一种使用BP神经网络加速的蒙特卡洛拉格朗日水滴求解器（英文）

结冰可能威胁飞行安全。拉格朗日方法被广泛应用于求解结冰过程中的水收集系数,但是其发展受到鲁棒性问题和高计算成本限制。为了弥补拉格朗日方法的缺陷,使用蒙特卡洛积分法和反向传播(Backpropagation, BP)神经网络分别用于解决鲁棒性问题和降低计算成本。基于蒙特卡洛方法的拉格朗日求解器可实现对任意模型或计算条件的无条件稳定。构建了BP神经网络用于预测水滴撞击概率,通过筛除非撞击水滴减少计算量。BP神经网络不针对特定模型提前训练,使用异步并行策略使BP神经网络训练和水滴运动同时求解,建立了广泛适用的异步拉格朗日求解器。使用GLC-305后掠三维翼型和某型发动机短舱模型对求解器进行验证,结果显示BP神经网络可以有效提升计算效率,对比没有神经网络辅助最多节省27%运行时间,同时保有同等计算精确度。本文研究为首次尝试神经网络技术与结冰数值模拟融合,为进一步发展拉格朗日方法提供有力支撑。     

基于人工神经网络的微重力流动冷凝换热预测

微重力条件下管内流动冷凝换热系数是空间热交换器设计的基础依据,但其实验数据稀缺,故有必要建立精确的预测模型。文中提出了一种基于人工神经网络的微重力下管内流动冷凝换热预测模型。选取误差反向传播（Back propagation, BP）和径向基函数（Radial basis function RBF）两种神经网络,以水力直径、饱和温度、质流密度、干度及与工质热物性有关的参数作为网络输入,冷凝换热系数作为网络输出。结果显示,BP神经网络预测的均方根误差为237、平均绝对百分误差为4.32%;RBF神经网络预测的均方根误差为165、平均绝对百分误差为2.35%。相对于BP神经网络,RBF神经网络精度更高。基于RBF神经网络的微重力下管内流动冷凝换热模型预测值与94%的实验值和数值模拟结果的相对误差在±10%以内。     

一种基于粗糙集理论的粗糙神经网络构造方法

提出在BP神经网络中使用粗糙集理论网络的设计，由于粗糙集理论有强大的数值分析能力,而BP神经网络具有准确的逼近收敛能力和较高的精度，所以通过两者的结合，可以得到一种可理解性好，计算简单，收敛速度快的神经网络模型，这种神经网络的算法的主要过程为：首先利用粗糙集能力去发现给定数据集的一些规则，然后根据这些规则构造神经网络稳含层的神经元个数，最后用BP算法迭代求了网络的各种参数，完成网络的设计，本文最后给出了一个三维非线性函数的实例进一步验证了网络的正确性。     

各向异性层合阻尼结构的BP集成神经网络模型设计

本文以各向异性层合阻尼结构为研究对象,设计一种基于BP集成神经网络的智能分析模型。该模型中的集成神经网络由两个子系统神经网络并联融合而成,学习算法主要采用Sigmoid函数。同时,该模型设计针对各向异性层合阻尼结构参数的扰动性问题综合采用结构模式归类、学习算法的改进、小波分析方法予以处理。计算结果表明:该BP集成神经网络模型,较好地解决了各向异性层合阻尼结构参数的扰动性问题,并能有效量化结构参数的变化影响。     

基于BP神经网络的民航机场飞行区事故预测研究

以长沙黄花国际机场从2010年1月1日至2016年12月31日期间共96个月的样本数据对BP神经网络预测模型进行训练和检验,结果表明,目标误差率达到最低要求,证明BP神经网络应用于民航机场飞行区事故预测预报具有可行性,为研究民航机场安全预警问题提供新的思路和方法。     

基于BP和GRNN神经网络的高速铣削TC4粗糙度预测

表面粗糙度是衡量工件加工表面质量的重要指标,考虑到切削参数是能够人为控制并对零件的表面粗糙度有较大影响的因素之一,通过设计正交试验建立高速铣削TC4表面粗糙度的BP神经网络和GRNN神经网络模型,并对比两个模型的预测值与试验值的预测精度。结果表明:所建立的GRNN神经网络能够更好的预测零件表面粗糙度,预测误差在5%以内,BP神经网络的预测误差在10%以内且收敛速度较慢,GRNN神经网络具有更好的预测精度和效率,为进一步开展高速加工预测提供参考。     

一种新型人工神经网络的实现与改进——概率逻辑神经网络

概率逻辑神经网络模型是一新兴的神经网络模型,它不仅具有较快的训练速度,而且具有“自退火”性能,并易于硬件实现,从而成功地克服了误差反向传播(BP)模型的训练时间长,易于陷于局部最小点的弱点。本文将给出概率逻辑神经网络(PLNN)的一般结构、学习算法及其模拟实现的情况。并由此推广到多层联想网络的实现与分析,最后给出了PLNN与BP的比较结果。     

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。     

机械展开式再入飞行器气动性能分析与优化

机械展开式再入飞行器由于气动面积较大,可以有效地进行气动捕获和气动减速,但需研究分析主要气动外形参数对气动性能的影响并通过优化进一步提高减速效果。针对计算流体力学（Computational fluid dynamics, CFD）开展再入飞行器外形优化计算量大、耗时多的问题,提出了一种基于反向传播（back propagation, BP）神经网络的气动性能优化方法。在对再入飞行器参数化建模的基础上,首先采用正交试验设计生成样本,通过CFD方法进行高精度气动力性能计算,对样本计算结果进行方差分析;再利用BP神经网络对生成的样本集进行非线性拟合,构建神经网络气动性能近似模型;最后使用多岛遗传算法和BP神经网络模型开展阻力最大的气动外形设计优化,并对优化结果进行参数灵敏度分析。结果显示,该优化方法可以快速准确地求解优化模型,在保证精度的同时大幅提升了计算效率,可为未来工程设计和应用提供参考。     

神经网络BP算法在滑油系统故障诊断中的应用

通过介绍神经网络反向传播算法(BP)的原理,研究BP算法在航空发动机滑油系统故障诊断方面的应用。BP算法因其高度的非线性、模拟的并行性、高度容错性、系统健壮性、自联想、自学习和自适应等许多特点,在航空发动机滑油系统调试和系统的监测及诊断中发挥较大的作用。     

基于BP神经网络的起飞限重计算预测研究

针对起飞限重分析计算的流程复杂、迭代多、计算效率低的问题,本文在分析起飞限重计算规律的基础上,研究了使用BP神经网络预测起飞限重结果的可行性.文中以ARJ21-700飞机在场长、爬升等综合限制条件下的最大起飞重量计算为例,使用Matlab进行结果预测.预测结果表明BP神经网络具有较好的适应性,可以满足性能仿真计算的工程...     

BP神经网络数字识别系统的设计方法

字符识别一直是一个热点问题,而人工神经网络具有并行计算能力、容错能力、泛化能力,以及任意精度逼近未知非线性对象的特点,将人工神经网络应用在字符识别中,提高字符的识别率与识别效率就具有了可行性。论文着重介绍BP神经网络数字识别系统的设计方法和步骤,指出该系统不仅可以识别数字,而且经过BP神经网络的适当改变,可以实现英文字符、简单汉字和混合字符数据的识别。     

神经网络自适应控制在攻击直升机中的应用

研究了神经网络自适应控制在直升机飞行控制系统中的应用。首先将直升机姿态角系统划分为快慢回路 ,并分别采用动态逆方法进行设计 ;针对动态逆方法的优点和不足 ,提出了小波神经网络自适应逆控制方案 ,把BP小波神经网络和基于李亚普诺夫稳定的小波神经网络分别应用于直升机飞行控制系统中 ;最后对典型机动飞行进行了仿真 ,说明小波神经网络方法应用的正确性和有效性。仿真结果证明 ,本文采用的小波神经网络自适应控制方法效果好 ,具有工程应用价值     

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。     

基于BP神经网络的城区基本用电负荷预测与验证

文章以南昌市为实证对象,用BP神经网络对城区未来十几年的基本用电负荷进行了预测,并做了验证性分析.     

一种在轨卫星控制分系统风险等级预测方法

使用2009至2020年某卫星控制分系统质量案例数据，提出一种基于BP神经网络的在轨卫星控制分系统技术风险等级预测模型。挖掘历史相关数据，建立在轨卫星控制分系统风险评价体系。排除风险源中的冗余信息，将重要信息数据离散化后，以BP神经网络进行训练，最终得到在轨卫星控制分系统风险等级预测模型。通过试验验证该模型可准确有效预测在轨卫星控制分系统风险等级，为卫星在轨风险控制提供支持。     

基于BP神经网络的内圆磨床主轴动态分析方法研究

通过对神经网络学习样本的选择问题的研究，本文提出了采用“多水平正交表”选取神经网络的训练样本的方法，建立了内圆磨床主轴系统的BP神经网络模型，并在试验的基础上借助于优化方法进行了模型修正和优化计算。该方法不仅计算方便、快捷，而且具有较高的计算精度。     

神经网络辅助卡尔曼滤波技术在雷达目标跟踪中的应用研究

提出了一种应用神经网络对卡尔曼滤波结果进行校正的机动目标跟踪方法,用BP神经网络修正目标机动运动时的卡尔曼滤波误差,并用matlab仿真单目标机动飞行时的滤波效果,通过与卡尔曼滤波精度和滤波稳定度的比较说明该算法比传统卡尔曼滤波算法在跟踪机动目标方面效果要好。     

软土基坑开挖诱发地表沉降分析

基于进化BP神经网络的智能方法,充分利用人工神经网络对非线性函数强大的映射能力、自学习能力和推广能力,文章建立了基于MATLAB神经网络工具箱的优化智能软土基坑开挖诱导地表沉降分析系统,同时采用贝叶斯规则化法对系统进行改善,大幅提高了泛化能力和工程适用性.     

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。