船用导航雷达数据处理神经网络方法的研究

基于α－β滤波的处理思想，用神经网络对目标数据进行滤波处理，不断调整神经网络的连接权值，经过多次训练，使目标波输出摊商目标航迹的变化规律，仿真结果表明，神经网络方法用于船用雷达平滑跟踪是可行的，其跟踪误差是收敛的，而且通过合理选择网络参数，可使跟踪误差很小。     

基于混合神经网络的模糊辨识方法

提出一种简明而有效的基于混合神经网络的模糊辨识方法．与现有方法不同,该模糊辨识方法采用自组织神经网络和模糊聚类网络两部分组成的三层神经网络来实现．实验结果表明,该方法可以为模糊建模提供好的模型结构,并具有较高的计算效率和精度．     

基于神经网络的系统辨识

本文介绍了一种由系统的输入和输出建立系统预测模型的方法——基于神经网络的辨识。并给出了网络的递推公式,并举例。仿真结果表明,辨识的精度可人为确定。该方法适用于复杂的控制问题或要求控制精度较高的控制问题,如原油含水控制及井下压力的控制等方面。     

基于神经网络的非线性系统辨识方法

主要介绍利用多层神经网络进行非线性系统辨识的几种模型以及相应的算法，并分析和比较它们的辨识性能．为高度不确定性动态系统的综合设计提出了一种分析方法。     

基于神经网络的非线笥系统辨识方法

主要介绍利用多层神经网络进行非线性系统辨识的几种模型以及相应的算法，并分析和比较它们的辨识性能，为高度不确定性动态系统的综合设计提出了一种分析方法。     

基于神经网络的非线性系统辨识

基于神经网络实现了非线性系统的分析,给出了计算实例,实验结果表明了方法的有效性。     

基于Hopfield神经网络的线性系统参数辨识

基于Ｈｏｐｆｉｅｌｄ网络的神经计算原理,提出了一种新的线性系统参数辨识方法,首先建立系统的Ｉ／Ｏ差分方程以模型误差二次型作为ＨＮＮ的能量函数,辨识差分方程的系数矩阵,最终得到线性系统的全部矩阵参数,数值仿真的结果证明了该方法的有效性。     

非线性对象快速神经网络辨识方法

使用改进的神经网络模型结构与算法来辨识未知非线性系统,具有辨识精度高,速度快的特点。该方法简单有效,为设计非线性对象控制器提供了一条思路,从而摆脱了用线性模冲近似被控对象的粗略做法。算法中,学习率采用随误差变化率而改变的做法减小了学习率选取的盲目性．加速了网络训练过程。     

基于RBF神经网络的热力系统煤种辨识方法

为了保证热力系统稳定运行,提高锅炉安全寿命,控制污染物,该文利用多模型思想,对煤种低位发热值进行初步辨识和精确辨识。初步辨识中,采用改进的K均值聚类算法,快速辨识出煤种类型;精确辨识中,利用初步辨识的结果优化发热量辨识模型,减少模型搜索范围,采用自动调节隐节点和参数的径向基函数(RBF)神经网络算法。仿真结果表明,该辨识方法的辨识误差在1.5%以内,具有良好的辨识精度,在速度上也优于单独的RBF辨识算法,可以应用于热力系统煤种发热量在线辨识。     

非线性对象快速神经网络辨识方法

使用改进的神经网络模型结构与算法来辨识未知非线性系统,具有辨识精度高,速度快的特点.该方法简单有效,为设计非线性对象控制器提供了一条思路,从而摆脱了用线性模冲近似被控对象的粗略做法.算法中,学习率采用随误差变化率而改变的做法减小了学习率选取的盲目性,加速了网络训练过程.     

小波神经网络的毫米波雷达目标一维距离像识别

将小波变换和反向传播神经网络理论结合，设计一种小波神经网络结构。由于小波变换在时间和频率空间所具有良好的定位特性，使小波神经网络可对输入输出数据进行多分辨的学习训练。介绍神经网络的数学框架和该网络的学习算法。根据毫米法频率步进雷达目标一维距离像所给出的信息，将所提出的小波神经网络用于3种实际雷达目标的识别。实验结果表明，小波神经网络收敛速度快、识别率高。     

基于神经网络的输电线路故障识别方法

针对长期暴露在露天环境下输电线路容易发生开股、断股情况,提出了一种基于神经网络的输电线路故障识别方法,选择轻量级网络MobileNet训练模型与单发多盒探测器(single multibox detector,SSD)目标检测算法。建立导线故障样本缺陷库,对导线故障图片进行处理,在已有模型上对故障特征进行训练,调整超参数优化模型,对模型进行测试,最终将模型在嵌入式设备上进行部署。结果表明,与传统的Faster-RCNN结合VGG16网络模型相比较,大小为传统模型的1/23. 78,测试速度快了28倍,精确度为92. 60%。该系统不仅有较好的识别效果,而且满足实时性。     

一种基于子波特征的模糊神经网络目标识别方法

针对雷达目标识别中相对不变特征量提取这一问题，提出了一种基于子波变换的特征提取方法．通过对三类飞机一维距离像的分类和识别，验证了这种方法的有效性，同时在将模糊神经网络作为模式分类器方面做出初步尝试。     

基于神经网络的字母识别方法研究

利用Hopfield神经网络联想记忆的功能,对有噪声干扰的字母进行识别。     

基于神经网络的负载识别

提出了基于神经网络的负载识别方法,对供电系统管理有重要的现实意义.     

一种基于动态模糊神经网络的飞行数据模型辨识方法

针对飞行数据的特点,提出了一种基于动态模糊神经网络(DFNN)的飞行数据模型辨识方法。该方法采用在线学习方式,通过动态增加和删除神经元节点的策略实现网络结构学习,采用递推最小二乘法实现网络权值的在线调整,以最终得到一个结构简单、泛化能力强的神经网络。以某特定时间段的飞参数据为仿真样本,将该DFNN用于参数关联模型的辨识,实验结果表明该辨识方法收敛速度快、泛化能力强。     

基于多传感器的神经网络模式识别方法

提出基于样本信息量不减少和减小误差的原则下，提取样本数据的综合指标的处理方法，从而克服传统识别方法中样本数据过大，而且存在误差和干扰，严重影响识别速度和效果的困难。改善了神经网络模式识别的效果。     

基于神经网络辨识的自适应PID控制器

根据实际生产现场对控制的要求,提出了一种将PID控制与神经网络相结合,采用BP网络辨识未知的被控对象,使用单纯形算法寻找最优的PID控制参数,控制与学习并行的控制方案.并对二阶对象进行仿真研究,将其与单位阶跃响应进行了比较.     

基于模糊神经网络的水力机组模型辨识

根据水力机组可分段线性化的特性,提出了水力机组简易模糊语言模型。在此基础上,将反馈控制思想引入系统辨识,同时结合神经网络的易学习特点给出了基于模糊神经网络的水力机组模型结构及其算法。最后将所建模型运用于灯泡贯流式机组的在线预测。试验结果表明,该模型在线修正工作量小,并能迅速地、较为准确地逼近实际系统的输出,可以作为贯流式机组自适应控制的实时预测模型。     

自组织神经网络雷达目标识别的研究

提出一种用Kohonen自组织神经网络进行雷达目标识别的新方法。这种方法可以对多个目标组成的多频模式空间向二维神经元阵列作拓扑有序映射.并提出一种输入输出神经元之间的连接权的微调方法——裂化映射算法,从而使自组织分类器的识别性能得到进一步提高。对两种飞机目标的性能进行了实验.结果表明,这种新的目标识别方法具有良好的应用前景。