混沌神经网络优化机制研究

分析了混沌神经网络的优化机制,研究了具有模拟退火特性的混沌神经网络模型,给出了混沌神经网络的能量函数,以及计算网络Lyapunov指数的方法,从理论上证明了当网络参数满足一定条件时,网络具有混沌性状。在仿真实验中,应用Hopfield网络和混沌神经网络求解信道分配问题。结果表明,混沌神经网络在求解优化问题时具有更强的搜索全局最优解的能力,和更快的收敛速度。     

基于混沌神经网络的多目标数据关联

研究了多目标跟踪中的数据关联问题.利用混沌动态的遍历性,搜索过程可避免陷入局部极小.仿真结果表明,利用混沌神经网络实现多目标数据关联是可行的,且比Hopfield神经网络有更高的收敛效率.     

基于混沌神经网络的多目标数据关联

研究了多目标跟踪中的数据关联问题。利用混沌动态的遍历性，搜索过程可避免陷入局部极小。仿真结果表明，利用混沌神经网络实现多目标数据关联是可行的，且比Hopfield神经网络有更高的收敛效率。     

基于并行Boltzmann机的多目标跟踪研究

聚合概率数据关联滤波方法的关键是求解数据关联概率βｉ＾ｔ。本言首先研究了密集多回波环境下的多目标数据关联问题，进而应用神经网络Ｂｏｌｔｚｍａｎｎ机，结合模拟退火方法，求解数据关联概率βｉ＾ｔ，把求得的βｉ＾ｔ用于卡尔曼滤波跟踪器计算目标位置的量测修正，达到多目标跟踪，仿真结果表明，该方法能很好地进行多目标跟踪，而且回波愈密集，其优越性能愈为突出。     

基于退火策略的混沌神经网络在解KTSP问题中的应用

研究优化求解多路TSP问题(KTSP)。首先求出将KTSP转化成TSP的换位矩阵，然后用基于退火策略的混沌神经网络(ACNN)模型求解KTSP。仿真结果表明算法是有效的。     

基于退火策略的混沌神经网络在解KTSP问题中的应用

研究优化求解多路TSP问题(KTSP).首先求出将KTSP转化成TSP的换位矩阵,然后用基于退火策略的混沌神经网络(ACNN)模型求解KTSP.仿真结果表明算法是有效的.     

混沌理论和神经网络相结合的舰船摇荡运动极短期预报

舰船摇荡运动具有混沌特性,因而可以应用混沌理论对其进行预报.介绍了混沌时间序列预测原理;建立了基于混沌理论相空间重构技术的RBF神经网络模型,并将其用于舰船摇荡运动预报;通过对某实船纵摇时历的预报计算,证明了采用混沌和神经网络相结合的预报方法,能有效提高预报精度和延长预报时长.     

一种混沌遗传混合算法及其在机动多目标数据关联中的应用

讨论了混沌优化方法和自适应遗传算法在多目标数据关联中的应用,针对这两种算法的不足,提出了一种集成混沌优化与遗传算法的混沌遗传算法.仿真结果表明,将本文提出的集成算法运用于数据关联,可以提高关联成功率,加速算法收敛速度.     

一种混沌遗传混合算法及其在机动多目标数据关联中的应用

讨论了混沌优化方法和自适应遗传算法在多目标数据关联中的应用，针对这两种算法的不足，提出了一种集成混沌优化与遗传算法的混沌遗传算法。仿真结果表明，将本文提出的集成算法运用于数据关联，可以提高关联成功率，加速算法收敛速度。     

基于混沌理论与RBF神经网络的船舶运动极短期预报研究

文章基于混沌动力系统相空间重构理论,利用关联维数法和最大Lyapunov指数法,对船舶运动时间序列的混沌特性进行了判定。并利用RBF神经网络较强的非线性映射功能,结合相空间重构理论建立了船舶运动极短期直接多步预报模型。实例预报结果表明,所建立的预报模型应用于船舶运动极短期预报取得了令人满意的预报精度,预报时间可达10 s。     

饱和砂土场地液化势预测的几种方法

基于地质统计学方法和神经网络技术，对饱和砂土场地液化势进行了分析和预测。预测结果表明优化的网络结构可以很好地映射场地液化势数据结构，预测精度在很大程度上取决于趋势分量的分离以及残余分量的数据结构拟合。分析结果还表明基于GRNN的场地液化势预测模型的预测精度要高于传统的Kriging估值模型的精度。提出的场地液化势几种估值模型适用于岩土参数的空间估值。     

Motion Control of Underwater Vehicle Based on Least Disturbance BP Algorithm

Up to now, some technology of neural networks are developed to solve the non-linearity of researched objects and toimplement the adaptive control in many engineering fields, and some good results were achieved. Though it puts some questionsover to design application structure with neural networks, it is really unknowable about the study mechanism of those.But, theimportance of study ratio is widely realized by many scientists now, and some methods on the modification of that are provided.     

基于BP神经网络的CFAR检测器标称化因子确定方法

在运用恒虚警（CFAR）检测算法中,一个非常重要的工作是根据给定的恒虚警率确定其标称化因子。当标称化因子关于虚警率的关系式很难甚至于是不可能得到时,传统上采用仿真方法,但仿真方法的计算量非常大。为此文章利用BP神经网络具有强大的逼近任意非线性关系式的能力,提出了一种基于BP神经网络的CFAR检测器标称化因子确定方法。通过实例研究表明,通过对BP神经网络的输入进行自然对数的变换后,其对虚警概率和标称化因子的关系进行逼近时需要的训练次数将大为减少,研究还表明基于BP神经网络的标称化因子确定方法具有相当高的精度。     

BP神经网络对船舶远程监控系统的改进分析

为了满足公司对于远洋船舶更加有效监控的要求,应用BP神经网络对监控系统加以改进,使船舶远程监控系统发出预警信号,并能在船舶上报警.此时,相应参数识别码也能够第一时间到达岸上公司,岸上公司即能在最佳时间协助船舶对设备进行维修.BP神经网络在远程监控系统的应用分析过程中,以6缸柴油主机排气温度变化趋势为模型,利用BP神经网络良好的学习特性,建立了排气温度变化的持续升高预警模型及其他非预警模型.分析表明,此种方法适用于远洋船舶的远程故障监测及船舶系统故障预测.     

基于BP神经网络的防空兵射击指挥效能评估

为了评估防空兵射击指挥效能,构建了效能评估指标体系,建立了射击指挥效能评估的三层BP神经网络模型。说明了训练样本构造的方法,并用样本对BP神经网络进行训练。利用训练好的神经网络对防空兵射击指挥效能进行评估。     

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.     

基于加权矢量神经网络的辐射源识别方法

现有的很多分类识别方法包括基于专家系统的方法[1]、基于贝叶斯理论的方法、基于模糊模式识别的方法[2]、基于最近邻的方法[3]、基于人工神经网络的方法[3]等等在辐射源识别中都有比较成功的应用,但这些方法一般都针对测量参数为标量形式的测量值进行处理,在一定程度上解决了由于参数测量误差所引起的辐射源识别问题,对于误差的另一种情形,即测量参数为区间类型模糊值的情况讨论却较少,文献提出了一种基于模糊IF-Then规则的神经网络算法,给出了能够处理模糊输入的神经网络体系结构,同时给出了一种基于代价函数的学习算法,其代价函数由实际模糊输出和无模糊输出决定,通过学习该网络能够实现模糊输入到模糊输出的非线性映射。     

基于神经网络的船舶主动力装置系统可靠性优化分配

船舶主动力装置系统可靠性分配是船舶动力可靠性工程设计中的重要内容，它常常构成有约束条件的非线性优化问题。探讨了基于神经网络理论求解该类问题的方法。建立系统可靠性优化分配的数学模型，采用罚函数法将不等式约束转化为无约束的优化问题，构造出Hopfield神经网络求解的能量函数，求得动力系统微分方程组。用数值计算的方法求解微分方程组，所得平衡点即为最优解。该方法通用性好，收敛速度快，为船舶主动力装置系统的可靠性分配提供了一种新的手段。     

基于回声状态网络的船舶摇荡连续预报方法研究

回声状态网络（ ESNS）是一种新型递归神经网络,可通过对有限的已知样本进行训练,建立非线性模型来预报未知样本。该算法在解决非线性问题时具有一定优势。无需知道海浪的先验信息和船舶航行姿态的状态方程,仅利用实测的船舶横摇、纵摇历史数据,寻求规律即可进行实测摇荡数据的极短期预报。仿真结果表明,该算法在预报15 s以内可达到较高的预报精度,通过预报窗口的平移,可以进行连续在线预报。     

基于学习矢量量化网络的人脸识别

提出利用主元分析(PCA)和学习矢量量化神经网络(LVQ)相结合的方法进行人脸识别。在ORL人脸库上的实验证明，这种方法的识别效率高，对表情和姿态的变化具有一定的鲁棒性，在识别性能上优于传统的Fisherfaces脸方法和eigenfaces方法。