面向多普勒后STAP的基于先验知识训练样本选取方法

针对非均匀杂波环境中有效训练样本数严重不足的问题,提出一种面向多普勒后空时自适应处理(STAP)的基于先验知识的训练样本选取方法,给出了基于相邻距离-多普勒(RD)单元的地貌特征的最优权值系数选取准则.该方法联合相邻多个多普勒通道作为样本筛选的整体,通过相邻RD单元加权的方式,突出相邻多普勒通道在样本选取时参与决策的影响程度,然后基于加权归一化向量构建欧氏距离测度,实现对均匀训练样本的有效选取.仿真结果验证了本文所提方法的有效性.

组合算法在金属切削力预测中的应用

依靠最优权值矩阵,把遗传算法、人工神经网络和灰色理论进行线性相关,构建一种新型的组合算法模型,并运用组合算法建立切削力预测模型。依据三种数学方法分别建立算术平均模型、平方和平均模型和比例平均模型,并利用三种误差分析的方法对几种预测方法进行分析,结果表明,组合算术平均预测模型更加贴近于实际情况,有较高的准确性和稳定性,为切削加工过程中切削参数的选择提供理论依据。

基于组合算法的金属铣削毛刺预测

利用最优权值系数,将灰色理论、人工神经网络和遗传算法有机结合,构建组合算法,依据3种数学方法建立3种组合模型:组合算术平均模型、组合平方和平均模型以及组合比例平均模型,并分别将3种组合模型应用于45钢铣削毛刺的预测.利用3个预测误差评价指标,即平方和误差指标、平均绝对误差指标和平均相对误差指标,对各模型的预测结果进行分析计算.结果表明,组合算术平均模型所得结果与实验结果取得了较好的吻合,具有较高的精度和稳定性,对于金属铣削毛刺的预测具有实际的应用价值.