广义回归神经网络在卫星钟差短期预报中的应用

近年来,神经网络(Neural Network,简称NN)在非线性系统的预测方面取得了广泛的应用。考虑到卫星钟差包含了复杂的非线性因素,所以将一种新型神经网络-广义回归神经网络(Generalized Regression Neural Network,GRNN)应用于钟差预报中。采用“滑动窗”方式构建样本数据以提高数据利用率,为提高网络的泛化能力,利用K重交叉验证法(K-fold Cross-Validation)对网络进行训练学习,并根据最小均方根误差(Root Mean Square Error,RMSE)确定最优平滑因子。利用国际GNSS服务(International GNSS Service,IGS)公布的精密GPS卫星钟差数据进行预报实验,并与传统二次多项式模型对比分析。结果表明：GRNN模型在24h的预报跨度内的误差可达ns级,并较多项式模型有更好的稳定性;对于线性钟差,GRNN模型要逊于多项式模型,而对于非线性钟差,GRNN模型则明显优于多项式模型,初步验证了GRNN用于钟差预报的可行性、有效性以及实用性。     

粒子群优化在直升机旋翼动平衡调整中的应用

传统的直升机旋翼调整方法没有考虑调整参数与振动信号之间的非线性关系,针对这一缺点,提出将广义回归神经网络(GRNN,General Regression Neural Network)和粒子群算法相结合的旋翼调整方法,采用GRNN网络建立旋翼动平衡调整模型,以桨叶的调整参数作为神经网络的输入,以旋翼转轴和机身的三向的加速度测量值作为网络输出,建立调整参数与直升机振动信号间的模型.以直升机振动作为目标函数,采用粒子群优化算法对桨叶的调整参数进行寻优,获得当直升机振动最小时的桨叶的调整量. 飞行实验结果表明,此方法可通过飞行测试获得的新数据对神经网络进行更新,使系统在使用过程中不断完善,并可在较少的飞行调整下完成旋翼的动平衡调整.      

基于GRNN网络和遗传算法的旋翼动平衡调整

针对传统旋翼调整方法没有考虑调整参数与振动信号之间的非线性关系,提出一种结合广义回归神经网络GRNN(General Regression Neural Network)和遗传算法的旋翼调整方法,采用GRNN建立旋翼动平衡调整模型,以桨叶调整参数作为GRNN输入,以旋翼转轴3个方向的加速度测量值和机身3个方向加速度测量值作为网络输出,建立调整参数与直升机振动信号之间的模型.以直升机振动作为目标函数,采用改进的遗传算法对桨叶调整参数进行寻优,获得直升机振动最小时的桨叶的调整量.飞行实验表明,通过1到2次飞行调整,可使3个方向机身振动(旋翼的一阶振动)为最小,完成旋翼的动平衡调整.      

基于IP网络的测试研究

为实现IP语音测试的专项研究,介绍了基于VOIP(Voice over IP IP语言)的信令及语音测试相关技术实现方案,系统硬件及功能实现框图。对IP语音测试平台的硬件设计方法及语音质量测试(VQT),信令流及媒体流的测试模型进行了研究。     

量块计量保证方案（MAP）

量块计量保证方案(MAP)是美国NIST近年来推行的一种科学的量值传递方法。它打破了传统的量值传递方法,采用l检验和F检验对量值传递过程进行控制,并通过数据反馈对参加试验室进行综合考核,以确保量值传递的质量。介绍了在我国推广应用量块计量保证方案的实施情况,并进行了技术分析。     

基于多层感知器神经元的空间柔性机器人位置跟踪控制

针对基体位置及姿态均不受控的自由漂浮柔性空间机器人轨迹跟踪问题,提出了一种前馈多层感知器(MLP)神经网络控制策略.建立了末端柔性的自由漂浮基机器人的耦合动力学模型,再利用MLP神经网络良好的逼近能力来自适应补偿非线性柔性臂的逆动力学模型,其误差代价函数由PID控制器提供,权重及阀值的调整采用改进的BP反传算法.最后通过仿真比较详细分析了所提方案的工作机理及对非线性强耦合系统控制的有效性.     

在SKA设计中实现干扰零点形成的方法

在SKA(平方千米阵列)的设计中,采用相控阵技术的一个原因是想利用其自适应零点形成技术来抵抗频率干扰。介绍了一种在该类系统中适用的自适应算法PASTd,该方法利用子空间跟踪技术区分子空间,然后据此在干扰方向形成深的零点。在一小型相控阵中的仿真结果表明该方法简单、收敛快且比较精确。     

通用仪器CAT可视软件开发平台

通用仪器CAT可视软件开发平台(以下简称"CAT"平台),是在深入研究各个校准实验室日常计量检测工作普遍规律的基础上,设计出的一套辅助实验室软件开发与应用的通用工具,可以完成检测软件开发与应用、证书编辑与生成、实验室信息管理等工作,全面提高校准实验室检定测试的技术与管理水平.     

用于表面温度测量的导热反问题的误差研究

讨论了用于温度测量的非稳态一维线性导热反问题。通过引入正则参数 ,这种不适定问题得到了稳定的解。在给出非级数形式的分析解后 ,计算误差可以通过数值解与准确解的比较确定。同时讨论了影响计算误差的各种因素。     

投影栅相位法视觉检测技术研究

提出了一种新型的投影栅和相位法视觉检测系统,该系统由投射器将具有正弦分布的条纹投射到被测物体表面,利用不同方位投射条纹的相位来确定双目立体视觉中的对应匹配点。文中对该视觉检测系统进行了标定,建立了双目视觉传感器的三维测量数学模型,标定结果的平均误差为0.039 6mm,均方差为0.023 1mm,角度相对误差为0.2％。最后不仅给出了V型体表面测量的结果,角度相对误差为0.22％,同时还给出了V型体的三维重建图。     

基于萤火虫优化神经网络算法的气浮台自动调平衡研究

为了利用气浮台在地面精准演示分布式多星组网技术及验证多模式高分成像过程，提出一种基于改进型BP神经网络PID控制的气浮台快速自动调平衡算法.针对以往算法调平时间较长、容易得到非最优解的问题，引入仿生萤火虫算法对神经网络初始权值进行优化，提高了算法的收敛速度和稳定性.基于构建的三轴气浮台运动学和动力学模型，通过仿真实验验证了优化算法对自动调平衡具有良好的控制效果，满足多星地面仿真的调平衡要求.      

Using Back Propagation Neural Network Method to Forecast Daily Indices of Solar Activity F10.7

The solar 10.7 cm radio flux，F_10.7，a measure of the solar radio flux per unit frequency at a wavelength of 10.7 cm，is a key and serviceable index for monitoring solar activities.The accurate prediction of F_10.7 is of significant importance for short-term or long-term space weather forecasting. In this study，we apply Back Propagation （BP） neural network technique to forecast the daily F_10.7 based on the trial data set of F_10.7 from 1980 to 2001.Results show that this technique is better than the other prediction techniques for short-term forecasting，such as Support Vector Regression method.      

太阳光球磁场特征物理量在质子事件短期预报中的应用

利用SOHO/MDI全日面纵向磁图, 计算了三个描述太阳活动区磁场复杂性和非势性的特征物理量, 即纵向磁场最大水平梯度Bz, 强梯度中性线长度L, 孤立奇点数目η. 为检验太阳光球磁场特征在质子事件短期预报中是否有效, 采用BP神经网络方法, 建立了基于这三个磁场特征物理量简单的太阳质子事件短期(24h)预报模型. 模 型在对2002年和2003年连续两年的样本检测中, 有很高的准确率(2002年和2003年 分别为90 %, 87.54 %)和较高的 质子事件报准率(2002年和2003年分别为60 %, 75 %),从而为光球磁场特征物理量作为质子事件预报的有效因子提供了依据.      

基于BP-GIS的京津冀碳钢土壤腐蚀速率地图研究

针对京津冀地区碳钢土壤腐蚀问题，应用误差反向传播（BP）神经网络，以主影响因素为输入参数，分别构建了针对京津冀地区碳钢土壤腐蚀速率模型。根据各主要土壤腐蚀影响因素数值，对碳钢土壤腐蚀速率实现了预测。并基于地理信息系统（GIS）绘制了中国年均碳钢土壤腐蚀速率地图。研究表明:京津冀地区单年均碳钢土壤腐蚀速率西北高东南低，多年均碳钢土壤腐蚀速率基本均匀分布；pH、含盐总量、土壤温度、全氮量和有机质对碳钢土壤腐蚀较为显著；1、3、5和8年均碳钢土壤腐蚀速率分布最大为6.159、2.322、2.614和3.467 g/（dm2·a）。      

基于深度学习递归神经网络的电离层总电子含量经验预报模型

利用行星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据,首次基于一种能处理时间序列的深度学习递归神经网络（Recurrent Neural Network,RNN）,建立提前24h的单站电离层TEC预报模型.对北京站（40°N,115°E）的预测结果显示,RNN对扰动电离层的预测误差低于反向传播神经网络（Back Propagation Neural Network,BPNN）0.49～1.46TECU,将太阳风参数加入预报因子模型后对电离层正暴预测准确率的提升可达16.8%.RNN对2001和2015年31个强电离层暴预报的均方根误差比BPNN低0.2TECU,将太阳风参数加入RNN模型可使31个事件的平均预报误差降低0.36～0.47TECU.研究结果表明深度递归神经网络比BPNN更适用于电离层TEC的短期预报,且在预报因子中加入太阳风数据对电离层正暴的预报效果有明显改善.      

基于时序建模的卫星故障检测方法

为解决当前卫星故障检测面临的依赖规则库、多元特征融合不足以及数据正负样本分布不均衡等问题,从卫星数据的时序特性出发,提出基于时序建模的卫星故障检测方法与半监督模型,实现卫星数据规律的有效挖掘与数据驱动的故障检测。考虑卫星数据间的时序关联,提出基于长短期记忆神经网络的卫星故障检测方法,并引入滑动窗口机制实现卫星数据的有效预测与故障检测。考虑卫星数据多元特征参数间的关联关系,引入时间卷积和自编码器神经网络,同时建模不同时刻、多元特征参数间的依赖关系,实现融合多元特征参数进行卫星故障的有效检测。以某型号卫星电源分系统为实验对象,仿真结果表明,所提算法和模型在关键指标方面优于BP神经网络等传统故障检测方法和模型。     

基于神经网络的多卫星姿态协同控制预测模型

摘要： 针对多卫星近距离对空间目标监测中的姿态协同控制问题，研究基于神经网络的智能控制模型.首先设计了面向任意姿态控制方法的神经网络自适应控制模型，该模型不改变卫星姿态控制方法本身，而是接收由理想控制模型生成的理想控制量，理想控制量经过神经网络后直接生成适用于卫星的控制量.根据神经网络对控制系统的系统级状态预测，基于一致性控制协议，设计了多卫星姿态协同控制模型.采用等效姿态角，通过数值仿真，分别验证了预测控制方法、输出状态预测、协同控制的方法正确性和有效性.