基于BP神经网络与L-M算法的潜艇声纳自噪声预报

L-M（Levenberg-Marquart）算法与BP（Back-Propagation）神经网络相结合，使神经网络在多样本、大变量输入的情况下，具有更快的收敛速度和更高的逼近精度。将BP神经网络与L-M算法相结合应用于潜艇声纳自噪声预报；分析了影响潜艇声纳自噪声的各种声源参数；利用潜艇声纳实测数据进行网络训练，训练好的神经网络可以对潜艇声纳自噪声进行精确预报。     

基于径向基函数神经网络的舰艇声呐部位自噪声预报

径向基函数神经网络具有学习速度较快,函数逼近能力强的特点.文章分析了影响声呐部位自噪声的各种声源参数,以舰艇声呐部位自噪声作为目标函数,将径向基函数神经网络用于舰艇声纳部位自噪声预报.利用舰艇声呐实测数据进行网络训练,训练好的神经网络可以对舰艇声呐部位自噪声进行精确预报.     

基于神经网络的潜艇大机动水动力表达方式

基于BP神经网络技术对潜艇大攻角机动运动水动力的表达方式进行了研究.所建网络具有循环强化以及自适应设计最佳隐层单元数的特点.应用Bayesian正则化算法进行网络训练,结果表明,这种方法训练的网络具有较高的泛化能力和准确性,适合于表达样本数据较少且非线性强烈的潜艇大攻角机动运动水动力.     

潜艇自噪声检测中亟待研究的课题——如何排除海洋环境噪声的影响

现代潜艇随着声学设计的深入研究，潜艇的声隐身性能不断的提高，潜艇的声纳平台区自噪声也逐渐降低，在本艇声纳工作频段范围内，海洋环境噪声在某些场合下的量级与声纳部位的自噪声级相当。因此，如何排除海洋环境噪声对实艇自噪声检测分析的影响，是亟待研究的问题。     

金属疲劳裂纹扩展速率的贝叶斯正则化BP神经网络预测

人工神经网络是进行预报裂纹扩展率的一个重要方法。文章针对不同金属的疲劳裂纹扩展速率分别建立贝叶斯正则化BP(Back Propagation)神经网络,将各材料在不同应力比R下的疲劳裂纹扩展速率试验数据分为两部分,一部分用来进行训练网络,另一部分用来测试训练好的网络,检验其泛化能力。将从文献中获取的4种不同金属材料的疲劳试验数据作为算例,来检验网络的性能。计算结果表明贝叶斯正则化BP神经网络不仅对训练样本有很好的拟合能力,而且对于未训练过的测试样本也有较好的预测能力,即有较强的泛化能力。同时,指出了建立网络时减少门槛值附近的试验样本点,可以提高网络的预测能力。研究结果表明,该方法可以方便地获得不同应力比R下的疲劳裂纹扩展速率,从而达到减少试验次数,充分利用已有数据的目的。并且可以进一步应用于其他金属的疲劳裂纹扩展速率的预报。     

某潜艇综合声纳声腔自噪声的统计能量方法分析

本文利用统计能量分析方法研究了某潜艇综合声纳声腔结构在动力源作用下产生的自噪声.计算与模型试验结果表明该分析方法是较准确的,随后对实际声纳声腔结构噪声导致的自噪声进行了预测.     

基于改进BP神经网络的GPS信号反演蒸发波导研究

海上蒸发波导的存在,对舰载通信、雷达等电子装备产生严重影响,蒸发波导的准确预测是保证舰载电子装备对波导有效利用的前提。研究基于神经网络利用GPS信号接收功率反演蒸发波导的算法流程,提出采用贝叶斯正则化训练方法改进的BP神经网络的方法原理和计算步骤,实现了对蒸发波导的仿真反演。仿真结果表明,贝叶斯正则化BP神经网络能够实时高效反演蒸发波导高度和大气修正折射指数剖面,且在存在干扰的条件下反演结果更为真实可信。     

潜艇声呐腔自噪声预报平台

本文应用统计能量分析(SEA)对潜艇声呐腔自噪声预报问题进行了研究,编制了界面友好的通用软件预报平台.计算结果与有关实验结果吻合较好,验证了预报平台的有效性和可靠性.本预报平台已应用到多型潜艇声呐腔的自噪声预报中,对选取声呐腔的声学处理方案具有重要的指导作用.     

基于线谱特征提取的被动声纳目标识技术研究

该文针对被动声纳目标识别，着重研究了线谱特征提取方法，提出了一种自适应遗传BP算法，并用该算法训练神经网络目标分类器。经对上海上实录三类目标噪声分类识别实验结果表明，所设计的被动声纳目标识别系统具有很好的分类效果。     

舷侧阵声纳自适应噪声抵消器的海试数据处理

自适应本舰噪声抵消技术已成为舷侧阵声纳信号处理技术中的主要研究课题,实艇数据分析对寻求舷侧阵声纳自适应噪声抵消的实用方法有着重要的意义.结合实艇数据,本文对潜艇舷侧部分自噪声分布及特点;舷侧阵的最佳安装和噪声传感器的布置;自适应噪声抵消器的实用结构和算法;理想参考通道数据融合等问题进行了分析.     

Underwater vehicle sonar self-noise prediction based on genetic algorithms and neural network

1Introduction Sonarself noiseisakeyfactorinfluencingthehiding capabilityofanunderwatervehicleanddetectioncapa bilityofsonar.Decreasingsonarself noisehasimpor tanteffectonenhancingtheprobabilityofsonardetec tionandbattleeffectivenessofunderwatervehicle.An …     

灰色系统与神经网络算法相结合的分析与研究

采用BP神经网络对模型参数进行预测,算法的学习训练速度和建模时间比较长;采用灰色系统理论对模型参数进行预测,对数据信息的学习和训练能力比较有限,两种算法都存在各自的缺陷,为了提高模型中参数的收敛速度和估计精度,本文将灰色系统理论和BP神经网络算法相融合,通过仿真可以看出,模型参数的估值精度比较高,误差较小,证明了该算法的有效性和鲁棒性。     

集成统计能量法计算声呐自噪声水动力噪声分量

针对舰船艏部非规则形状声呐罩的自噪声预报,借鉴集成模态法思路[1,2],采用虚拟弹性膜技术,建立集成统计能量法(Integro-SEA),并以矩形腔声呐罩为例验证计算精度.在此基础上,采用集成统计能量法计算舰船艏部声呐自噪声的水动力噪声分量,并修正计算艏部边界层转捩区湍流猝发声源对声呐自噪声的作用.研究表明:用经典SEA和集成SEA方法计算矩形腔声呐罩自噪声,偏差小于1dB,集成SEA方法加边界层转捩区声源修正,计算的舰船艏部声呐自噪声与实艇测试结果比较,在200Hz～6kHz的中频范围内相差2～3dB.     

基于神经网络的声纳特征级信息融合中目标分类研究

声纳目标特征级融合的主要任务是实现信息压缩、目标身份确定(分类) ,以利于实时处理、决策分析。基于数学模型的各种算法,由于情况复杂,往往很难建立。而人工神经网络通过样本的学习,具有存储记忆、在相似输入下能恢复记忆等特性,从而避免了烦琐而复杂的建模。在神经网络声纳目标识别前的噪声预处理方法中,选用了功率谱特征提取、双谱特征提取算法;在研究了提取的特征后,选取反向传播神经网络(BP)模型;在此基础上构造了BP神经网络,并对网络进行训练与测试,给出识别实验结果。仿真模拟分析证明,基于神经网络的声纳特征级信息的融合,对目标分类有一定效果,为进一步实现声纳信息融合奠定了基础     

基础沉降的组合预测法

通过对基础沉降的发生过程、特点及灰色Verhulst模型特点的分析,提出可以根据施工过程中的观测资料,运用基于BP神经网络的组合预测模型对不同时刻的基础沉降进行预测;首先分别利用灰色Verhulst模型和BP神经网络模型对基础沉降进行估算,然后利用人工神经网络中的BP神经网络对采用前2种模型所得的结果进行组合预测。计算实例表明,使用该组合预测方法所得到的预测结果比单独使用灰色Verhulst模型或BP神经网络模型所得到的预测结果的总体误差要小,因而该方法是可行的、有效的;可以运用到实际工程中。     

改进的BP神经网络在船舶与海洋工程中的应用研究

人工神经网络作为一个具有高度非线性映射能力的计算模型,在工程中具有广泛的应用前景.在数值预测方面,它不需要预选确定样本的数学模型,仅通过学习样本数据即可以进行预测.文章介绍了BP神经网络,并针对实际应用中收敛速度慢,平台效应等问题对网络进行了改进并优化,详尽地给出了改进的三层BP神经网络数值预测算法.为测试该算法.选用了著名的XOR(异或)问题和和一个高度非线性的0-1矩阵预测问题对其进行了验证.计算结果表明文中算法能给出令人满意的精度.最后结合船舶与海洋工程的两个实际问题,探讨了利用改进的BP神经网络进行数值预测的方法和应该注意的问题,并给出了一些有益的建议.实践表明,文中给出的改进的BP神经网络数值预测算法值得在船舶与海洋工程中加以应用并推广.     

基于BP-GA算法的环肋锥柱壳多目标优化设计

本文以超大潜深的潜艇耐压壳结构为研究对象,利用排水量表达式估算潜艇主尺度。通过Ansys软件的Apdl语言建立环肋锥柱壳的有限元模型,并分析计算耐压壳的强度及稳定性。以肋骨间距、耐压壳厚度和肋骨尺寸作为离散设计变量,以结构重量、总体失稳临界压力作为优化目标,实现基于神经网络和遗传算法的环肋锥柱壳多目标优化设计。在Matlab平台上,首先用拉丁超立方体抽样,再用BP神经网络建立起样本点和目标函数之间的映射关系,构建神经网络代理模型,最后调用多目标优化函数gamultiobj进行优化。优化结果表明,利用BP神经网络和遗传算法相结合进行复杂模型环肋锥柱壳的多目标优化,效率较高,精度较好,达到较理想的优化效果。     

基于神经网络和粒子群算法的环肋圆柱壳优化设计

对于潜艇外壳等外压容器来说,满足稳定性要求至关重要。本文利用Matlab编写改进粒子群算法优化程序,利用 Ansys的 Apdl语言完成了环肋圆柱壳的参数化建模,以圆柱壳厚度、肋骨尺寸和肋距作为离散设计变量,以稳定性要求作为约束条件,构造了合适的惩罚函数,以质量最轻作为设计目标,实现了基于 BP神经网络和粒子群算法的环肋圆柱壳优化设计。在优化过程中,首先采用拉丁超立方体抽样完成了样本点的选取,然后对样本点进行有限元分析,根据有限元分析结果构建 BP神经网络代理模型,并探讨了样本点数量对代理模型预测精度的影响,最后采用改进粒子群算法对代理模型进行优化。优化结果表明,对于需要考虑离散变量和复杂非线性约束的结构优化问题,采用 BP神经网络和粒子群算法联合优化的方法能够节省大量计算时间,并达到理想的优化效果。     

基于IGA-BP算法的船舶航向智能自适应控制系统设计

在深入研究基于BP学习算法的前向神经网络以及模糊神经网络控制器的基础上,针对模糊神经网络控制器难以设计以及传统BP学习算法易于陷入局部收敛的不足,结合免疫遗传算法的全局收敛特性以及BP学习算法局部收敛的快速性,提出了一种基于混合计算智能方法的IGA-BP算法的神经网络参数的优化设计方法.将设计的控制器用于建立船舶航向控制系统模型,仿真结果表明,在船舶无干扰和存在随机干扰的情况下,基于IGA-BP算法设计的船舶航向控制系统均能使船舶转向控制无超调,跟踪快,比BP学习算法的控制效果更理想.