BP神经网络在元器件贮存可靠性参数预测中的应用

元器件贮存可靠性受多个非线性因素的影响。时间序列预测实质是实现一个非线性映射。应用BP神经网络模型对某元器件贮存可靠性性能参数时间序列进行了预测,仿真表明BP神经网络预测模型有较高的精度。     

基于小波变换的容差电路故障诊断

针对目前模拟电路中电子元器件存在的容差与非线性导致电路故障难以检测的现状,设计了适用于诊断由器件超出容差所引起的模拟电路故障的小波分析诊断方法。通过设定故障进行蒙特卡罗容差实验,采用小波神经网络,对故障输出信号进行小波分析提取其小波高频系数参量,经PCA分析和归一化后形成训练特征向量,并经过BP神经网络训练后,故障信号通过小波神经网络后能够快速精准的对故障器件进行定位。通过大量样本进行仿真计算表明所设计的小波特征参量故障诊断法对于模拟电路具有很好的故障分辨率。     

基于分层思路的动态非线性气动力建模方法

很多非线性气动力模型难以精确预测系统的小扰动线性特征。针对这一局限,提出了一种非线性分层模型,用于辨识跨声速非线性非定常气动力。分层建模需要同时提供微幅振荡和大幅振荡两套训练样本,首先通过线性模型(如带外输入的自回归(ARX)模型)对微幅振荡样本进行建模,而后采用非线性模型(如径向基函数神经网络(RBFNN))对大幅振荡的样本与线性模型的差量进行建模,进而把线性模型和非线性模型的输出相叠加,得到分层非线性动力学模型。算例表明建立的分层气动力模型与单一自回归径向基函数(AR-RBF)神经网络模型相比不仅具有更高的数值精度,可以精确预测大幅运动中的非线性特征,而且在小扰动状态下自动退化为线性模型,能够精确刻画结构微幅振荡下的线性动力学特性。     

基于优化神经网络模型的系统建模仿真研究

建立一个结构优化的系统模型是设计控制系统的基础,但对于实际系统尤其是非线性系统一般没有统一表达形式,其模型结构难以构造,对其结构优化难以实施,给非线性系统建模带来很大困难.为此,基于神经网络理论,分析了非线性系统的神经网络模型并对其神经网络模型结构进行仿真研究.基于OBS (Optimal Brain Surgeon)优化策略,对初始神经网络模型结构进行优化操作,进而获得结构优化的神经网络模型并对非线性系统的建模进行仿真.仿真结果表明,优化的神经网络模型对非线性系统的建模效果是良好的,其模型的泛化能力亦得到增强.     

径向基神经网络在非线性非定常气动力建模中的应用研究

基于南航NH-2风洞中某飞机模型大迎角大振幅单自由度偏航、滚转及偏航-滚转耦合的谐波、阶跃运动实验数据,应用径向基神经网络,研究人工神经网络描述非线性非定常气动力特性的能力.研究结果表明,所建立的径向基神经网络模型的预测结果与训练数据和验证数据都符合得很好,说明神经网络建模方法可以有效地对高度非线性的气动力进行建模.研究还表明,用神经网络建立模型时所需要的风洞实验数据可以减少,从而提高风洞实验效率、减少风洞实验的时间和成本.     

基于神经网络补偿动态逆的飞翼布局无人机姿态控制方法

将动态逆控制技术应用于飞翼式布局无人机的姿态控制回路,以适应飞翼布局无人机控制系统要求。介绍了动态逆控制器解耦控制原理,以及神经网络补偿结构的作用和设计方法,并基于无人机非线性姿态运动学和动力学模型设计了基于神经网络补偿的动态逆控制器。在强耦合、强非线性的飞翼布局无人机模型上,通过数学仿真验证了系统具有良好的动态性能和稳态特性,控制器具有很强的鲁棒性。     

基于人工神经网络的驾驶员操纵行为模型

驾驶员操纵行为受到自身、外界环境和被控对象等多方面的影响,因此驾驶员模型具有非线性的特征。神经网络模型克服了拟线性模型不能反映驾驶员非线性操纵的问题。为了获得建立模型的数据,利用地面模拟器使飞行员对一系列指令进行精确跟踪。获得的指令、飞机状态和驾驶员输入信息等参数即可作为神经网络模型的训练样本。神经网络驾驶员模型的训练和测试结果表明,该建模方法是合理、准确的,可以应用于人机闭环系统中驾驶员操纵的研究。     

复合正交级数神经网络模型在飞控中的应用

针对现有神经网络逼近快变非线性函数能力低、结构复杂等问题,提出了复合正交多项式模型和一种改进的正匀多项式神经网络模型。这两种模型综合了正交级数和神经网络的结构特点,便于工程实现。理论研究和仿真计算表明,使用此模型构造快变非线性函数时,可使神经网络的节点数成倍减少,神经网络的训练次数成倍降低。飞行器非线性控制的应用表现,此方法可用来解决一般非线性系统的控制问题。     

基于ANN逆模型的非线性系统内模控制结构方案及仿真研究

基于逆模型的非线性系统控制器设计方法已得到了快速发展,并成为设计控制系统的一种重要方法。但对大量复杂、未知和不确定的非线性对象,建立具有一定通用性的逆模型控制器,在实际非线性系统设计中是非常困难的。文中基于系统内模控制（IMC）原理和神经网络（ANN）的非线性映射、大规模并行处理等特性,设计了非线性系统的ANN正模型辨识器及逆模型控制器,基于IMC原理和ANN理论建立了非线性系统的IMC结构方案。大量仿真研究表明,设计的基于ANN逆模型的IMC结构方案是有效的,ANN逆模型控制器具有良好控制性能,且其结构简单,具有一定通用性。     

模糊径向基函数神经网络(FRBF)及其在非线性控制中的应用

介绍了输入层具有一定隶属度的模糊径向基函数神经网络(FRBF),给出了一种训练方法.它比模糊小脑模型神经网络(FCMAC)具有更好的解析性和快速收敛性.用FRBF神经网络设计了具有虚拟系数的二阶非线性系统的控制器,仿真结果验证了模糊径向基神经网络(FRBF)的特性.     

案例推理和神经网络在航空发动机稳态模型中的应用

传统建模方法难以准确建立航空发动机数学模型,单纯使用BP神经网络建模又有其不足.将案例推理和改进BP方法相结合,根据案例推理优化训练数据,再利用神经网络,建立了发动机稳态模型.结果表明,该模型有较高的稳态精度,而且具有较好的泛化能力.     

低成本捷联惯导不对称动态误差的神经网络补偿

 针对低成本捷联惯导系统(SINS)中陀螺动态误差的不对称性在角振动条件下造成姿态漂移的问题,设计了多层前向神经网络的补偿模型。在标定模型参数时,为降低对外部参考信号测量精度的要求,提出用姿态解算的最终误差作为网络优化目标的训练方法。由于最终的姿态误差不是网络的期望输出,无法采用有导师的训练方法,为此采用了微粒群优化算法。仿真实验结果表明:补偿后的陀螺动态误差的不对称度减小了一个数量级。     

ENGINE SENSOR FAULT DIAGNOSIS USING MAIN AND DECENTRALIZED NEURAL NET WORKS

ＡｎａｌｙｔｉｃａｌｒｅｄｕｎｄａｎｃｙｔｅｃｈｎｉｑｕｅｓｓｕｃｈａｓｅｘｔｅｎｄｅｄＫａｌｍａｎｆｉｌｔｅｒ，ｃｏｍｐｏｎｅｎｔｓｔｒａｃｋｉｎｇｆｉｌｔｅｒａｎｄｓｏｏｎｃａｎｄｅｔｅｃｔ，ｉｓｏｌａｔｅａｎｄａｃｏｍｍｏｄａｔｅｆａｉｌｕｒ...     

基于FEM-NN-MCS模拟应力集中系数的结构可靠性分析

在机械结构可靠性分析中,由于应力集中系数的预测精度直接影响可靠性分析与计算结果,可见应力集中系数(SCF)是最主要的参数之一。采用理论方法通常很难获得应力集中系数,因此目前主要采用实验方法。采用实验方法尽管可以较精确地获得应力集中系数的数值解,但不能直接给出基本随机变量和应力集中系数之间的关系,为进一步的可靠性分析带来困难。作为可供选择途径,使用有限元法(FEM)获得应力集中系数的数据库,采用神经网络方法模拟应力集中系数,用BP神经网络建立结构的输入和输出关系,在此模型上,将MonteCarlo和可靠性理论相结合,提出了解决应力集中情况下的结构可靠性问题的分析方法。     

高空台特种调节阀建模方法对比研究

为了获得准确的轮盘式特种调节阀流量特性模型,提高高空舱进口流量预测精度,提出了基于BP神经网络和NARX网络的建模方法。在对调节阀与传感器测点位置分析的基础上,将调节阀和阀后容腔作为整体进行建模。对比研究了流量系数、静态BP神经网络以及基于Gamma Test的动态NARX网络建模方法,并给出了工程中选取建模方法的建议。以试验流量数据为基准,仿真对比了不同阀门开度变化时,各模型输出流量的稳态误差和动态误差。结果表明,BP神经网络方法和NARX网络方法建模精度要优于流量系数法。同时,BP神经网络模型最大稳态误差为0.52kg/s,优于NARX网络模型和流量系数模型。NARX网络模型的最大动态误差为2.04kg/s,相比于BP神经网络模型和流量系数模型,能够更准确地反映流量的动态特性。     

基于预处理BP神经网络的开关磁阻电机建模

针对开关磁阻电机(SRM)强耦合、强非线性、难以精确解析建模的问题,提出一种基于数据预处理的反向传播(BP)神经网络建模方法。首先通过传统直流脉冲法测量一个电周期内SRM静态电磁特性,获取建模样本数据;其次充分利用电机先验知识,通过可以初步反映SRM非线性特性的磁链和转矩解析表达式对实测样本数据进行预处理并作为BP神经网络新的输入,降低神经网络拟合误差。与传统BP神经网络建模的对比结果显示,引入预处理方法可以有效减少BP神经网络节点数量,增强神经网络泛化能力,提高神经网络建模精度。     

基于神经网络的直升机可靠性预计

本文基于人工神经网络技术,利用现有军用直升机与可靠性相关因素的评分值和它们的可靠性参数值(MTBF),建立基于神经网络的军用直升机可靠性预计模型。经过检验表明,这种基于神经网络技术的可靠性预计方法为新机研制提供了一种有效可行的可靠性预计方法。     

粒子群优化的粗糙集-神经网络在航空发动机故障诊断中的应用

提出了一种基于粒子群优化算法的邻域粗糙集-神经网络的发动机智能故障诊断方法,首先利用基于邻域粗糙集模型的属性约简方法对样本数据进行属性约简,然后采用粒子群优化算法替代传统BP算法来训练神经网络的权值和阈值,再用训练好的神经网络对航空发动机气路故障进行诊断.仿真结果表明:该方法降低了神经网络结构的复杂性,减少了网络训练时间,提高了诊断精度.     

基于BP网络的光纤陀螺刻度因子建模研究

针对光纤陀螺(FOG)随温度呈非线性变化的特性,提出了采用BP神经网络对刻度因子的温度误差建模的方法,以减小光纤陀螺输出误差;用BP网络对其建模的结果和传统的建模结果进行了比较,结果表明采用BP神经网络对刻度因子的建模是非常有效的.