基于双隐层过程神经网络的飞机发动机故障检测

利用双隐层过程神经网络模型可以直接处理时变信号的特点，提出了一种用双隐层过程神经网络模型对飞机发动机进行故障检测的方法。由过程神经元隐层完成对输入信息过程模式特征的提取和对时间的聚合运算，非时变一般神经元隐层用于提高网络对系统输入输出之间复杂关系的映射能力。分别利用递归神经网络和双隐层过程神经网络对发动机排气温度裕度进行仿真预测。结果表明，双隐层过程神经网络收敛速度快、精度高，优于递归神经网络的预测结果。为飞机发动机状态监测问题提供了一种有效的方法。     

基于动态变结构BP神经网络的目标威胁评估

针对传统目标威胁估计方法和BP神经网络的不足,在BP神经网络的基础上,建立了基于动态变结构BP神经网络的目标威胁估计模型.该模型通过在权值向量更新公式中引入冲量函数,加快了网络的搜索速度和精度,保证了网络获得全局最优值;通过实时调整隐含层节点数目,可以将网络结构优化,极大地提升了网络的灵活性.仿真结果表明,与传统目标威胁估计方法和BP神经网络相比,动态变结构BP神经网络具有更好的预测能力和收敛速度,可以快速、准确地完成目标威胁估计.     

基于GA-ELM的飞行载荷参数识别

针对用复杂飞行数据识别飞行载荷时的精度低、速度慢等问题,提出一种结合遗传算法(GA)和极限学习机(ELM)的GA-ELM模型。该模型使用ELM神经网络作为计算核心,用遗传算法产生ELM网络输入层到隐含层的权值矩阵和隐含层偏移量;用GA-ELM模型对飞行数据进行识别,并与BP神经网络和原始ELM神经网络的识别结果进行对比。结果表明:GA-ELM模型是一种有效且高精度的飞行载荷参数识别方法。     

基于小波过程神经网络的飞机发动机状态监视

 针对飞机发动机状态监视问题，提出了小波过程神经网络模型。其隐层和输出层为过程神经元，隐层激活函采用小波函数。该模型结合了过程神经网络可以处理连续输入信号的特点及小波变换良好的时频局域化性质，有更强的学习能力和更高的预测精度。文中给出了相应的学习算法，并以飞机发动机状态监视中排气温度裕度的预测为例，分别利用3层前向过程神经网络和小波过程神经网络进行预测。结果表明，小波过程神经网络结构更简单，收敛速度更快，优于过程神经网络，因而为飞机发动机状态监视提供了一种有效的方法。     

飞行仿真气动力数据机器学习建模方法

基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦合输入全弹道非线性气动力是可行的和有效的,在样本覆盖的高度、速度、姿态和控制舵偏角范围内,气动力拟合能力较强,并具有一定的外推性。该项研究可以为基于飞行试验数据的气动建模提供新的方法,并且能为飞行器气动力数据挖掘、飞行仿真和总体性能分析提供参考。     

一种小波神经网络与遗传算法结合的优化方法

提出一种基于小波神经网络(简称WNN)与Pareto遗传算法相结合的优化方法,并用于内流的数值流场优化计算.小波神经网络由输入层、隐含层和输出层组成.在隐含层用Morlet小波母函数取代了误差反向传播(BP)神经网络中常用的Sigmoid激励函数.Pareto遗传算法具有很好的全局寻优能力和良好的优化效率,在通常情况下它总可以得到均匀分布的Pareto最优解集.典型算例表明:该算法快速、高效,能高精度的完成非线性函数的逼近与映射,其泛化能力很强.      

基于改进BP神经网络的导弹攻击区计算

针对传统导弹攻击区计算方法和BP神经网络算法的不足,在BP神经网络的基础上,建立了基于动态变结构BP神经网络的导弹攻击区模型。该模型通过在权值向量更新公式中引入冲量函数,加快了网络的搜索速度和精度,保证了网络获得全局最优值;通过实时调整隐含层节点数目,可以将网络结构优化,极大地提升了网络的灵活性。仿真结果表明,与传统导弹攻击区计算方法和BP神经网络相比,动态变结构BP神经网络具有更好的计算能力和收敛速度,可以快速、准确地完成导弹攻击区计算。     

一种高泛化能力的神经网络气动力降阶模型

神经网络模型的泛化能力是指模型对于新样本的适应能力,而当前基于神经网络的非线性气动力模型往往泛化能力不足。针对这一局限,发展了一种基于计算流体力学的带验证信号气动力降阶模型,用于跨声速气动力预测。采用递归径向基函数神经网络,通过引入差分进化算法,对模型中隐含层神经元宽度进行优化,优化目标为验证信号的均方根误差最小。训练信号采用结构大幅振荡的位移和气动力响应,用小扰动下微幅运动的信号作为验证信号。算例表明建立的降阶模型不仅具有比全阶数值模拟更短的计算时长,并且由于采用了小幅运动的验证信号,使模型在不同频率和振幅下的泛化能力得到增强。     

军用装备采购费用评估中的神经网络模型

在BP神经网络理论指导的基础上,从影响装备采购费用的因素出发,根据BP神经网络的多层结构,运用反向传播算法(BP算法)构建战斗机采购费用BP网络模型;同时,运用BP网络模型对已知采购价格的5种类型军事装备进行了采购费用估算和MATLAB仿真,取得了比较满意的结果,达到了提高装备采购费用的预测速度和精度的目的,显现了BP神经网络方法的优点,为军用装备采购价格的预测提供了一种新的有效的方法。     

SVM在气体减压器稳定性能中的应用

使用支持向量机(SVM)研究涡轮气封减压试验系统中高压卸荷膜片式减压器的稳定性问题,主要集中于以往方法不易涉及的多结构参数变化.针对稀疏易有残缺的小样本空间,与BP(back propagation)神经网络模型进行对比,得出SVM方法在所研究数据集上的一些结论:SVM模型预测性能在多结构参数变化情形下优于BP神经网络模型,预测误差平均降低了25.5%;SVM的泛化性好于BP;在双参数、三参数情形下,SVM模型为气体减压器的设计提供了更好的决策支持,给出了优化结构参数的设计建议.      

基于BP神经网络的惯导初始对准误差辨识方法

针对弹道导弹捷联惯导系统初始对准问题,提出一种基于BP神经网络在线辨识初始对准误差的方法。首先设计了初始对准误差辨识总体方案;然后,基于SINS/GPS组合导航系统测量信息,以SINS与GPS之间的位置偏差为输入量,以初始对准误差为输出量,分别采用三输入和六输入的BP神经网络建立位置偏差与初始对准误差参数之间的映射关系,生成BP神经网络结构;最后,设计仿真试验,分别采用三输入BP神经网络、六输入BP神经网络和卡尔曼滤波算法预测初始对准误差参数。仿真结果表明,六输入BP神经网络算法识别精度最好,初始水平姿态角误差小于30″,瞄准方位角误差小于70″。     

尖楔前体飞行器FADS系统的神经网络算法

对人工神经网络算法在尖楔前体飞行器用嵌入式大气数据传感系统(Flush Air Data Sensing System,FADS)中的应用进行了探讨。针对该FADS系统存在的建模困难及解算精度低的问题,采用BP神经网络算法代替传统的空气动力学模型,通过合理选择网络结构参数及训练验证,分别建立了FADS系统的含有单隐含层的三层网络模型及含有双隐含层的四层网络模型,对攻角、侧滑角、自由来流静压及马赫数等参数进行求解。数值仿真结果表明,建立的用于尖楔前体飞行器的FADS系统的神经网络算法求解精度较高,且含有双隐含层的网络模型精度优于单隐含层的模型精度。     

BP神经网络在元器件贮存可靠性参数预测中的应用

元器件贮存可靠性受多个非线性因素的影响。时间序列预测实质是实现一个非线性映射。应用BP神经网络模型对某元器件贮存可靠性性能参数时间序列进行了预测,仿真表明BP神经网络预测模型有较高的精度。     

基函数宽度对递归RBF神经网络气动力模型精度的影响研究

由于非定常气动力的复杂性,通常所建立的气动力模型在稳定性、泛化能力和精度上均存在一定局限,采用递归RBF神经网络模型能够实现气动载荷的较准确预测。隐含层神经元的基函数宽度对该模型的精度及稳定性具有重要影响。首先通过数学分析和计算仿真研究训练过程中宽度与神经网络结构之间的关系,然后将NACA0012翼型俯仰运动作为算例,研究模型在不同训练信号、延迟阶数和流动状态下的性能,最后利用对随机俯仰运动样本的预测结果,验证宽度的最优选择范围。结果表明:基函数宽度对此类非定常气动力模型的稳定性及泛化能力影响较大;最优宽度的选择随训练及预测信号的变化有所不同;较多样本时,通常选择55~75的宽度能够保证非定常气动力模型具有较高的预测精度。     

基函数宽度对RBF神经网络气动力模型精度的影响研究

将带输出反馈的RBF（recursive radial basis function, RRBF）神经网络用于构建非定常气动力模型,能够得到一种动态非线性气动力降阶模型（reduced order model, ROM）。隐含层神经元的基函数宽度是该气动力模型的一个重要参数。为了研究基函数宽度对RRBF神经网络的影响,首先通过数学分析和计算仿真研究了训练过程中宽度与神经网络结构之间的关系,而后用NACA0012翼型俯仰运动作为算例,研究模型在不同训练信号、延迟阶数和流动状态的情况进行测试。测试结果表明,基函数宽度对此类非定常气动力模型的稳定性及泛化能力都有较大影响;最优宽度的选择随训练及预测信号的变化有所不同;较多样本时,通常选择55~75的宽度能够保证非定常气动力模型具有较高的预测精度。通过对随机俯仰运动样本的预测结果,验证了宽度的最优选择范围。     

飞行仿真气动数据处理的神经网络应用

利用神经网络一致逼近任意非线性连续函数的特性,训练具有一个隐含层的神经网络来映射飞行参数和气动系数模型相比,飞行仿真系统计算速度更快、计算精度更高。在自修复飞行控制系统研究中,为故障飞机建模所需大量故障状态气动系数数据处理提供一种新方案。也为一般飞行仿真系统气动数据处理方法提供了一种新的思路。     

一种小波神经网络与遗传算法相结合的优化方法及其在内流中的应用

本文提出一种基于小波神经网络（Wavelet Neural Networks，简称WNN）理论与Pareto遗传算法相结合的优化方法，并用于内流的数值优化计算。小波神经网络是将小波分析与人工神经网络（Artificial Neural Networks，简称ANN）理论相结合而产生的一种新型神经网络模型。它通常由输入层、隐含层和输出层所组成。本文在隐含层用Morlet小波母函数取代了BP神经网络中常用的Sigmoid激励函数。Pareto遗传算法具有很好的全局寻优能力和良好的优化效率，在通常情况下它总可以得到均匀分布的Pareto最优解集。内流（其中包括超声速射流元件以及叶轮机械内部流动）优化问题的典型算例表明：小波神经网络具有很好的自学习功能和容错能力，可以快速、高效、高精度的完成非线性函数的逼近与映射，并且其泛化能力（generalization ability）很强。在数值优化中还发现，WNN比常用的响应面方法在样本的要求方面更灵活、更高效。将WNN与Pareto遗传算法相结合可以得到工程中较为满意的优化解。     

基于遗传神经网络的飞行载荷参数识别

针对飞行载荷参数识别问题,结合典型机动动作,提出一种优化改进的BP神经网络模型。模型采用留出方法和遗传算法对BP神经网络的设置参数进行优化,利用最优设置参数训练得到飞行载荷与飞行参数的BP神经网络模型。在半滚机动下,通过利用飞行参数识别某一部位弯矩并与未优化BP神经网络对比,表明优化改进的BP神经网络模型对飞行载荷参数识别是一种可行且精度高的方法。     

钛合金叶轮精铸成型数值模拟及实验验证

针对铸造钛合金叶轮叶片内部缺陷多和成型质量差的问题,通过设计两种浇注系统,运用有限元方法对浇注系统进行数值模拟,研究浇注系统设计优化对精铸的充型和凝固过程中流场、温度场及缩孔缩松的影响,在最优设计基础上进行熔模精铸实验,同时对其铸件的微观组织和力学性能进行检测与分析。结果表明:在型壳预热温度400℃、浇注温度1730℃,浇注时间8 s条件下,模拟结果得到底注式浇注系统充型、凝固质量好,铸件内部无缺陷;顶注式结构充型流场紊乱,存在卷气现象,同时铸件内部缺陷较多,故底注式多冒口结构浇注系统优于顶注式结构;对底注式系统进行了实验验证,铸件显微组织致密,拉伸屈服强度、断面收缩率和硬度分别为785.5 MPa、25.5%和301.67 HBW,力学性能较好,表面精度较高,符合高品质钛合金铸件的要求。     

基于余弦基神经网络的FIR滤波器设计

提出了一种基于余弦基神经网络FIR滤波器的设计方法。根据线性相位FIR滤波器的幅频特性是有限项的傅里叶级数，构造了一个三层余弦基神经网络模型，并给出了最优隐层神经元的个数。经模拟仿真，滤波器性能非常理想，具有同时输出低通、高通、带通、带阻各种功能，通带、阻带无过冲无波动，边界频率可以精确控制。