通用飞机机翼积冰冰形预测

从通用飞机机翼积冰冰形特征出发,确定机翼特征点,通过其对应积冰厚度描绘积冰冰形。提出了一种基于BP神经网络的机翼积冰厚度预测方法,并利用预测厚度还原预测冰形。将预测积冰厚度与实际积冰厚度相比较,预测值与实际值的平均均方根误差为1.893 mm,表明该方法可用于通用飞机机翼积冰冰形预测。     

基于灰色-神经网络联合模型的大型冷却塔风效应预测

基于灰色GM(1,1)模型和BP人工神经网络,建立灰色-神经网络联合的大型冷却塔平均位移和风振系数预测模型。该联合模型增强了预测结果的自适应性和准确性,能解决因气弹模型试验中测点样本数目太少而无法直接建立神经网络预测模型的局限。通过某大型冷却塔气弹模型风洞试验结果的算例分析,表明该组合模型对于平均位移和风振系数的预测结果均与试验结果吻合良好,随后基于已训练的模型给出结构风振反应精细化分析所需的输入参数预测结果。这为冷却塔结构风效应的精细化研究提供了一个新的有效方法。     

基于RBF神经网络的储油罐底板缺陷量化方法

提出一种基于RBF神经网络来提高漏磁检测对储油罐底板裂纹缺陷的量化能力的方法。首先利用有限元仿真计算了不同长度、宽度、深度和倾斜角度的槽型缺陷漏磁信号,分析漏磁信号分布规律并提取磁异常幅值和占宽作为磁信号特征量,探讨了磁信号特征量与缺陷尺寸之间的关系并组建样本集。其次,建立RBF神经网络与模拟退火算法相结合的量化模型,并使用样本集对RBF神经网络进行训练,预测缺陷大小及倾角。结果表明,磁异常特征量随缺陷尺寸及角度呈现不同变化规律,通过RBF神经网络建立复杂关系网,结合模拟退火算法可精确量化缺陷,样本集内缺陷平均量化正确率约为98.71%,样本集外缺陷平均量化正确率约为86.67%。因此,基于RBF神经网络并且结合模拟退火的方法可应用于漏磁检测对储油罐底板的缺陷量化,为储油罐的安全评估提供理论依据。     

人工蜂群优化BP神经网络的太阳电池阵电流预测

通过对卫星太阳电池阵输出电流影响因子进行分析，提出了一种基于人工蜂群（Artificial bee colony,ABC）算法优化BP神经网络的太阳电池阵输出电流预测方法。将太阳入射角、卫星太阳电池阵工作温度、卫星星时等遥测量变换后作为神经网络输入，进行输出电流预测。考虑到神经网络对初始权值及偏置敏感的特点，采用ABC改进算法对神经网络初始参数进行优化。该模型可用于卫星太阳电池阵电流输出能力分析、太阳电池阵预警及异常检测等。实验测试表明，模型能够取得较高预测精度，同星预测均方根误差（Mean squared error, MSE）为0.10 A，跨星预测均方根误差为0.12 A，其精度明显优于传统数据拟合方法。利用该模型及本文提出的预警策略进行预警，对于7年5个月的正常卫星数据没有发生误报，对于某异常卫星数据能够及时进行预警。     

基于相空间重构的网络流量RBF神经网络预测

应用混沌理论，分析了网络流量，用单变量的网络流量时闯序列重构与网络动力系统等距同构的相空间，进而计算了实际网络的关维数和Lyapunov指数，并证实了网络流量存在混沌特性；据此建立了基于径向基函数（RBF）神经网络的模型，并对实际网络数据流进行了预测。仿真结果表明，相对于其他前馈神经网络预测，基于混沌理论的RBF神经网络预测方法学习速度快，预测精度高。     

基于神经网络的荧光油膜厚度与灰度研究

在全局摩阻测量中,薄油膜技术可以很好地表征表面摩阻的分布情况。用特定波长的紫外线照射添加了荧光显色分子的不同厚度的油膜,油膜将发出不同的亮度。利用该原理通过检测受激发的荧光油膜灰度值可解算出相应油膜的厚度。本次采用BP神经网络及极限学习机(Extreme learning machine,ELM)神经网络搭建模型完成了荧光油膜厚度与灰度关系的预测,运用Hopfield神经网络完成了相应参数的辨识。实验表明,ELM神经网络模型、BP神经网络模型及插值法模型的预测误差分别为5.150%、5.485%和5.935%。通过Hopfield神经网络辨识,光源功率、光距和曝光系数等影响因素的参数误差率控制在1%左右,达到实际工程运用的要求。与传统插值法相比,通过神经网络可获得更高的精度,为荧光油膜灰度与厚度研究提供了一种可行的方法。     

基于遗传算法优化神经网络的结冰环境中MVD和LWC预测

水滴平均体积直径（Mean volumetric diameter,MVD）和液态水含量（Liquid water content,LWC）是两个影响飞机结冰的重要气象参数，但在实际中难以准确测得，如果能够实时、准确地获取这两个参数可以为积冰预测和飞机适航认证标准的建立提供一些指导。文中提出了一种基于遗传算法优化神经网络的结冰气象参数预测模型。以不同测点组合的冰厚和结冰速率、环境温度、飞行速度和机翼迎角为输入参数，结冰气象参数MVD和LWC为输出参数，构建遗传算法优化的结冰气象参数预测模型，并通过预测模型对数值计算测试组数据和结冰风洞实验数据的结冰气象参数进行预测。结果表明，基于遗传算法优化Elman神经网络的预测模型对结冰气象参数的测试组预测相对误差在10%以内，实验数据相对误差在20%以内，该方法具有一定的可行性。     

基于NB-IoT技术和GA-BP神经网络的车位预测系统

围绕有效整合城市停车资源,提高现有车位存量利用率的需求,构建了一种基于NB-IoT技术的车位预测系统。该系统采用NB-IoT技术进行信息采集与传输实现车位信息的共享;考虑到车位状态信息实时变化的特性,用历史车位占用数据来建立车位预测模型,推测出未来短时内车位变化趋势。为了提高车位预测的精度,采用遗传算法(Genetic algorithm,GA)优化反向传播(Back propagtion,BP)神经网络建立GA-BP神经网络车位预测模型。以某地下停车场历史数据为例进行仿真实验,研究结果表明:车位预测模型预测值与实际值相近且趋势保持一致,能够有效准确的预测车位状态变化,具有较高的精度。     

基于BP神经网络的含褶皱复合材料强度预测

利用BP(Back propagation)神经网络处理多参数问题具有的非线性映射及泛化能力,构建了具有3层隐藏层的神经网络,对含纤维褶皱复合材料层合板的压缩强度进行预测。基于LaRC失效准则建立三维损伤模型,对含褶皱复合材料的压缩失效进行数值分析。将数值分析结果作为数据样本对神经网络进行训练。采用黄金分割法快速确定最佳隐藏层神经元数量区间范围,并通过分析对比不同数量神经元模型的强度预测结果及评价指标,确定具有高预测精度的隐藏层神经元数量。结果表明,所构建的神经网络预测最大褶皱角为5.6°、9.9°和11.4°的3种层合板失效强度误差分别为3.4%、4.6%和-0.01%。本文所发展的基于BP神经网络对复合材料强度进行预测的方法,为工程应用中复合材料强度评估提供了一种有效的途径。     

时滞对象的神经网络Smith预测控制

针对系统的时滞问题提出一种新的控制系统，将神经网络Smith预估器与神经元控制器通过预测误差有效结合在一起，起到预测控制目的。在神经网络Smith预估器中采用优于BP网络的IRN网络，仿真的结果表明系统的实时控制速度有了明显地提高。     

BP网学习算法的改进及其在模式识别中的应用

提出了一种基于熵类误差准则函数的渐进收缩学习方法，避免了当模式反转时，传统ＢＰ算法的局域极小，加快了收敛速度，且有效地改善了网络的推广性能。此外，还提出了一种自适应学习率调整方法，克服了传统ＢＰ算法中固定步长不能适应复杂的误差曲面的问题，在收敛速度方面有较大地改善，并且对参数的敏感性小，有较好的鲁棒性。     

基于小波神经网络的航空发动机建模研究

提出将多个多输入单输出小波神经网络(WNN)组合构造多输入多输出(MIMO)的WNN来逼近MIMO非线性动态系统的快速而简单的实现方法，并采用高效率的初始化方法缩短了训练时间。采用某型航空发动机在飞行包线内均匀分布的工作点参数来训练，建立了全包线适用的动态小波神经网络航空发动机模型，用交叉验证的方法检验表明在全包线内有较高的精度及泛化能力。与反传算法神经网络(BPNN)、径向基函数神经网络(RBFNN)建立的动态模型在精度及泛化能力等方面做比较，结果表明WNN建立的模型训练精度高而且泛化能力强。     

一种模糊Modular神经网络模型及其应用

将神经网络模糊系统与模糊C均值聚法相结合，对模糊Modular神经网络进行研究，提出了该模糊神经网络模型的多输出结构及其学习算法，据此开发了模糊神经网络诊断系统，并将其用于某电源分系统的诊断分析，运行的结果表明，该网络模型优于一般神经网络。     

具有认知能力的入侵检测系统模型

介绍了入侵检测的原理，对目前入侵检测的模型和方法进行分析，并给出了一个具有认知能力的入侵检测系统模型，该模型由基于规则的检测模块、神经网络组件、统计分析处理模块三个主要模块组成。模型采用了异常检测和误用检测相结合的方法，使系统既有对已知的攻击有较好的识别能力，又有检测未知攻击的能力。文末指出了当前入侵检测存在的问题及今后的发展方向。     

基于动态结构自适应神经网络的非线性鲁棒跟踪控制

针对非线性系统,提出一种将H∞鲁棒跟踪控制器与动态结构自适应神经网络相结合的组合控制方法.文中首先将系统线性化,设计H∞鲁棒跟踪控制器;然后针对系统中仍然存在的高阶非线性和未知不确定性,引入一种动态结构自适应神经网络,以对消非线性和不确定性的影响.这种自适应神经网络的隐层神经元随着跟踪误差的增大而在线增加,使得神经网络能以较少的神经元获得最佳的逼近效果,加快神经网络的运算速度,提高整个系统的动态性能.最后用飞行跟踪控制系统的示例证明本文方法是有效的.     

直升机涡环状态试验数据处理研究

采用神经网络误差反向传播算法,以旋翼涡环状态试验数据为基础,研究了桨叶负扭度对直升机涡环状态特性的影响,分析了负扭度变化对旋翼扭矩、拉力平均值及脉动幅度的影响。计算结果表明,神经网络模型能够准确预测桨叶负扭度对直升机涡环状态的影响。     

基于改进型BP神经网络多关节机器人逆向运动学求解

提出采用一种3层改进型快速BP神经网络(Modified fast BP neural network,MFBPNN)求解一个5自由度多关节机器人逆向运动学问题。使用正向运动学计算获得的样本向量进行离线学习,然后充分利用人工神经网络的泛化特性,实现了机器人末端作用器位姿到各个关节转角变量之间的非线性映射。仿真结果表明,采用MFBPNN算法以后,绝对误差不超过0．005°,计算精度和处理速度能够满足机器人实时控制的要求,并且可以应用于机器人路径规划控制场合。     

应用神经网络的航空发动机故障诊断仿真研究(英文)

传统的定期维护制度成本高 ,劳动强度大 ,且对发动机故障的诊断和探测能力十分有限。现代飞机上的发动机监控系统 ( EMS)具有向维护人员提供有关发动机故障信息的潜在能力。本文将径向基函数 ( RBF)神经网络应用到航空发动机故障诊断中。该方法能够依靠测量参数探测发动机多个气路故障 ,并对各大部件的性能退化进行定量的诊断。仿真结果表明 ,诊断的精度能够满足实际应用的需要 ,神经网络的非线性映射能力可用来捕捉发动机的特性。该方法具有通用性 ,在其他类似的复杂机械中也可以获得应用。     

超机动飞行的神经网络动态逆控制

根据反馈线性化理论，讨论了神经网络自适应非线性动态逆控制设计。首先根据时标分离的原则，采用动态逆方法设计了快回路和慢回路控制器；其次提出了模型的神经网络非线性直接自适应控制方案，其中设计一种在线神经网络用于补偿模型逆误差。仿真表明，该控制方案具有较好的自适应能力的鲁棒性。     

一类二元时滞细胞神经网络模型的周期解的存在性

利用时滞差分方程的有关理论及周期解的概念,讨论一类二元离散时滞细胞神经网络模型的周期解的存在性,为大规模网络的研究提供借鉴方法。