改进BP算法在模糊神经网络中的应用

引入一种改进的BP算法——动量因子-自适应学习率算法.通过调节动量因子以及在学习过程中的学习率实现自适应,以提高学习速率和增强学习的平稳性.将该学习算法引入到串形结构的多层前向模糊神经网络中,通过学习确定了模糊映射关系,实现了对象的模糊故障诊断.在应用模糊神经网络进行故障诊断时,被监测的故障征兆信号与网络输入层相连,即将输入向量输入到网络中,经过模糊化处理,得到各故障征兆在所定义征兆的模糊子集上的隶属度向量,再利用神经网络的前向计算,得到故障原因的模糊隶属度向量,最后通过对向量的分析确定故障原因的类型.将上述模糊神经网络应用到空气静压轴承中,实现了设备的故障诊断,测试结果验证了该方法的有效性.      

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。      

尖锥前体飞行器FADS系统的人工神经网络建模及风洞试验研究

针对一种用于尖锥前体飞行器的嵌入式大气数据传感（Flush Air Data Sensing，FADS）系统的解算模型及精度进行研究。针对尖锥外形特征，首先基于钝头体FADS系统的理论模型确定其测压孔配置；然后对确定的测压孔进行典型状态的风洞试验测试，并比对了数值计算数据与风洞试验数据；最后基于人工神经网络建模技术构建了FADS系统的网络解算模型及算法。结果表明:针对尖锥外形测压孔配置特征，基于人工神经网络建模技术的算法解算精度较好，迎角、侧滑角、静压、马赫数的网络输出值与试验值吻合较好，输出的测试误差（绝对值）分别小于0.1°、0.1°、50.0 Pa及0.01；同时也证实了人工神经网络算法在FADS系统中有进一步发展的空间。     

基于模拟退火算法预测储层参数

讨论了如何将地震资料、测井信息和先验地质知识有机地结合起来预测储层参数，以便揭示储层内部细节和纵横向变化特征。通过将模拟退火算法与人工神经网络相结合，能够解决非线性全局优化问题，勾画出地震信息和储层参数之间的复杂关系，为储层特征描述和储层横向预测提供提供直观、可靠的地层参数剖面一孔隙度、砂泥质百分含量、含水饱和度及渗透率等剖面。     

刀具磨损的人工神经网络方法及其仿真技术

本文提出一种对刀具磨损量进行辨识的人工神经网络方法，采用了灰色模型进行特征选择，研究了隐层不同节点数的选择对网络训练的影响，并通过仿真研究了该网络的稳定性。     

人工神经网络与刀具磨损监测

介绍了人工神经网络的基本概念及在刀具磨损监测中的应用，例举了两种典型网络（ＢＰ网络、ＳＯＭ网络）的结构与学习算法。研究表明，应用前馈神经网络构造的刀具磨损状态二分类器、三分类器及磨损估计网络，检验效果很好。文中提出的ＳＯＭ网络在磨损估计方面具有学习快、精度高的优点，有实际应用价值。     

飞行航迹动态逆跟踪控制的神经网络方法

针对用动态逆方法设计飞行控制系统在极慢模态设计中所遇到的完全非线性问题，以及飞行器在执行低空突防任务时所面临的程度无法精确控制的条件，提出了一种以前向神经网络为核心的解决方案。文中给出了神经网络的拓扑结构、样本采集方法以及动态逆控制器的构造方法，仿结果表明，该方案具有良好的指令跟踪能力。     

一种基于模糊聚类的组合BP神经网络数据挖掘方法

介绍了一种基于模糊聚类的组合BP神经网络的数据挖掘方法，并给出了该方法的模型和启发式BP改进算法Heuristicbp。且将其应用于数学函数值预测中，取得了学习时间短和预测精度高的效果，证明该方法是有效的，具有较高的实际应用性。     

基于小波神经网络的航空发动机建模研究

提出将多个多输入单输出小波神经网络(WNN)组合构造多输入多输出(MIMO)的WNN来逼近MIMO非线性动态系统的快速而简单的实现方法，并采用高效率的初始化方法缩短了训练时间。采用某型航空发动机在飞行包线内均匀分布的工作点参数来训练，建立了全包线适用的动态小波神经网络航空发动机模型，用交叉验证的方法检验表明在全包线内有较高的精度及泛化能力。与反传算法神经网络(BPNN)、径向基函数神经网络(RBFNN)建立的动态模型在精度及泛化能力等方面做比较，结果表明WNN建立的模型训练精度高而且泛化能力强。