1、“.....需要不停的调整网络权值，本文使用动态梯度下降法对的权值进行调整。为验证比优越，本文采用两种建模方法分扰能力相对高度相对距离个因素的隶属度数值，小波层有个神经元，每个神经元有个节点，乘积层有个节点，输出层为个节点，输出为预测目标威胁值。学习速率设置为，迭代次数设置为次。模型自回归小波神经网络将递归神经网络和相结合，在识别评估和控制非线性系统方面......”。

2、“.....空战环境变得复杂多变，来袭目标类型的多样性，精确的多目标拦截能力已经成为决定空战优势的重要指标。基于自回归小波神经网络的空中目标威胁评估论文原稿。目前常见的目标威胁评估方法有直觉模糊集，法，贝叶斯推断等，但这些方法大多依靠专家经验确定各因素之间的权值，主观性间，能聚集到函数的每个细节。因此......”。

3、“.....能很好地处理线性非线性问题，容错性好，训练时间短，训练速度快，被成功应用于很多领域。但小波神经网络属于前馈网络结构，不能很好的处理动态问题，网络易出现过拟因素之间的权值大小。关键词目标威胁评估神经网络小波神经网络自回归小波神经网络中图分类号文献标识码文章编号引言隨着航空科学技术的迅速发展，空战环境变得复杂多变，来袭目标类型的多样性，精确的多目标拦截能力已经成为决定空战优势的重要指标......”。

4、“.....令期望输出和实际输出分别为和，可计算其网络误差为仿真结果与验证共有层，输入与输出分别为维和维，所以结构为，即输入层为个节点，分别对应目标的类型速度航向角干扰能力相对高度相对距离个因素的隶属度数值，小波层有个神经元，每个神经元有个节点，乘网络结构共为层，输入层乘积层输出层及由自反馈神经元组成的母小波层，由于能储存小波上步信息与控制环境的快速变化......”。

5、“.....自回归小波神经网络输入端有个节点，输出端有个节点，母小波的个数为个。第层是输入层，把输入进来的变量直接传递到下层，第层是母小波，基于自回归小波神经网络的空中目标威胁评估论文原稿层，每个节点包含个母小波和自反馈环，小波母函数选择高斯小波为学习算法神经网络在学习过程中，为了使得实际输出更接近期望输出，需要不停的调整网络权值，本文使用动态梯度下降法对的权值进行调整......”。

6、“.....在识别评估和控制非线性系统方面，具有稳定性高及收敛速度快等优势。∥，张永利，计文平，刘楠楠基于熵权灰色关联的，标威胁评估研究现代防御技术，基于自回归小波神经网络的空中目标威胁评估论文原稿际情况。本文采用自回归小波神经网络对目标威胁的主要性能指标进行建模，在最大程度上反映了战时环境下的真实情况，仿真结果表明......”。

7、“.....加快了收敛速度，增强了预测精度，可以作为空中目标威胁评估技术的种尝试。参考文献，进行仿真，目标威胁值的预测结果见表。从表经计算得知，与两种结构的平均误差分别为和，通过图和图也可以看出，比绝对误差值与绝对百分比误差更小，因此，具有更好的预测效果。通过图可以看出，能更好的逼近期望输出，而且性能更敛速度快等优势。网络结构共为层，输入层乘积层输出层及由自反馈神经元组成的母小波层......”。

8、“.....因此结构简单于。自回归小波神经网络输入端有个节点，输出端有个节点，母小波的个数为个。第层是输入层，把输入进来的变量直接传递到强，而对于快速变化的战场环境来说，往往专家很难确定各种情况下的因素之间的权值大小。当网络在离散时间时，令期望输出和实际输出分别为和，可计算其网络误差为仿真结果与验证共有层，输入与输出分别为维和维，所以结构为，即输入层为个节点......”。

9、“.....自回归小波神经网络是在小波神经网络基础上发展出来的反馈网络，泛化能力和动态仿真能力更好，收敛速度更快，且能以较高的精度实现函数逼近和系统辨识。关键词目标威胁评估神经网络小波神经网络自回归小波神经网络中图分类号文献标识码文章编号引言隨着航空科学技术的迅速发展论文原稿。目标威胁评估是个很复杂的多因素决策问题，具有非线性评估难度大等特点，很难找到适合的评估函数，因此......”。