简介：摘要基于BP模型的神经网络是一种用于前向多层神经网络的反传学习算法，目前为止应用最为广泛且最重要的一种训练前向神经网络的学习算法。本文详细介绍BP算法原理并剖析其性能不足的几个方面，简要介绍优化算法，对模型未来的发展方向进行展望。

简介：永磁同步电动机（PMSM）是一个多变量、非线性、强耦合的复杂系统,其伺服系统的控制策略直接影响PMSM的性能指标。文章给出了PMSM在d-q坐标系下的数学模型,分析了空间矢量脉宽调制（SVPWM）的基本原理,针对传统的复杂SVPWM算法,分析了一种基于Kohonen神经网络的SVPWM算法。该算法计算简单,避免了大量的三角函数和求根运算,从而可节省处理器的计算时间。采用的控制方式,在Matlab/Simulink环境下建立PMSM伺服系统三闭环控制仿真模型,仿真结果验证了算法的有效性。

简介：利用机动飞行目标轨迹可预测飞行目标实时位置,针对灰色模型对快速飞行目标轨迹预测不准确的问题,引入神经元理论判断飞行目标状态,通过机器学习掌握飞行目标转弯模型,从而更准确地对飞行目标转弯进行预测。首先,分析了灰色模型预测方法的工作原理和特点;然后,借助反向传播(BP)神经元模型可判断飞行特征的优势,将灰色模型与神经元网络模型进行了结合;最后,通过仿真试验表明该飞行目标预测法可对飞行目标进行精准监视和控制。

简介：针对传统道路障碍物检测算法准确性和鲁棒性不强等问题,本文提出一种基于卷积神经网络的道路障碍物检测算法。该算法首先对车载图像预处理生成障碍物候选区域,再将障碍物候选区域输入到改进的卷积神经网络中,进行精确识别和剔除,区分道路障碍物和非障碍物。改进的卷积神经网络在原有网络的基础上,调整了卷积核的大小和个数、池化层的空间尺寸和神经网络的深度,并且在卷积层后选择性的加入池化层,提高障碍物的识别率。在不同场景中进行了测试,实验结果表明：本文提出的道路障碍物检测算法有效的提高了障碍物的识别率,识别率达到98.2%,并且拥有较高的鲁棒性。