该文针对捷联惯导系统静基座的若干特点,在满足一定精度指标的前提下,利用小波神经网络实现快速的初始对准.对于小波神经网络采用离线学习在线应用的方法,利用其优良的函数逼近性质,以达到快速性指标.小波神经网络是小波分析和神经网络相结合的工具.由于小波分析的时频局部特性和变尺度特性,与传统的神经网络相比,其网络规模小,计算量少,收敛速度快.该文利用标准的卡尔曼滤波器对初始对准的误差方程进行滤波估计,以产生小波神经网络的训练样本.利用随机梯度法对小波神经网络进行学习.为了进一步提高快速性的时间指标,利用东向和北向失准角的稳定滤波估计来估计垂直方向的失准角.仿真结果表明,采用小波神经网络能够有效的提高捷联惯导系统静基座的快速性指标.该文针对以往的混沌算法普遍采用Logistic模型产生混沌,提出了三角映射模型产生混沌,并对其混沌特性进行了分析.利用混沌遍历性具有全局优化的特点,结合基于梯度的下降法,将二者结合构成二阶段的混合优化算法.算例之一是利用所提的混合混沌优化算法进行神经网络权值和阈值的学习.算例之二是利用该算法进行红外数字图像的增强处理.其中在图像增强的研究中,为了快速地计算不完全Beta变换,创造性的提出利用一个BP神经网络进行函数逼近,利用直接的函数计算替代费时的迭代计算.仿真结果表明,在一定的条件下,采用基于三角映射的混沌优化算法优于采用Logistic模型的混沌优化算法.