压电叠堆主动减振的神经网络PID实时控制

为实现对带有模型尾支杆支撑系统在吹风过程中振动特性的实时控制,以压电陶瓷叠堆为减振元件设计了尾支杆一体化结构;提出了神经网络PID(Proportion-integration-differentiation)实时控制方法,建立了该尾支杆一体化结构的运动方程,推导出神经网络进行系统识别的状态方程,以此为基础进行控制器的设计并基于Labview软件编写控制程序;最后在风洞中,对该控制方法的控制效果进行了试验验证。试验表明利用该控制系统可进行实时控制;对不同风速下激励的振动,控制后的均方根幅值(Root mean square,RMS)减小55%以上,且该控制方法具有良好的鲁棒性、可靠性和容错性。     

基于神经网络的重力卸载系统控制器设计

吊挂系统是地面模拟空间机械臂重力卸载试验的重要方法之一。针对传统PID控制方式动作响应慢、鲁棒性差等缺点,提出了一种基于径向基函数（RBF）神经网络的智能控制方式。该方式有很强的非线性拟合能力,且学习规则简单,可映射任意复杂的非线性关系,便于计算机实现。利用该特性,设计了一种重力卸载精度较PID控制方式更高的控制器。该控制器应用正交最小二乘法辨识的控制模型,在带负荷的伺服电机数学模型条件下,使用基于梯度下降法更新权重的RBF神经网络,最后通过s 函数编写,得到Matlab仿真图像。仿真结果与PID控制方法相比响应迅速,鲁棒性强,重力卸载精度更高（98%）。     

基于改进Hopfield神经网络的对地攻击型无人机自主能力评价

对地攻击型无人机是当前最先进的无人装备之一,无人机必须具备很高的自主能力,自主能力成为无人机的典型作战能力。针对对地攻击型无人机的自主能力量化评价问题,从感知能力、决策能力、行为能力和安全能力4个方面,并侧重机载装备参数分析,提出了一套完整的自主能力评价指标体系。结合模型因素库,运用奇异值分解设计Hopfield神经网络权值矩阵,利用基于稀疏度的权值删减算法改进网络结构。构建自主能力评价标准,对对地攻击型无人机系统自主能力进行量化分级。仿真结果表明:相对于传统Hopfield神经网络,改进算法能够在一定范围内删除非关键的连接权值,降低网络复杂度,工程上更容易实现对地攻击型无人机系统自主能力的量化评价。      

基于群体进化策略的电磁态势预测

针对战场电磁态势预测问题,基于群体智能优化算法的可靠性与全局性等特点,提出了一种利用融合Cholesky因子更新的CMAES算法优化的RBF神经网络方法,利用在CMAES算法中添加Cholesky的秩-μ更新来提高算法的速度和准确度,提高网络学习的效率与预测精度。仿真实验验证了该方法可以有效提高电磁态势的运算速度与精度。     

旋转爆震发动机中爆震波不稳定传播特性实验研究

在内径为60mm,外径为70mm的旋转爆震发动机实验件上,进行了以氢气/空气为推进剂的旋转爆震实验,以研究爆震波传播过程中的不稳定现象。实验中采用预爆管切向入射的方式起爆旋转爆震波,用高频动态压力传感器记录爆震波压力,用高速摄像机拍摄爆震波在环形燃烧室内的传播现象。在稳定工况下,爆震波传播速度达到1680.6m/s(为理论值的83.9%),工作频率达到7642Hz;在小流量工况下,爆震波的传播速度表现出很强的不稳定性,能从790.1m/s(理论值的39.4%)变化至1533.9m/s(理论值的76.6%)。实验发现了旋转爆震发动机的点火起爆过程中存在如下不稳定现象:爆震波自发改变传播方向,爆震波自发由一个变成两个,两个爆震波相互撞击。在实验中,还发现:不带喉部时,旋转爆震发动机中爆震波的传播方向具有随机性;带喉部时,爆震波的传播方向呈现出规律性。出现上述"不稳性"现象的可能原因是:点火起爆阶段,初始流场混乱,湍流度较大,爆震波的形成过程容易受到流场扰动的随机性干扰。     

基于声发射的铝蜂窝板超高速撞击损伤模式识别方法

为通过声发射技术识别铝合金蜂窝板超高速撞击(HVI)的损伤状态,提出一种基于神经网络的损伤模式识别方法。通过超高速撞击实验获取声发射信号,结合精确源定位技术、时频分析技术、小波分析技术及模态声发射技术,提出了10个与损伤相关的特征参数,通过非参数检验分析其与损伤的关系,设计了一种基于贝叶斯正则化BP神经网络的超高速撞击损伤模式识别方法。建立最优网络模型,通过不同参数组合识别能力分析,优选出2种特征参数组合,通过非同源样本对其损伤模式识别能力进行验证。结果表明:传播距离与损伤模式无关,却是识别损伤模式的重要参数;125~250kHz频域的自动加窗小波能量比会降低损伤模式的识别能力;采用贝叶斯正则化的BP神经网络可以较好地识别蜂窝板超高速撞击损伤模式,参数组合为传播距离、上升时间、持续时间、截止频率、4个自动加窗小波能量比及小波能量熵,共9个参数,对任意选取非同源样本识别错分率仅为9.38%。     

一种新的雷达信号实时分选方法

针对现有实时分选方法依赖滑动窗(单次处理脉冲数)的选取、分选效率低以及分选结果存在严重增批现象等缺陷,将脉冲串的接收视为数据流过程,从而设计了一种基于进化数据流聚类的雷达信号实时分选框架.该框架分为在线处理和离线分析两个阶段,通过引入时态密度特征避免了主观上对滑动窗长度的选取,并利用衰变检测和噪声点检测来提高在线聚类的效率.离线阶段通过对历史快照的分析可以判明雷达的活动情况,并将属于一部雷达的脉冲批组进行关联.仿真实验表明了该框架的有效性和可行性.     

NOMA异步干扰消除技术

由于NOMA(Non-Orthogonal Multiple Access,非正交多址接入)技术能够提高系统的吞吐量和频谱效率,因而在空间信息传输中具有广阔的应用前景.针对N O MA在传输过程中必然面临的同步问题以及不同用户信号间的彼此干扰问题,提出了N O MA异步干扰消除方案.首先采用过采样使得输出符号之间的噪声分量彼此独立,然后利用过采样输出序列间良好的结构性,分别采用SIC(Successive Interference Cancellation,串行干扰消除)、BP(Belief Propagation,置信度传播)、MLSD(Maximum Likelihood Sequence Detection,最大似然序列检测)等对采样输出的序列进行信号检测.仿真结果表明,符号异步NOMA相比于同步NOMA具有更好的误码性能.     

基于GRNN-ELM的飞机复合材料结构损伤识别

飞机结构的损伤严重影响着飞机的飞行安全,为了解决飞机复合材料结构损伤难以有效识别问题,本文提出一种基于广义回归神经网络(General regression neural network,GRNN)与极限学习机(Extreme learning machine,ELM)组合的飞机复合材料结构损伤识别新方法。首先对飞机复合材料层合板进行冲击,而后对其进行疲劳拉伸试验,通过优化布局在复合材料层合板上的光纤光栅传感器募集应变信息,并对其进行预处理。采用变分模态分解(Variational mode decomposition,VMD)对募集的应变信息进行自适应分解,得到多个基本模式分量(Intrinsic mode function,IMF)。计算各阶IMF分量的奇异熵,通过核独立主元分析(Kernel independent component analysis,KICA)方法对奇异熵进行特征融合,构建融合特征向量。采用融合特征向量建立基于GRNN-ELM的复合材料结构损伤识别模型,通过试验对损伤识别模型的有效性进行了验证,并分别与所构建的ELM和GRNN损伤识别模型的识别结果进行比较。结果表明,该方法能有效对飞机复合材料结构损伤进行识别,具有很好的工程应用价值。     

基于BP神经网络的核事故多核素源项反演方法

核事故发生后，为快速评估事故严重程度，需要对源项释放率进行估算。本文选取I-131，Cs-137，Xe-133和Kr-85四种核素的释放率为目标信号，利用Matlab建立基于BP神经网络的核事故四核素源项反演模型。计算结果表明，在单隐层节点数为5~60范围内，训练均方差 随节点数增加先减小后增大，在节点数为25时达到最小值41.1%。学习速率在0.01~0.2范围内时，增大学习率可减小训练均方差与各核素相对误差。对单隐层节点数为25，学习速率为0.2的训练结果进行测试，4种核素的源项估计相对误差分别为56.7%，49.1%，92.4%和92.0%。