BP网络的算法及在MATLAB上的程序仿真

在介绍了BP网络基本原理的基础上,阐述了现有的有关BP网络的3种算法,并对这些算法进行了比较,指出在实际应用中BP网络的缺陷.另外利用Matlab神经网络工具箱,采用自适应学习率BP算法对模式识别问题进行了程序设计、训练和仿真.     

基于神经网络的飞机轮胎与跑道间结合系数的研究

以实验数据为基础,利用神经网络的BP算法来拟合飞机轮胎与跑道之间的结合系数与滑移率的关系曲线,通过在MATLAB中编程来实现拟合,同时生成一个可以应用到SIMULINK中的模块,为系统建模提供了方便。实验结果表明BP网络能比较好地拟合μ-σ曲线,控制效果较好。     

组合BP神经网络在数据挖掘中的应用

在吸收了人工神经网络解决非线性问题优点的基础上,针对数据挖掘的特点,提出了一种组合BP神经网络的数据挖掘方法。该方法是按照一定方式将n个BP网络组合成一个复杂的BP网络模型,并运用改进的启发式BP算法以实现有用模式的挖掘,能够大大缩短训练时间和提高挖掘精度。     

用遗传算法改进的BP模型在刹车系统诊断中的应用研究

利用神经网络进行故障诊断是近些年来所兴起的一种重要的智能诊断方法。我们就是根据航空维修的特点及神经网络的优点, 提出了应用BP网络对飞行器的故障进行学习、训练和诊断的想法。同时, 为了克服单独应用BP算法时存在的缺陷, 我们利用遗传算法(GA)对其进行了改进。我们利用面向对象的计算机编程技术, 开发了一个软件程序, 初步试验, 取得良好效果。最后讨论了在航空维修方面智能诊断的未来发展趋势。     

基于GRNN网络的燃气轮机可靠性预测研究

本文根据采集的实际运行数据,利用神经网络较好的高度非线性映射性能,通过对后传播网络（BP网络）和广义回归神经网路（GRNN网络）的优化设计,来预测燃气轮机实际运行中的可靠度。通过算法实现和结果的对比分析表明：BP网络和GRNN网络都能解决高度非线性问题,但在训练时间和精度上GRNN网络具有更为优良的逼近能力。神经网络方法为燃气轮机的可靠性预测提供了有力的工具。     

基于神经网络的滚动轴承故障包络信号的自动识别方法

介绍了一种基于神经网络的滚动轴承故障包络信号的自动识别方法。将从包络信号的时域和频域信息中提取的反映滚动轴承故障的特征信息作为BP神经网络的输入,用BP算法对该网络进行训练。利用BP神经网络的智能性来实现滚动轴承故障的智能诊断。     

模拟电路故障诊断新方法

在BP型ANN网络用于模拟电路故障诊断的基础上,提出了利用GA辅助设计的BP型ANN实现模拟电路故障诊断的新方法。实例验证表明,新方法的诊断精度、诊断速度以及建立诊断模型的自动化程度都有了较大的提高。     

刀具磨损估计的多传感器融合神经网络方法研究

研究了利用声发射、振动和电机功率信号经BP算法信息融合估计刀具磨损量的方法,采用简单有效的灰色模型关联分析法选择特征参数,研究了网络参数对性能的影响以及网络性能的稳定性。     

贝叶斯正则化BP网络在机翼载荷分析中的应用

采用贝叶斯正则化与BP网络相结合的方法,构造了一个分析飞机机翼载荷的三层BP网络。贝叶斯正则化方法提高了BP神经网络的泛化能力,且能考虑非特征化的非线性影响。使用某型飞机对称机动和滚转机动的试飞实测数据作为载荷激励来训练神经网络,并用这个训练完的网络预测了该飞机机翼的飞行载荷。最后将神经网络预测结果与实测结果进行了比较,结果表明该方法能够准确地实现飞机机翼载荷预测,对新机研制和飞行试验有较高的参考价值。     

基于PNN-DS信息融合模型的目标识别方法

针对目标识别中常用BP—DS信息融合方法识别率低,运行速度慢,抗噪性差等问题,提出一种基于PNN网络和DS证据的信息融合方法。该方法不仅综合了证据理论在处理不确定信息方面的优点和神经网络在数值逼近上的长处,利用神经网络和证据推理算法获取了基本概率赋值,同时突出了PNN网络在处理多传感器信息的准确性和运算速度上都要优越于BP网络的特点。     

航空发动机神经网络自适应控制研究

本文研究神经网络自适应控制方法及其在航空发动机控制中应用。结合某型航空涡喷发动机,首先研究采用神经网络进行非线性动态系统辨识,包括神经网络模型辨识的格式、输入信号形式等问题。然后,提出了一种神经网络自适应控制方法,阐明了该方法基本结构、原理。最后,在选定的设计点处进行发动机控制系统设计,当偏离设计点时,利用神经网络很强的学习、适应能力,通过在线修正神经网络参数,使控制系统仍保持良好性能。      

基于RBF网络辨识的涡扇发动机双变量神经网络PID解耦控制

根据神经网络与PID算法相结合的思想, 针对涡扇发动机双变量控制中变量之间的耦合问题, 提出基于径向基函数神经网络(RBF)辨识的发动机双变量神经网络PID解耦控制, 并给出控制系统的控制结构及原理.仿真结果表明, 该方法控制精度高、跟踪性能强、鲁棒性良好, 能够有效地减小各回路之间的耦合影响, 并保证控制系统具有良好的稳态和动态性能, 适合航空发动机控制.      

航空发动机递归神经网络分路式解耦控制

针对航空发动机多变量控制中变量之间的耦合问题,提出了一种基于递归神经网络的分路式动态解耦控制方法,给出了发动机双路式解耦控制系统的结构及其解耦原理和算法。利用递归小波网络较强的动态非线性映射能力,在线完成发动机各控制通道的模型辨识,并回馈对应的灵敏度信息;神经网络PID控制器根据回馈的信息在线自适应调整参数,实现发动机各通道的准确跟踪和分路独立控制。仿真表明,该方法在保证控制系统良好的动态和稳态性能的同时,有效地减小了各回路之间的耦合影响,能够成功应用于发动机控制系统的解耦。      

适应型神经网络系统的控制

控制对象系统根据控制领域的不同，或多或少具有非线形特性。尤其汽车发动机系统中更具有很强的非线性。目前，三层构造的神经网络对于非线性系统的控制非常有效。     

基于模糊补偿神经网络辨识器的发动机转速控制系统

提出了一种带模糊补偿的神经网络辨识器,并应用在某型涡扇发动机转速控制系统中。一个动态神经网络用于被控装置的在线辨识,然后根据被控装置的输出和参考模型的响应迭代出控制信号,具有4条简单规则的模糊逻辑块用于提高整个系统的闭环特性。试验结果显示,对比传统的机械-液压式控制器和模拟式电子控制器,提出的控制策略具有更好的瞬变特性及抗干扰特性,同时提高了系统的过渡过程品质,保证了航空发动机对高性能指标和高控制精度的要求。      

利用神经网络设计航空发动机全包线最优控制器

本文提出一种用神经网络拟合飞行条件、发动机工况与发动机最优控制器参数之间关系, 从而设计适合于全飞行包线范围内发动机最优稳态控制器的方案。该方案可以针对发动机分段线性化模型, 利用成熟的线性控制设计方法设计非线性控制器, 且控制器结构简单、实时性好。仿真结果表明, 所设计的发动机控制系统在整个飞行包线内的设计点及非设计点均具有良好的性能。      

航空发动机多变量三层神经网络控制

提出了一种发动机多变量神经网络控制方法。采用三层前向神经网络对非线性项进行补偿,神经网络权重自适应律采用在线学习算法。控制系统的设计不需要知道精确模型,适应于全飞行包线。仿真研究表明发动机多变量神经网络控制具有良好的动、静态性能。      

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。     

涡轴发动机非线性模型预测控制

 对涡轴发动机进行了非线性模型预测控制(NMPC)研究,设计了非线性模型预测,该控制器主要包括3个方面：预测模型、滚动优化和反馈校正。利用神经元网络模型预测涡轴发动机动态响应过程,得到预测模型;运用序列二次规划(SQP)优化算法进行发动机的在线滚动优化,得到发动机的燃油控制量;根据神经元网络模型与实际发动机对象的输出误差,对控制器的指令信号进行了反馈校正。最后进行了仿真实验,与常规串级PID控制相比较,非线性模型预测控制器的超调量从2.2%降低到0.8%,响应时间从6 s降低到2 s,具有很好的控制品质。     

航空发动机自适应神经网络PID控制

本文提出了一种航空发动机多变量自适应神经网络 PID控制方法, 采用基于共轭梯度的神经网络学习算法在线整定控制器参数。该控制器的设计无需知道发动机精确模型, 具有响应速度快、抗干扰能力强和鲁棒性好等优点。控制器不仅算法简单, 实现容易, 而且适用范围广。