搜索结果: 1-10 共查到“航空、航天科学技术 BP”相关记录10条 . 查询时间(0.111 秒)
BP神经网络在极移预报中的应用
反向传播神经网络 插值基础序列 趋势项
2014/9/29
为了提高地球定向参数极移的预报精度，建立了一个极移数据预报模型。利用傅里叶分析研究插值基础序列的周期特性，验证了基础序列重采样的可行性，提取插值基础序列数据的趋势项，利用多输入-单输出反向传播（Back Propagation,BP)神经网络建模预报不同跨度的残差序列，合并趋势项和残差序列得到最终的极移预报。预报结果表明，选取合适的插值基础序列得到的预报极移精度较高，此BP神经网络能够有效地应用于...
为了提高地球定向参数极移的预报精度，建立了一个极移数据预报模型。利用傅里叶分析研究插值基础序列的周期特性，验证了基础序列重采样的可行性，提取插值基础序列数据的趋势项，利用多输入-单输出反向传播（Back Propagation,BP)神经网络建模预报不同跨度的残差序列，合并趋势项和残差序列得到最终的极移预报。预报结果表明，选取合适的插值基础序列得到的预报极移精度较高，此BP神经网络能够有效地应用于...
基于BP神经网络的自主定轨自适应Kalman滤波算法
BP神经网络 自主定轨 自适应Kalman滤波 用户测距误差
2012/9/18
针对Sage Husa自适应滤波方法存在的窗函数开窗大小选择问题，提出一种基于BP神经网络学习估计系统协方差矩阵的自适应Kalman滤波算法。该算法以Kalman滤波预测残差向量作为网络输入，通过网络分段离线学习确定预测残差向量与预测残差协方差矩阵间的非线性关系，自适应地估计Kalman滤波系统协方差矩阵。将其应用到自主定轨系统，仿真结果表明利用本文算法自主定轨60天星座平均URE误差小于1.9米...
将云模型与BP(back propagation)神经网络以串联方式有机结合,首先利用云变换方法进行网络的结构辨识和云模型的特征提取,同时通过在输入层引入单位延时环节描述发动机工作过程动态特性,研究提出了基于动态云BP网络的液体火箭发动机故障诊断方法.结合实际试车数据的验证结果表明,该方法能够准确识别发动机已有的3种故障模式,通过在试车数据中添加0期望、0.2标准差的随机噪声的方法来模拟环境噪声和...
基于混沌理论和BP神经网络的某基地电力短期负荷预测
混沌理论 BP神经网络 基地电力 短期负荷预测
2011/8/26
为了合理安排并优先保证军事基地中的电力调度问题，提出一种基于混沌时间序列和BP 神经网络相结 合的电力短期负荷预测方法。根据混沌理论及神经网络方法，先基于延迟坐标相空间重构技术，再应用互信息法和 饱和关联维数法，选择延迟时间t 和嵌入维数m，然后用BP 神经网络来实现预测，并通过对海军某基地的电网的 时间负荷序列进行实测仿真。仿真结果表明：相对误差均在5%以内，且有33.3%的误差在1%以内，证明...
基于BP神经网络的舰载机着舰信号融合方法
BP 神经网络 信息融合 舰载机着舰 航空母舰
2010/11/23
为了提供精度更高的方位角偏差信息，更好地辅助飞行员着舰或者实现舰载机自主着舰，采用BP 神经 网络的方法，将电子着舰系统（Automatic Carrier Landing System，ACLS）和光学助降系统（Optical Landing System， OLS）提供的方位仰角偏差信号进行信息融合，使融合结果更加逼近期望输出值，提高数据的可信度。仿真结果表 明，该方法能有效提高方位仰角偏差信...
一种基于GA-BP算法的PIDNN控制策略
神经网络 遗传算法 BP 算法 GA-BP 算法
2010/10/9
为改善常规PID 控制器对非线性对象的控制性能，提出一种基于GA-BP 算法的PID 神经网络（PID Neural Network，PIDNN）控制策略。将PID 控制规律融入神经网络，构成一种PIDNN 控制器，并利用GA-BP 算法来对 其进行参数优化。采用所设计的PIDNN 控制器对一种非线性系统进行仿真研究，仿真结果表明：GA-BP 算法收敛 速度快，所设计的PIDNN 控制器与常规PI...
针对多应力加速寿命试验(ALT)中传统的寿命预测方法存在建立加速模型及求解多元似然方程组困难的缺点，基于反向传播(BP)人工神经网络(ANN)，利用BP神经网络良好的预测特性，建立了多应力恒定加速寿命试验寿命预测模型。首先，以加速寿命试验中的加速应力水平和通过经验分布得到的可靠度作为网络训练输入向量；以非线性最小二乘法对原始失效数据进行拟合并得到回归方程，利用回归方程生成大量的仿真数据作为训练目标...
双BP神经网络在磨损颗粒自动识别中的应用
双BP 神经网络 因子模糊化 磨粒识别
1999/4/20
引入了一套磨粒形态学描述子来提取磨损颗粒的显微形态特征 ,然后以此为输入参数提出了一套BP神经网络 ,对磨损颗粒进行自动识别分类。针对本网络输入参数多 ,网络训练耗时长的问题 ,尝试采用因子模糊化的网络训练方法 ,大幅度提高了神经网络的训练速度 ,并取得了较好的应用效果。