基于HHGA-RBF神经网络的复合材料结构脱层损伤监测研究

针对应用于结构健康监测中的径向基函数神经网络(RBFNN)算法和训练中存在的一些问题,提出一种将递阶遗传算法和最小二乘法相结合,用于优化径向基神经网络的结构和参数的新算法,遗传过程中采用自适应的交叉和变异概率有效地加快了遗传收敛速度和避免早熟现象的出现。搭建了复合材料结构健康监测实验系统,并将实验模态分析结果归一化后送入训练好的ＲＢＦ神经网络进行预测,实现了对复合材料梁的脱层损伤定位和损伤程度的辨识仿真。结果表明基于混合递阶遗传算法的径向基神经网络(HHGAkRBF)收敛速度快,鲁棒性好,精度高。     

航天器蜂窝夹层结构脱粘损伤的导波检测与成像方法

针对蜂窝夹层复合材料航天器结构双侧的脱粘损伤辨识与成像问题,文章提出了单侧激励下的夹层结构超声导波信号溯源解析和脱粘损伤成像算法。经过有限元仿真和试验验证,结果表明:单侧激励下导波的传播机制受波长与厚度比影响显著。随着导波波长的减小,面板中的导波测试信号中将出现由结构内部反射产生的尾波成分,直达波和尾波的信号特征差异可为辨识脱粘损伤内部位置提供依据。在此基础上,通过超声阵列传感器,基于多传感信息融合方法,可准确实现双侧损伤的溯源与成像,研究结果可为航天器蜂窝夹层结构的智能传感方法和健康监测方案设计提供参考。     

基于进化策略结合BP神经网络的景象匹配算法研究

基于进化策略结合BP神经网络方法对景象匹配算法进行研究，以实现导弹武器系统匹配概率的提高和定位精度的改进。提出并实现了一种高效的基于进化策略结合BP神经网络的景象匹配算法。实验表明该方法的收敛性能及学习速度优于标准BP神经网络算法，具有寻优的全局性、精确性。     

极值理论在复合材料结构健康监测中的应用研究

在充分研究极值理论的基础上将其引入复合材料结构健康监测领域,针对该理论的应用提出了损伤特征参数的概念,描述了通过HHT方法计算该参数的过程。随后研究了基于极值理论对多组传感器损伤特征参数值的分布进行分析从而精确损伤发生时特征参数阈值的方法,详细阐释了利用该方法进行损伤定位的过程。实验证明,该方法的应用能够突出损伤的作用,减少非损伤因素的影响,提高系统的辨识能力,从而准确有效地识别出复合材料结构中的损伤。     

改进的小波神经网络遥感图像融合算法的研究

本文改进了现有的小波遥感图像处理算法。用非线性小波基取代神经元非线性激励函数,提出一种新的最优小波神经网络的遥感图像融合算法。研究发现通过小波神经网络自适应算法进行图像滤波融合,具有网络结构小、收敛速度快的优点,同时新算法处理的遥感图像具有更高的清晰度和分辨率。     

基于小波矩特征和神经网络的灰度图像识别算法研究

小波矩结合了矩特征和小波特征,既反映了图像的全局性信息,又反映了图像的局域性信息,并且具有旋转、平移和缩放不变性。文章研究了基于小波矩的灰度图像特征提取算法,并将其与BP神经网络组合,利用神经网络的强学习能力和容错性,形成一个灰度图像识别系统。仿真实验表明,在图像失真较小的情况下识别率可达到100％,较之未提取特征的神经网络识别方法而言,网络收敛速度与识别精度都有较大的提高。     

基于小波神经网络的双足步行机器人步态规划控制器

对于传统的神经网络中神经元模型在结构和信息存储能力上存在的不足，本文提出了一种基于广义小波其函数网络的神经元集聚模型，这种小波神经网络不仅收敛速度快，非线性逼近能力更好，而且具有内部结构变尺度、自适应调整和广义信息存储等智能化特点，更符合生物原型的实际情况。静态学习和准动态学习仿真实验证明这种神经网络结构的有效性。     

基于LSTM-ResNet模型的时变结构损伤检测

面向火箭结构健康监测，提出了一种基于深度学习的损伤检测方法，直接将多个通道的振动数据作为输入，并基于由长短时记忆网络LSTM（Long Short-Term Memory Networks）和残差卷积神经网络ResNet（Residual Convolutional Neural Networks）组合而成的LSTM-ResNet网络进行损伤识别。其优点在于，首先利用LSTM提取信号的时间依赖特征，减轻了由某些通道信号缺失带来的影响，再利用ResNet在不损耗特征的情况下进一步提取空间特征，提高了训练效率和损伤辨识准确性。通过充液圆筒振动放水实验模拟火箭飞行状态下的燃料消耗，并基于自主构建的数据集和公用数据集对LSTM-ResNet、LSTM、ResNet以及ResNet-LSTM网络进行了训练，训练结果表明，LSTM-ResNet组合网络无论在传感器是否存在故障的情况下都具有更好的性能，损伤检测精度更高。     

基于小波神经网络的PIM功率时间序列预测

无源互调（passive intermodulation，PIM）是影响通信系统性能的关键因素之一。研究表明，PIM信号并非一个定值，而是随时间变化的非平稳信号。基于PIM功率信号的时间序列特性，文章提出基于小波神经网络的PIM功率时间序列预测方法。首先，详细介绍小波神经网络预测模型及其预测方法；其次，以同轴连接器为验证对象，通过PIM实验测试系统获得3阶PIM功率的时间序列；最后，依据获得的PIM功率时间序列，结合构建的小波神经网络预测模型对后续的时间序列进行预测分析，并将预测结果与实验结果进行比较，从而验证小波神经网络在预测PIM功率时间序列方面的有效性。该研究对于开展PIM抑制技术具有一定的参考价值。     

柔性结构振动的向量控制实验研究

本文针对柔性结构振动主动控制问题，提出了一种微量控制方法，该方法能将结构振动幅值与相位分开辨识，独立控制，能在控制作用的同时，辨识结构响应微量值，当振动幅值变化时，实现跟踪控制，同时，对薄壁铝合金简的振动控制进行了实验研究，实验结果表明，该方法具有时域和频域控制方法的优点，收敛速度快，控制精度高，振动控制比达到90％以上。     

基于遗传算法和神经网络的梁板结构可靠性优化

基于结构系统静强度可靠性分析、神经网络和遗传算法,对空间梁板结构系统进行了可靠性分析和基于可靠性的优化设计。结构可靠性分析中,给出了安全余量以及安全余量对各变量敏度的显性表达式,便于各安全余量间相关性计算和可靠性计算精度提高。结构优化中,用神经网络和遗传算法,每代遗传操作中只需用传统方法计算1次结构系统可靠性指标,将该代最优解对应的数据加入神经网络的训练样本,从训练样本中删除最次样本,使训练样本不断处于更新状态。数值算例表明：该法收敛平稳、用时较少,具较好的收敛性和较高的计算效率。     

基于统计参数分析和RBF网络的动调陀螺故障诊断方法

针对动调陀螺故障振动信号的特点,提出了一种基于振动统计参数分析和神经网络的动调陀螺故障诊断方法.该方法通过计算原始振动信号的一组统计参数作为表征故障的特征信息,以此作为RBF神经网络的输入参数来学习并识别陀螺故障.实验结果表明,采用对统计参数的计算能够简单、有效地提取陀螺故障特征信息;运用神经网络进行故障诊断建模,使诊断具有自适应、自学习的能力,诊断结果更加可靠.     

基于神经网络的导弹姿态控制系统故障诊断

本文提出了一种多层前向神经网络快速误差向后传播学习算法ＦＢＰ（ＦａｓｔｅｒｒｏｒＢａｃｋＰｒｏｐａｇａｔｉｏｎＬｅａｒｎｉｎｇＡｌｇｏｒｉｔｈｍ），通过某导弹姿态控制系统故障诊断的仿真研究，验证了ＢＰ（误差后向传播学习算法）和ＦＢＰ用于导弹姿态控制系统故障诊断的有效性，ＦＢＰ学习算法较之ＢＰ学习算法学习速度的快速性     

基于机器学习的二次电子发射唯象模型

基于机器学习和深度人工神经网络（artificial neural network，ANN）提出一种二次电子发射唯象模型。利用Vaughan模型生成先验数据集，用于训练生成描述二次电子发射一般规律的先验知识ANN模型，并在不同参数条件下验证了先验知识ANN模型的正确性。然后，分别利用银和铝合金材料的二次电子发射系数实验数据修正先验知识ANN模型，分别得到了描述两种材料的特异ANN模型。测试结果表明，特异ANN模型计算结果与实验结果相比的平均绝对误差较Vaughan模型和Furman模型降低了30%以上，与复合唯象模型精度相当或更高。在小样本条件下测试了二次电子发射ANN模型的正确性，验证了分步训练方式的有效性和二次电子发射ANN模型对于小样本集的适应性。提出的基于机器学习的二次电子发射唯象模型能够避免复杂的参数修正过程，能够基于先验知识提升模型对于小样本的适应性，能够实现二次电子发射系数的连续插值，适于在数值模拟软件中使用。     

基于BiSNet的航天发动机转子智能健康监控

航天发动机某部件转子健康监控,对检测发动机能否正常工作进而影响航天发射任务的成败至关重要。传统健康监控方法需要依赖经验和专业知识,在对故障机理深入理解后才能构建相应的健康监控模型。针对传统转子健康监控手段效率低、适应性差、过度依赖专家经验等不足,结合海量转子振动健康监控历史数据,提出并设计采用神经网络BiSNet的人工智能方法,对航天领域运载火箭发动机某部件转子的健康状态进行智能建模并完成监控。通过与传统监控手段和主流基准神经网络方式对照实验得出结论,基于历史数据驱动的神经网络BiSNet可为航天转子智能健康监控提供便捷准确的建模预测。     

基于神经网络的潜在通路分析

针对传统潜在通路分析过程复杂、劳动量大的缺陷，提出了基于神经网络的潜在通路分析。神经网络的输入为系统元件的定性状态组合，输出为预测实现功能组合。利用元件与设计功能之间的关系，形成神经网络训练样本。经过训练后，神经网络预测所有元件状态组合实现的功能，然后通过与设计功能的比较，确定电路的潜在通路。经仿真验证，此方法进行潜在通路分析时的正确率达到了92％，而且分析的工作量比较小。     

一种实用的边缘强度互相关匹配可信度分析方法

匹配可信度是衡量匹配质量的重要指标，针对归一化边缘强度互相关匹配算法，研究了基于神经网络的匹配可信度判别方法。通过对参考图进行加噪实验获得训练样本，对BP网络进行训练，并将训练后的网络用于匹配可信度的判别。针对实际卫片与航片图像对的实验结果，平均判决正确率达到90％以上，证实了该方法的有效性。