摘要：针对无人机(UAV)仿真伺服系统的驱动模型,提出了一种将误差反传算法用于UAV仿真伺服系统在线学习设计的新方案。在该算法中采用了BP神经网络的基本思想,设计了两输入、单隐层、两输出在线学习策略,输入层分别为给定指令信号和反馈数字解算后的位置信号;隐含层单元数为12 个;输出层设为2 个输出单元,即经在线学习误差反传算法学习训练后的数字位置和速度,其中位置控制器采用自调节比例积分微分(PID)控制,速度通过数字/模拟(D/A)转换后传送到速度控制器,设定精度误差指标为0.05,训练样本数为30。用研制的UAV仿真伺服系统对UAV光纤陀螺传感器进行含实物半物理实时仿真实验,结果表明,该在线学习误差反传算法控制方案的UAV仿真伺服系统具有收敛性好、动态响应快、鲁棒性强的特点。

摘要：针对结构复杂、模型不确定、强非线性的航空发动机对象,提出一种综合模糊推理、神经网络自适应和PID简单控制各自优点的控制方案.在改进模糊PID控制器的基础上,进行了新型智能型神经网络控制器的设计,并提出离线混沌蚁群优化与在线误差反传调整相结合的优化方法.应用具有良好泛化能力的最小二乘支持向量机进行系统辨识,对某型航空发动机进行了设计点处的线性和非线性模型控制仿真.结果表明:控制系统具有满意的动、静态性能和较好的鲁棒性,验证了该方案的可行性和有效性.

摘要：为了消除数字信号在传输过程中产生的码间串扰,使得接收端能够正确解调,对信道畸变进行有效补偿,在基于动量项BP神经网络盲均衡算法的基础上,提出一种能够自适应调节BP神经网络动量项的盲均衡算法。该算法根据盲均衡过程中误差函数的变化情况,自适应调节BP神经网络的动量项,充分发挥动量项在避免网络训练陷于较浅的局部极小点的优势。仿真实验结果表明,该算法在稳定性及收敛性能上均优于固定动量BP神经网络盲均衡算法。

摘要：将误差反传 (BP)算法和遗传算法 (GA)有机地结合在一起 ,提出了一种新的算法 BP- GA。采用 BP- GA算法 ,设计了一个两层前向 L SI神经网络。作为神经网络的关键部件 ,提出的新型神经元性能优越。它的激活函数与理想sigmoid函数拟合很好 ;可实现对阈值及增益因子的编程并且不同增益因子下饱和输出电压值相同。采用标准 1.2 μmCMOS工艺的模型参数 ,对该两层前向神经网络电路进行的HSPICE模拟证明了它有解决异或 (XOR)

摘要：基于 0.6μp标准 CMOS工艺,设计并实现了一种可扩展 BP在片学习神经网络芯片.该芯片包含 8个神经元和64个突触.提出了一种新颖的可扩展拓扑结构,使得利用该芯片构成完整的神经网络系统时,不需附加额外的神经元误差计算芯片;将L个芯片层叠起来就可以得到一个L层的神经网络.该芯片采用模拟电路,利用电容进行电荷存储,在片学习本身可用于权重刷新以保证权重值的正确性.奇偶校验实验证明了该神经网络芯片具有在片学习的能力.

摘要：资料缺乏和无资料地区的径流分析研究一直是困扰水文工作者的一个难题。在探讨了将人工神经网络方法应用于上述地区的径流研究可行性基础上 ,通过分析确定影响径流的主要因素 ,建立岩溶山区径流分析神经网络模型。