对动态系统的辨识能力。同时给出了参数的动态自适应学习算法。通过仿真实验,证明提出的动态模糊神经网络对动态非线性系统的辨识,可以取得较好的辨识精度,较快的网络收敛速度,为动态非线性系统的辨识提供新的思路。     

带有增强和变换因子的三层结构双向联想记忆神经网络

提出了一种带有增强和变换因子的三层结构的双向联想记忆神经网络。介绍了增强和变换因子的巧妙选取方法,此方法可使网络很好地适用于相关度很高的样本。但是网络容量的增加往往伴随着寄生稳态点的增加,为避免这种情况,在网络中引入三层结构,这种新的双向联想记忆神经网络能够确保任意相关的样本达到完美的双向联想记忆。仿真实验证明了该方法的优越性。     

模糊系统建模与控制的神经网络方法

本文将正在迅速发展中的模糊控制、建模方法与神经网络方法结合起来,提出了模糊系统建模与控制的神经网络方法。这种方法的核心是利用神经网络来实现复杂系统的模糊输入和输出间的模糊映射关系,并利用神经网络来学习并记忆人类控制器的知识和经验性的控制策略。本文给出了详细的模型结构和有关算法,并仿真实现了基于神经网络的模糊系统建模与模糊控制。     

基于GA神经网络的自适应预测控制的设计与仿真

针对自适应预测控制抗干扰、鲁棒性与实时性的矛盾，根据遗传算法优化后的神经网络具有很强的自适应性和学习能力、记忆能力、非线性映射能力、鲁棒性和容错能力，文章提出了一种新的自适应预测控制，成功地避免直接矩阵求逆，仿真表明该算法具有良好的综合性能和鲁棒性。     

随机模糊神经网络在公司收益预测中的应用

系统介绍了随机模糊神经网络(SFNN)并将其用于上市公司每股收益的分类和预测，以解决—般的预测方法没有考虑到输入输出数据含有“噪声”的现实问题。文中选取了300家当前正在上海或深圳证券交易所上市的公司作为样本，用随机模糊神经网络对其每股收益的分类和预测进行了仿真研究，并将仿真结果与用模糊神经网络(FNN)的仿真结果进行了对比，结果显示用随机模糊神经网络的仿真效果较好。这对于投资者合理把握投资机会，正确投资以获得更高的收益有着一定的现实意义。     

数字电力中智能仿真的设计研究

将人工智能技术与计算机仿真技术相结合构成智能仿真计算机系统，为计算机仿真带来了前所未有的机遇和挑战。本文将基于人工智能设计的概念用于计算机仿真的建模、算法、人机接口及软件的研究，讨论了智能仿真系统的概念和智能建模、智能算法和智能接口的设计方法。作为智能仿真的应用实例，在分析常规的电网调度员培训仿真系统的基础上，给出了电网调度员培训智能仿真系统的体系结构，并详细介绍了智能教员控制子系统的实现技术和方法。     

不确定性机器人实时智能补偿控制

在神经网络在线学习控制中 ,实时性和控制精度是非常重要的两大指标。提出的一类具有多维存储结构的CMAC网络 ,提高了网络的泛化能力和学习速度。利用这一网络 ,针对不确定性机器人系统 ,考虑其标称模型 ,提出了一种新的实时智能补偿控制策略 ,并利用Lyapunov方法得出了系统全局渐近稳定的充分条件和网络学习律。在该控制策略中 ,系统的控制输入由两部分组成 :基于标称模型的计算力矩及补偿输入 ,其中补偿输入为系统标称惯性矩阵与神经网络输出的乘积。最后给出了仿真实例来说明该控制策略的有效性     

连续型联想细胞神经网络局部指数稳定性研究

由于细胞神经网络的潜在应用前景 ,它现已成为神经网络研究的新热点。首先给出连续型联想细胞神经网络的数学模型 ,得到了连续型细胞神经网络平衡点局部指数稳定的充要条件及平衡点指数吸引域的估计 ,研究表明对平衡点的指数吸引域的估计 ,只要计算平衡点处的导算子矩阵的对数范数即可。该研究对连续型联想细胞神经网络的设计和应用均有重要的作用。     

混沌动力在智能信息处理中的应用

详细地讨论了利用1-D映射的不稳定极限环存储和联想记忆信息的有关问题。为了识别有关的输入信息,提出了映射函数直接控制的方法,通过数字序列和字母序列两类信息模式处理的仿真,得出了一系列有重要应用价值的结论。     

外积取等联想记忆神经网络部分同步收敛性

在生物视觉系统中发现的部分同步振荡现象被认为是视觉信息处理的重要机制 ,并对认识脑信息处理机制有重要意义。以联想记忆神经网络为例 ,针对外积取等学习准则定义了两种部分同步运行规则 ,通过引入样本向量割、割等价及割互补的概念 ,对外积取等联想记忆神经网络部分同步运行的收敛性作了直接的数学分析 ,证明了实现收敛所需的迭代数是有限的。     

模糊神经网络自学习控制器及其应用

本文提出了一种模糊神经网络自学习控制方法，并介绍了采用多层神经网络表达模糊控制的知识规则、模糊推理和学习算法。经实验仿真结果表明这种控制方案可改善具有时变及大纯滞后系统的控制品质，其性能优于一般模糊控制。     

基于多尺度LSTM预测模型研究

航空发动机剩余寿命（remaining useful life,RUL）预测是设备故障预测与健康管理（prognostics and health management,PHM）的核心问题。针对发动机数据维度高、滞后性强和复杂度高等挑战,提出了一种基于自训练权重的多尺度注意力双向长短期记忆神经网络模型。通过不同尺度的双向长短期记忆神经网络（bidirectional long short-term memory neural network,BiLSTM）提取多尺度特征;提出一种基于自训练权重的融合算法,通过引入注意力机制进行不同尺度的特征筛选,以提高预测精度。将各模型在NASA的C-MAPSS数据集上进行实验对比,结果证明,所提出预测模型在准确率和均方根误差指标上均有所提升。     

基于深度贝叶斯网络学习的不确定性建模方法

战场态势评估涉及很多不确定因素,对不确定性进行仿真建模能够提高态势评估的能力。针对参战对象多元、不确定性增多导致的无法全面准确表达不确定性问题,提出了基于记忆模块和变分自编码器的深度贝叶斯网络模型。采用生成模型设计了基于深度贝叶斯网络学习的态势评估模型;阐述了融合记忆模块的深度生成模型原理和模型的学习与推理过程;以某空袭行动为例构建贝叶斯网络,对所提方法进行了验证。结果表明:深度神经网络能够逼近隐变量的非线性变换,设计的记忆模块能存储深度神经网络提取的大量局部特征,通过学习自动得到了贝叶斯网络条件概率,增强了不确定性建模能力。     

基于遗传算法的模糊神经控制及其应用

将遗传算法和模糊神经网络结合起来,提出一类智能控制方案。仿真实验和实际温控表明,这类智能控制器可改善具有时变、非线性及大纯滞后系统的控制品质,其性能优于一般模糊控制。     

人工神经元网络在DSS中的双向联想记忆法

本文将人工神经元网络用于DSS中。首先介绍了双向联想记忆的模型和算法,接着给出一个应用例子。     

时滞Markov跳变BAM神经网络的鲁棒稳定性

针对一类具有Markov跳变参数的时滞双向联想记忆(BAM)神经网络,研究了其在系统参数不确定情况下的鲁棒稳定性.在不要求连接权矩阵的对称性和激励函数的可微性与单调性的情况下,通过构造适当的Lyapunov泛函得到了此类神经网络均方鲁棒稳定的充分条件.该条件考虑了时滞Markov跳变神经网络中参数的不确定性,改进了现有文献中的关于时滞Markov跳变神经网络的稳定性条件,所得结果以线性矩阵不等式(LMI)的形式给出.最后,通过实例仿真验证了所得结论的有效性.