基于优化神经网络模型的系统建模仿真研究

建立一个结构优化的系统模型是设计控制系统的基础,但对于实际系统尤其是非线性系统一般没有统一表达形式,其模型结构难以构造,对其结构优化难以实施,给非线性系统建模带来很大困难.为此,基于神经网络理论,分析了非线性系统的神经网络模型并对其神经网络模型结构进行仿真研究.基于OBS (Optimal Brain Surgeon)优化策略,对初始神经网络模型结构进行优化操作,进而获得结构优化的神经网络模型并对非线性系统的建模进行仿真.仿真结果表明,优化的神经网络模型对非线性系统的建模效果是良好的,其模型的泛化能力亦得到增强.     

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。     

基于静态删减算法的神经网络在软件可靠性预测中的应用

与传统的基于人工神经网络的软件可靠性预测模型结构普遍由预先经验或者通过不断尝试的方法确定不同,在分析一般的软件可靠性模型的基础上,提出将一种基于静态删减算法的神经网络模型应用到软件可靠性预测中。通过利用2组经典的软件失效数据进行仿真,并与传统的神经网络可靠性预测模型对比分析,研究了神经网络拓扑结构和预测精度的关系,结果表明,基于静态删减算法的运用能够提高神经网络模型对软件可靠性的预测精度。     

BP神经网络训练中的实际问题研究

研究了BP神经网络的结构以及学习算法,根据实验经验总结出了在神经网络的训练过程中需要注意的一些实际问题,对BP神经网络的应用有实际的指导意义。最后分析了BP神经网络的局限性并简要介绍了改进的一些方法,给神经网络的研究提供了一定的参考价值。     

基于知识重用的固体火箭发动机结构形式选择

以探索知识重用在固体火箭发动机设计中的应用为目的,引入知识工程及模糊数学的思想,将一般模糊极小极大神经网络用于完成固体发动机设计过程中结构形式选择,实现了固体发动机结构形式选择的自动化及量化描述。首先给出了基于知识重用的固体发动机结构形式选择模型描述;然后建立了固体发动机结构选项一般模糊极小极大神经网络;最后以具体型号总体设计为例,完成结构形式选择,得到了包含实际结果的多个可行方案。该方法提高了设计过程自动化水平,且可提供多个不同的结构选择可行方案供设计人员参考。     

应用ART1神经网络仿真车间分组

阐述了ART1神经网络在制造单元设计过程中形成零件族的基本方法,并在基于MATLAB的软件平台上,利用其神经网络工具箱对生产过程中的实际情况进行了仿真和应用。     

动态模糊RBF神经网络焊接接头力学性能预测建模

建立动态模糊径向基神经网络RBF( Radial Basis Function,RBF)焊接接头力学性能预测模型,克服静态RBF和模糊神经网络( Fuzzy Neural Network,FNN)在结构辨识、动态样本训练及学习算法的不足。该模型的结构参数不再提前预设,在训练过程中动态自适应调整,适用动态样本数据学习,学习算法引入分级学习和模糊规则修剪策略,加速训练并使模型结构更加紧凑。利用三种厚度、不同工艺TC4钛合金TIG焊接试验数据对该模型进行仿真。结果表明：模型具有较高的预测精度,适用于预测焊接接头力学性能,为焊接过程在线控制开辟了新的途径。     

改进的RBF神经网络在翼梢小翼优化设计中的应用

为了提高径向基函数(RBF)神经网络模型的预测精度,在其基础上提出了一种自适应RBF神经网络模型。该预测模型在RBF神经网络模型表达式中引入自适应向量(向量维数与样本点自变量维数相同),采用优化搜索方式确定自适应向量值,从而提高模型预测的准确度和普适性。与其他RBF神经网络模型的改进相比,本文直接从改变基函数的形式入手,使用较少的参数优化达到对网络模型的自适应构造;该方法本质上改变了基函数网络中心与宽度对网络模型预测的作用以及样本点自变量向量的各个维对因变量的影响度,其对目标问题具有自适应性。将本文的自适应RBF神经网络模型应用在基于机身+机翼+翼梢小翼模型的翼梢小翼优化设计中,在约束弯矩的情况下进行巡航减阻优化设计,设计结果验证了该预测模型的可行性,表明其具有一定的工程实用价值。     

卷积和离散过程神经网络及其在航空发动机排气温度预测中的应用

 针对航空发动机排气温度的变化过程受复杂非线性时变因素的影响而难以用精确数学模型描述的问题,提出了卷积和离散过程神经网络(CSDPNN)模型,并将其应用于航空发动机排气温度(EGT)预测。该模型以离散样本作为直接输入,采用卷积和算法实现对时间累积效应的处理。相较于以连续函数作为输入的过程神经网络(PNN),不需要拟合离散样本得到连续函数后进行正交基展开,减少了精度损失,具有更高的预测精度。给出了卷积和离散过程神经网络模型的学习算法,并通过对Mackey-Glass混沌时间序列的预测对提出的方法进行应用说明和验证。通过航空发动机EGT预测实例,并与卷积和离散过程神经网络模型的连续函数输入过程神经网格以及传统人工神经网络(ANN)的预测结果进行了对比。结果表明,相较于连续函数输入过程神经网络以及传统人工神经网络,卷积和离散过程神经网络具有更高的预测精度,且对于EGT的预测具有较好的适应性,因而为航空发动机EGT预测提供了一种有效的方法。     

基于遗传算法优化神经网络的直升机参数选择

在直升机初步设计阶段估算其基本参数是很重要的.神经网络的通用性和精度比传统的估算方法有更多的优势,但是在应用神经网络时存在如何选择合适的网络结构和隐层节点数目等一些困难.应用遗传算法优化三层神经网络结构和连接权重,并将优化得到的网络应用于直升机参数选择中.该方法不但可以给出一个最优的神经网络结构和连接权重,而且降低了估算误差,具有及时应用最新数据学习的能力.此外,该方法易于在直升机设计系统中得到应用.     

基于神经网络的预膜雾化模型

为了实现对预膜雾化质量的快速预估，基于神经网络建立了以结构参数和工况参数为输入,SMD值为输出的预膜雾化模型。使用试验数据训练和测试网络模型,结果显示,模型在较宽的工作范围内具有较高的精度和较好的泛化能力。SMD预测值随输入参数的变化规律符合试验结论,可作为给定工况参数下预膜式雾化装置的结构参数优化依据。神经网络能够较好地学习预膜雾化过程中的隐含规律。随着供油压差的增大,预膜器逐渐出现阻雾化效应,导致其雾化效果比单喷嘴和直混式雾化均差。     

基于粗糙集与模糊神经网络的故障诊断

神经网络已广泛应用于故障诊断领域,但也存在冗余数据难以剔除、网络结构复杂的缺陷,与其他理论相结合可以得到更优越的诊断特性。粗糙集在数据约简和规则获取等方面具有优势,可以有效避免神经网络构造的困难;同时,模糊神经网络可以使网络推理过程变得透明,且较强的数据泛化能力可以弥补粗糙集的不足。通过将粗糙集与模糊神经网络技术相结合,建立故障诊断模型,利用歼击机操纵面故障诊断实例检验其可行性和有效性。     

用Hopfield神经网络与模拟退火算法求解UAV航路规划问题

分别用Hopfield神经网络与模拟退火算法求解UAV航路规划问题,并且对所求得结果进行了简单比较,结果表明模拟退火算法比Hopfield神经网络求解UAV航路规划问题效率更高。     

利用神经网络快速极值搜索算法研究微喷十字梁系统

针对极值搜索算法在一般实际系统中的应用问题,以微喷十字梁实验系统为例,采用极值搜索算法,设计出控制器,同时考虑加入动态补偿器和RBF神经网络改善系统性能。仿真结果表明,该设计系统具有较好的稳定性及动态性能,对于噪音具有较强的鲁棒性,从而提出了一种在一般实际系统中应用极值搜索算法的方法。     

基于RBF神经网络的飞行事故率预测建模

飞行事故率是反映航空安全水平的重要指标。针对飞行事故率预测建模难的问题,采用RBF神经网络方法,建立了飞行事故率的预测模型。仿真试验结果表明,RBF神经网络具有很高的建模精度和较强的泛化能力,从而验证了该方法的有效性和先进性。     

结构元件疲劳断裂可靠性分析的新方法

对近年来国内外在结构元件疲劳断裂可靠性分析的经典模型的简要综述基础上，结合新的数学分析方法，重点分析和讨论了元件疲劳断裂可靠性分析的新方法和新模型。包含脆性断裂和韧性断裂的随机有限元法模型、随机模糊混合可靠性模型、概率与非概率混合可靠性模型、基于遗传算法和神经网络的可靠性模型和应变疲劳可靠性模型。     

基于人工神经网络的涡轮盘蠕变可靠性分析方法

用ADINA程序计算的涡轮盘盘缘蠕变位移量的有限个结果对人工神经网络进行训练。利用Monte-Carlo法对基本随机变量进行随机抽样,并基于随机有限元方法思想用人工神经网络代替有限元程序计算涡轮盘盘缘蠕变位移量,进而分析涡轮盘蠕变可靠性。      

飞机多学科设计优化中的近似方法分析

首先介绍了近似方法中的二次响应面方法、径向基神经网络方法、Kriging方法和增强的径向基函数方法。结合测试函数和某机翼模型为例,分别用这四种方法构造测试函数和某机翼结构和气动学科的近似模型,并总结这四种方法的特点和在对各种模型近似中的适用性。结果表明,Kriging方法和增强的径向基函数方法的近似是非常精确和稳健的。     

Force measurement using strain-gauge balance in shock tunnel based on deep learning

When a force test is conducted in a shock tunnel, vibration of the Force Measurement System (FMS) is excited under the strong flow impact, and it cannot be attenuated rapidly within the extremely short test duration of milliseconds order. The output signal of the force balance is coupled with the aerodynamic force and the inertial vibration. This interference can result in inaccurate force measurements, which can negatively impact the accuracy of the test results. To eliminate inertial vibration interference from the output signal, proposed here is a dynamic calibration modeling method for an FMS based on deep learning. The signal is processed using an intelligent Recurrent Neural Network (RNN) model in the time domain and an intelligent Convolutional Neural Network (CNN) model in the frequency domain. Results processed with the intelligent models show that the inertial vibration characteristics of the FMS can be identified efficiently and its main frequency is about 380 Hz. After processed by the intelligent models, the inertial vibration is mostly eliminated from the output signal. Also, the data processing results are subjected to error analysis. The relative error of each component is about 1%, which verifies that the modeling method based on deep learning has considerable engineering application value in data processing for pulse-type strain-gauge balances. Overall, the proposed dynamic calibration modeling method has the potential to improve the accuracy and reliability of force measurements in shock tunnel tests, which could have significant implications for the field of aerospace engineering.