一种目标识别的三级混合数据融合方法

多级混合数据融合方法是解决目标分类识别问题的一种重要途径，研究了一种三级混合数据融合方法，该算法在不同级别使用了改进的BP算法、D-S证据理论及基于模糊综合的方法。     

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.     

Wasserman自适应学习率算法的改进

在Wasserman自适应学习率算法的基础上提出一种新的BP网络改进算法--分层自适应学习率附加动量项算法,并应用该算法建立了凝汽器故障BP网络诊断模型.仿真结果表明该算法较之Wasserman自适应学习率算法能进一步提高网络的学习速度.     

U—D分解渐消记忆滤波神经网络控制器在船舶操纵中的应用

针对前馈网络BP算法所存在的收敛速度慢且常遇局部极小值等缺陷，提出一种基于U－D分解的渐消记忆推广Kalman滤波学习新方法。与EKF相比，该方法不仅大大加快了学习收敛速度，数值稳定性好，而且比BP算法需较少学习次数和隐节点数，学习效果也更好，将这种学习算法应用在船舶操纵的神经网络控制器中，仿真结果表明该方法是提高网络学习速度改善学习效果的一种有效方法，可有效解决非线性系统的控制问题。     

人工神经网络在故障诊断系统中的应用

人工神经网络以其独到的联想、记忆、储存和学习功能，在故障诊断领域受到了广泛关注。其中，BP网络是最成熟、应用最广泛的一种网络。但BP网络在实际应用中也存在诸多不足，如学习率的取值需要凭借经验或试算选取，网络学习收敛速度慢以及易陷入局部最小点等。针对BP网络的这些不足，采用了Rumelhan附加惯性冲量和动态调整学习率相结合的改进的BP网络方法，并尝试用该改进算法来对凝汽器进行故障诊断。事实证明，在平均情况下，本系统收敛速度远远快于基本的BP算法。     

一种新型的船舶横摇运动实时预报方法

本文在阐述强化学习的基本原理，方法的基础上，提出了一种强化学习的TD算法与BP算法相结合的BPTD方法，并将基用于对角回归神经网络的在线训练，最后以在船舶横摇运动时预报技术上的应用为例，说明这种算法有很强的实时多步预报能力。     

基于增强型学习算法的船舶运动混合智能控制

船舶航向控制与航行的安全性、可操纵性和经济性密切相关。本文将增强型学习算法与混合智能技术相结合,应用于船舶运动航向控制,克服了通常混合智能算法的学习需要一定数量样本数据的缺陷,又有发挥各种智能算法的优势。仿真结果表明在缺少样本数据情况下,该算法可以在一定程度上改进控制效果。     

基于混合学习算法的水下机器人神经网络辨识

借鉴Elman和Jordan神经网络的特点,构造了一种新的动态神经网络.该网络能对隐含层的历史进行状态记忆,实时调整过去的信号对现在值的影响,并且增加了输出层节点的反馈以增强神经网络的信号处理能力.将基于遗传算法(GA)和误差反传算法(BP)的混合学习算法用于神经网络权值的修改,既可提高收敛速度又能避免陷于局部极小值.最后,将改进的神经网络应用于水下机器人动力学模型辨识,仿真结果表明,基于混合学习算法的神经网络提高了学习的收敛速度和辨识精度.     

神经网络自适应控制算法的研究和MATLAB仿真

本文针对神经网络系统跟踪输入信号时,由于误差总是存在导致学习过程难以结束的特点,以一种用BP 网络逼近对象的学习算法为基础,结合相应的控制算法加以改进,并得到了一种快速学习因子的选择方法。结合不同对象通过MATLAB进行仿真,均获得了满意的效果。仿真和分析表明,该算法能保证系统具有良好的动态品质。     

一种宽带水声目标DOA估计方法

针对现有的基于压缩感知的宽带水声目标DOA估计方法中存在估计计算时间长、失败率高的问题,将稀疏贝叶斯学习重构方法应用到宽带水声目标DOA估计中,采用定点方法对SBL算法中的核心超参量进行求解,提出一种基于稀疏贝叶斯学习的宽带水声目标DOA估计方法.通过仿真实验,验证了该方法的可行性与有效性,并证实该算法相对于常用的波束形成算法、MUSIC算法、SBL算法以及BP算法具有运算速度快、重构精度高等优点.     

神经网络用于船舶操纵动态特性学习的研究

本文针对BP网络存在的一些问题，提出一种单层神经网络结构，通过大量的仿真试验，对两种网络在学习、预报和适应参数变化等方面的特性进行了对比。结果表明单层神经网络用于学习船舶操纵动态特性，具有收敛速度极快、预测误差较小、能快速跟踪参数变化等优点，可用于船舶操纵特性的实时学习。     

船舶操纵性神经计算

利用人工神经网络完成从船舶参数空间到船舶操纵性指标空间的映射。作为输入参量的船舶参数具有一定的自由度,比较符合船舶设计的循序渐进过程。本文采用３层９隐节点ＢＰ网络,９艘次实船资料的拟合结果的精度为０．６１３７（单项平均平方误差）。对船舶操纵性预报进行了初步研究。利用８艘散货船的训练结果,对另１艘同类船舶的回转试验的进距、横距和战术直径进行了预报。     

神经网络在船舶主柴油机建模中的应用

该文研究用BP神经网络建立船舶主柴油机模型的方法,并对BP算法进行了改进,提出了一种动态优化学习率的方法,对6L80MC柴油机实际数据用BP网络进行计算的结果表明,该算法能有效地建立船舶主柴油机模型。该模型已成功用于船舶主机遥控仿真系统中。     

基于LM算法的组合导航系统的故障诊断

LM (Levenberg-Marquardt)算法是梯度下降法与高斯-牛顿法的结合,在训练次数与精度上明显优于标准的BP算法.介绍了BP神经网络,采用LM算法对标准BP算法进行改进,并应用于船舶组合导航系统的故障诊断.仿真结果表明,LM算法可有效地提高学习速度,缩短训练时间,诊断效果好.     

基于误差反传神经网络的船型要素建模分析方法及应用

探讨用ＢＰ神经网络建立船型要素建模分析理论和方法。讨论了建模的处理技巧。结合算例对基于ＢＰ网络的数学模型的表达方式、网络结构模型预报精度的影响及模型中变量的重要度分析方法等基本问题作了初步分析。     

改进的BP网络及其在电路故障诊断中的应用

针对标准BP算法收敛速度慢、容易陷入局部极小值的缺点，提出了改进的BP算法——Levenberg-Marquardt算法，并将其应用到电路故障诊断问题中。实例仿真验证了改进算法在训练次数和训练时间上具有明显的优势，同时也能保证故障诊断准确率，具有良好的效果。