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。     

巡航导弹发动机智能故障诊断方法研究

为提高巡航导弹发动机的可靠性和利用率、降低传统的定期维护成本，提出了应用自适应神经网络技术对巡航导弹发动机进行诊断。将采集到的巡航导弹发动机有关数据分为故障现象和故障集分别进行编码，而后利用神经网络的自学习、联想、推测、记忆、容错、自适应和多模式处理等功能对巡航导弹发动机的故障进行诊断。     

基于振动检测的发动机故障诊断算法研究

基于振动检测的发动机故障诊断算法,分析发动机发生故障时振动信号所具有的特征和故障诊断指标选择,对振动信号预处理、特征提取、状态识别和诊断决策分别进行了介绍,研究出采用振幅和频率两参量包络曲线法诊断发动机故障的算法,通过发动机热试车验证了采用发动机振动检测来判断发动机故障的算法的正确性。     

改进SO优化KELM的液体火箭发动机故障检测

提出了一种ISO-KELM的液体火箭发动机故障检测模型。首先引入Tent混沌映射、动态策略和柯西变异3种方法对原算法进行改进。然后，采用改进后的蛇优化算法(ISO)对核极限学习机(KELM)惩罚因子和核函数参数进行寻优，构建了ISO-KELM液体火箭发动机故障检测模型。最后选取包含5种典型故障模式的某液体火箭发动机历史试车数据进行仿真。结果表明，ISO-KELM模型的故障检测准确率为95.2%,高于SO-KELM故障检测模型和传统BP神经网络故障检测模型，可有效检测火箭发动机的故障状态。同时也表明了ISO相比于SO,收敛速度更快，寻优精度更高。     

固液捆绑火箭发动机健康诊断技术

为使固液捆绑运载火箭发射更具有可靠性和安全性，本文首次提出了一种基于三冗余架构的芯级液体发动机健康诊断系统。在芯级液体发动机点火后，由箭上健康诊断系统根据红线算法对发动机状态进行诊断，确认液体发动机状态正常后再进行固体发动机点火。通过地面发动机试车及飞行试验考核，结果表明:该发动机健康诊断系统设计正确，能够及时有效地检测液体发动机工作状态，且未发生误警报或漏警报。     

基于相似匹配的液体火箭发动机故障模式挖掘

将时间序列相似性匹配方法引入到液体火箭发动机故障模式挖掘中。针对发动机试车数据的特点,提出了一种基于序变换的时间序列相似匹配算法。该算法具有对时间序列幅值和持续时间不敏感、抗噪声能力强等优点。对某型液体火箭发动机故障数据的相似匹配实验表明：该算法能够为液体火箭发动机的故障检测和诊断提供较好的技术支持。     

深度交叉遗传神经网络在液体火箭发动机故障检测中的应用

将遗传算法与BP神经网络深度交叉融合,即采用遗传算法对BP神经网络的权值和阈值进行多点优化,而在进化的每一代中随机取少量染色体进行单一BP网络训练,训练结果再返回染色体,经过若干代的进化后得到稳定的权值和阈值,再将它们赋给BP神经网络,作为初始值,按误差前向反馈算法沿负梯度搜索重新训练,最终得到最优解。这种算法既避免BP算法易陷入局部最优解的不足,又克服遗传算法以类似穷举的形式寻找最优解而引起的搜索时间长、速度慢的缺点。并且经过仿真分析,深度交叉遗传BP神经网络的收敛性和故障诊断能力优于传统BP神经网络和单一使用遗传算法,可有效应用于液体火箭发动机故障检测中。     

支持向量机用于液体火箭发动机的故障诊断

支持向量机（Support Vector Machine,简称SVM）是一种基于机器学习的模式分类算法,其在解决小样本、非线性及高维模式识别等问题中都表现出许多特有的优势。用SVM对液体火箭发动机的故障数据进行检测和诊断。通过对发动机仿真模型的9种故障数据的学习,能检测出18组故障数据中的17组,但有4组出现误报,对误报故障进行二次学习和再检测,能对这4种故障正确检测。经过对C75试车4种故障数据的学习,能正确检测其故障类型,进一步验证了该方法的正确性和可行性。     

量子超球神经网络在振动故障检测中的应用

提出了一种基于量子超球神经网络的液体火箭发动机振动故障检测方法,采用可变量子超球代表发动机工作模式,自然地提供了反映故障程度的概率幅;网络的离线学习算法可以从训练样本中自动提取发动机振动知识,监测算法不仅能正确预报故障,还能在线学习新的振动信息。试验数据检验结果表明：量子超球神经网络可以成功用于液体火箭发动机振动故障检测。     

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     

固体发动机喷管出口凝相微粒粒度分布研究

应用激光全息光学诊断方法对固体火箭发动机喷管出口凝相微粒分布进行了测量，并得出了其分布曲线。对凝相微粒数字图像处理算法也进行了研究。     

基于模糊方向规则的火箭发动机传感器故障检测与分离

提出了一种直接从训练样本中获取模糊方向规则的学习算法，并应用于火箭发动机的传感器故障检测与分离。每种传感器故障模式由一些模糊方向规则聚集形成，模糊方向规则的全隶属区是一个由单位方向、夹角和两个半径确定的方向超体。模糊方向规则一次循环学习形成，在学习中能不断融合新样本信息。液体火箭发动机传感器故障检测与分离的仿真研究验证了模糊方向规则系统的优越性能。     

基于人工智能方法的传感器故障诊断技术

在液体火箭发动机地面试验过程中,传感器的失效率远高于发动机部件、组件的故障率,因而提出了采用基于人工智能的方法对传感器的故障进行检测与诊断.本文对基于人工智能方法用于传感器故障检测与诊断的特点进行了分析,并分别应用BP神经网络和自适应神经模糊推理系统（ANFIS）对某次传感器的故障进行检测.结果证明基于人工智能的方法稳定可靠,具有良好的工程应用前景.     

液体火箭发动机传感器故障检测与数据恢复算法研究

以某型液体火箭发动机为研究对象,根据其传感器的故障特性,提出了基于BP神经网络的传感器故障检测与数据恢复算法。通过定义的传感器置信度来判断传感器是否发生故障,以及确定故障传感器,利用已训练好的神经网络结构对故障传感器进行数据恢复。研究内容能够实现传感器的故障检测、定位与补偿,能够有效提高发动机故障检测方法的可靠性和鲁棒性。     

基于BP神经网络的景象匹配算法研究

基于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。讨论了BP神经网络及图像的灰度不变矩和边缘不变矩，并把灰度不变矩和边缘不变矩同时作为匹配特征应用于本文BP神经网络景象匹配中。算法分析表明该算法具有很高的匹配效率。     

利用BP网络校正跟踪接收机的相位漂移

针对跟踪接收机不同通道之间相位差的漂移问题,提出利用BP神经网络作为校正环节来消除此相位漂移。通过原理分析用数学方法描述跟踪接收机存在的相位漂移问题,介绍BP神经网络的网络模型和一种动态全参数自适应学习算法,进而提出基于BP神经网络的相位漂移校正算法。仿真结果表明,该方法的相位校正效果较好,不仅保证了系统的角跟踪精度,而且实现了高度的自动化。     

基于TMS320C80的BP算法并行实现的研究

结合 TMS32 0 C80的编程结构 ,利用神经网络的权并行性和神经元并行性 ,提出了BP算法的并行实现方法 ,并解决了存储器访问冲突、数据双缓冲传输、PP细粒度并行和死锁等问题。结果表明 ,该并行 BP算法十分有效。     

基于BP神经网络的磁悬浮飞轮控制

针对磁悬浮飞轮控制对鲁棒性、低功耗及不平衡振动抑制等要求,提出BP神经网络直接控制方法。设计了两层结构BP神经网络控制器,基于磁轴承电磁力方程推导网络权值更新算法,实现了神经网络的在线训练。仿真表明,控制器权值更新算法对环境变化适应能力强,训练成功率高;BP神经网络控制器具有起浮迅速、抗干扰能力强、功耗低等性能,并具备不平衡振动抑制能力。结果表明BP神经网络控制器满足磁悬浮飞轮控制要求,具有可行性和有效性。     

基于快速终端滑模的模糊逼近系统及其应用

为改善模糊系统逼近的收敛速率,提出了一种基于快速终端滑模的反向传播(BP)学习算法。将快速终端滑模引入模糊逻系统的学习算法,综合终端吸引子有限时间收敛和线性系统指数收敛的性质,提高了对非线性连续函数的逼近能力。仿真结果表明:该算法能以较快速率逼近未知函数,且逼近过程稳定,较普通学习算法更为精确和有效。     

固体火箭发动机工作异常的诊断与分析

把故障树模型的层次诊断方法引入固体火箭发动机的故障诊断，使固体火箭发动机的故障诊断快速、直观、形象。本文引用国内外三种固体火箭发动机的典型故障为例，阐述了层次诊断法的基本思想和应用，并得出了明确的分析结论。