基于RBF网络的火箭发动机动态过程建模

提出了基于径向基函数神经网络（ＲＢＦＮ）的火箭发动机动态过程建模,仿真计算表明：采用ＲＢＦＮ建模,可以达到很好的逼近精度,而且网络训练速度大大加快,可以更好地适应实时状态监控和故障诊断,有实际的工程运用价值。     

基于RBF神经网络的航空发动机故障诊断研究

采用改进算法优化了径向基函数(RBF)网络.针对航空发动机工作条件和结构的复杂性,提出了用RBF网络进行故障诊断的方法,构建了基于RBF网络的多参数航空发动机故障智能诊断模型,并对典型发动机故障进行了诊断.结果表明,RBF网络具有优秀的故障学习能力,采用它进行航空发动机故障诊断是行之有效的,具有较好的应用前景.     

基于RBF神经网络的航空发动机故障诊断模型

利用某型发动机地面定检状态实测数据作为学习样本，采用径向基函数(RBF)神经网络建立发动机的故障诊断模型。通过该模型对起飞状态实测的发动机参数进行了辨识，结果表明：这种方法具有训练时间短、学习速度快、诊断精度高等优点。     

基于RBF神经网络的航空发动机故障诊断

航空发动机的故障诊断研究在民航安全发面有着重要的意义，而故障诊断模型的建立尤其关键。采用径向基函数（RBF）神经网络建立发动机的故障诊断模型，论述了径向基函数神经网络的结构、学习和运行，并通过该模型对发动机参数进行辨识，结果表明RBF神经网络具有较高的故障诊断正确率。     

基于径向基函数的变量预测模型模式识别方法

针对变量预测模型模式识别方法中4种数学模型不足以反映特征值之间复杂关系的缺陷.因此,提出了一种基于径向基函数的变量预测模型(VPMRBF)模式识别方法,把提取的特征值输入到VPMRBF分类器中,然后通过训练样本建立反映特征值之间复杂关系的径向基函数预测模型,最后把测试样本的特征值作为径向基函数预测模型的输入,以预测误差平方和为依据完成分类.该方法充分有效地利用并且结合径向基函数和变量预测模式识别方法的优点,实现了故障特征提取到故障识别的全程诊断. 滚动轴承故障诊断实验分析结果表明:与径向基神经网络、支持向量机和变量预测模式识别方法相比,VPMRBF的识别率分别提高了4.75%，1.75%和5.25%.      

RBF网络用于边界层转捩中抽吸流优化控制

 在抽吸气流控制边界层转捩问题中 ,将径向基神经网络用于抽吸流速与转捩位置间的函数关系建模 ,构造了网络结构 ,利用一组两通道抽吸流控制转捩的实验数据训练网络 ,获得了优化的网络参数。在此基础上 ,利用训练网络所获得的输入 /输出关系模型求解了最优抽吸流速。结果表明 ,RBF网络可有效地应用于边界层转捩主动控制中的系统函数关系建模。     

基于RBF网络的航空发动机辨识模型

利用实测到的发动机飞行试验数据作为学习样本, 采用径向基函数 (RBF)神经网络建立了发动机的辨识模型。利用这种方法对不同飞行高度发动机的参数进行了辨识, 并与几种 BP网络进行了比较。研究结果表明: 这种方法具有训练时间短、学习速度快、辨识精度高等优点。      

基于神经网络的冷却剂热物性拟合方法

基于径向基函数神经网络（RBFN）和广义回归神经网络（GRNN）对火箭发动机冷却热物性进行拟合，并与BP网络进行了比较，结果表明，采用RBFN和GRNN进行物性拟合具有网络结构简单，计算精度高，训练速度快的优点，可方便地引入液体火箭发动机传热计算程序中。     

基于RDK-ELM 的航空发动机控制系统故障诊断

为保持较高诊断正确率,缩短训练时间,满足航空发动机故障诊断对于实时性和高诊断率的需求,提出1种对深度核极限学习机的简约改进方法。输入数据中随机选取部分数据作为支持向量,结合深度学习网络的多层结构,完成了对输入样本的特征提取,通过核函数实现了高维空间映射分类。数字仿真表明:算法分类正确率高,训练时间短,可应用于航空发动机控制系统的故障诊断。     

基于自适应径向基网络的舰船RCS统计特征识别方法

文章采用舰船RCS频域起伏序列的均值、标准差为识别特征向量,利用提出的基于样本密度的自适应径向基网络,进行舰船分类识别研究。自适应径向基网络采用改进的自适应PSO方法估计样本密度最优邻域半径,实现径向基网络中心的自适应选择。改进的自适应PSO方法采用能反映样本聚类特点的BWP指标为适应度评价函数,采用快慢结合的高斯自适应惯性权重调节策略,提高了最优样本密度邻域半径的搜索速度和精度。实验结果表明,自适应径向基网络能自适应获得径向基网络最优识别率对应的RBF中心及其位置分布,减少了对建模人员经验的依赖,提高了反舰导弹对舰船类型的识别分类能力。     

基于LMD和RBF相结合的尾桨台传动系统滚动轴承故障诊断方法

提出了局部均值分解(Local mean decomposition,简称LMD)方法和径向基函数神经网络(Radial Basis Function Neural Network,简称RBF)相结合的滚动轴承故障诊断方法.LMD方法是一种新的自适应时频分析方法,能够有效地提取故障特征.该方法首先采用LMD对滚动轴承振动信号进行分解,计算分解得到的PF分量能量比,作为特征向量输入到RBF神经网络中,进行故障分类和识别.通过真实滚动轴承数据的故障诊断实验,验证了该方法的有效性.     

基于PSO-RBF的飞机燃油系统故障诊断

把粒子群算法(PSO)优化的径向基神经网络(RBF)应用于飞机燃油系统故障诊断中.并与RBF和BP神经网络进行故障诊断性能比较.结果表明PSO-RBF神经网络在燃油系统故障诊断中有更高的诊断精度和效率.     

非结构嵌套网格中的一种改进型径向基函数插值方法

非结构混合网格拓扑关系相对复杂,在嵌套边界区域进行流场信息插值传递容易有精度的损失。利用已知的解析函数作为插值样本,对线性插值(LINE)、距离倒数权重插值(WA)、逆二次径向基函数插值(IQ)、Wendland暞sC2径向基函数插值四种方法的精度进行对比,筛选出精度较高的C2径向基函数;提出一种改进的C2径向基函数插值方法,通过调整径向基函数的作用半径来控制插值矩阵条件数,进而消除使用径向基函数插值在嵌套边界区域出现的数值奇性问题;选用MD30P/30N 多段翼与三维AEDC典型外挂物分离模型对该插值方法进行验证。结果表明:改进后的径向基函数插值方法能够有效消除嵌套边界区域数值奇性,同时计算收敛速率更快,插值精度更高。     

基于RBF网络的航空发动机 terminal滑模控制

针对现代航空发动机是一个具有不确定性的强非线性系统,结合滑模控制和神经网络控制的优点,提出了一种基于径向基函数(radical basis function,简称RBF)网络的航空发动机terminal滑模控制方法.分析了传统指数趋近律的不足,提出了一种改进的指数趋近律来削弱抖振.该控制器采用terminal滑模面,并且利用径向基函数神经网络在线实时补偿未知干扰和不确定项的影响.仿真结果表明,所设计的控制器取得了令人满意的控制效果,能有效地抑制干扰和参数不确定性的影响,削弱了抖振.      

基于时间序列分析的装备可用度预测方法

阐述了装备可用度预测的重要性,并以此为需求牵引,构建了具有非线性、非平稳的装备可用度时间序列。基于奇异值分解滤波算法,将原始序列分解为趋势成分和随机成分,分别应用粒子群训练的径向基神经网络模型和函数系数自回归模型进行组合预测,充分体现了2类模型的各自的优势。实例分析,验证了模型和算法的有效性。实验与应用结果表明,该组合方法的预测性能和效果比单一使用RBF和FAR进行预测更好。     

深度置信网络在发动机气路部件性能衰退故障诊断中的应用研究

为提高发动机转动部件性能衰退故障诊断精度,针对传统的浅层网络和支持向量机(SVM)方法在诊断时存在泛化能力欠缺、易产生局部最优解等问题,引入近年来在模式识别领域取得巨大突破,模拟人脑多层结构的深度置信网络(DBN)进行发动机部件性能衰退故障的诊断。为改进深度置信网络性能,提出一种在无监督和有监督训练阶段都可自适应调整权值的改进算法(ad_DBN)。以涡扇发动机为对象,将两种DBN算法与BP,RBF和SVM方法从诊断精度、计算时间、抗噪能力三方面进行综合比较分析。结果表明DBN算法诊断精度明显优于反向传播(BP)神经网络,径向基(RBF)神经网络和支持向量机(SVM)方法,得益于权值的自适应调整,ad_DBN诊断的平均精度高达97.84%,其抗噪声能力也明显优于其他算法,能够提高故障诊断的有效性和可靠性。     

基于RBF神经网络的数字模式识别方法

在介绍径向基函数神经网络基本原理的基础上,讨论了基于 RBF 的数字模式识别的设计及其原则,包括识别数字网络模型结构、最近聚类学习算法等问题。     

基于深度学习与SAE网络的火箭推力下降故障诊断

针对运载火箭动力系统在发动机推力下降故障诊断中存在的推力下降程度及故障时间测算不精确的问题,提出了一种基于深度学习的故障诊断方法.不同时刻及程度的推力故障下,利用运载火箭六自由度运动学模型生成的过载信息作为故障训练样本,采用堆栈自动编码器方法训练网络,利用训练好的网络辨识发动机推力下降程度,带入六自由度仿真模型中可以实...     

航空发动机全包线自适应解耦控制器设计

为实现航空发动机在全包线的解耦控制, 在飞行包线内选择了若干点, 使用遗传算法对单神经元自适应解耦控制器的比例系数进行了离线优化。以优化得到的若干组参数为训练样本, 离线训练径向基函数(RBF)神经网络, 训练后的网络可映射高度、马赫数与比例系数之间的非线性关系, 飞行包线内任意点的解耦控制器比例系数即可由该网络得到。仿真表明:在设计点和非设计点, 系统均具有良好的动态特性和解耦特性。该方法结构简单、易于实现, 具有实用价值。      

基于Log—Sigmoid型径向基神经网络的雷达辐射源识别

提出基于一种新的鲁棒性径向基 (RBF)神经网络的雷达辐射源识别方法。此网络应用Log -Sigmoid函数作为基函数 ,避免了学习过程中的不稳定状态 ,并且比传统的RBF有更好的学习性能和函数逼近能力。并介绍一种新的归一化函数 ,通过归一化函数把不同类型 ,不同量纲的原始评估数值转换到 [- 1,1]区间 ,该效用函数较好地体现了“奖优罚劣”的原则 ,同时又更有利于神经网络的训练。仿真实验证明了该方法的优越性。