音频信号矢量编码算法

为了在保证译码恢复的声音质量良好的前提下,减小编码的压缩率,以减小声音信号的存储空间,提出了一种将线性预测编码、SOM神经网络矢量编码以及Huffman编码相结合的声音信号编码算法,将1列声音信号转换为2列信号,这样就可以进行后续的矢量编码。实现了预测编码和矢量编码的结合。利用Matlab软件编程进行了声音信号编解码实验。实验结果表明,在保证声音质量的前提下,该编码方法的码率小于MEPG-1 Layer3的最低的64kbps标准码率,且算法简单。文章提出的编码算法在音频压缩编码方面将具有较高的研究价值和很好的应用前景。     

基于深度学习递归神经网络的电离层总电子含量经验预报模型

利用行星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据,首次基于一种能处理时间序列的深度学习递归神经网络（Recurrent Neural Network,RNN）,建立提前24h的单站电离层TEC预报模型.对北京站（40°N,115°E）的预测结果显示,RNN对扰动电离层的预测误差低于反向传播神经网络（Back Propagation Neural Network,BPNN）0.49～1.46TECU,将太阳风参数加入预报因子模型后对电离层正暴预测准确率的提升可达16.8%.RNN对2001和2015年31个强电离层暴预报的均方根误差比BPNN低0.2TECU,将太阳风参数加入RNN模型可使31个事件的平均预报误差降低0.36～0.47TECU.研究结果表明深度递归神经网络比BPNN更适用于电离层TEC的短期预报,且在预报因子中加入太阳风数据对电离层正暴的预报效果有明显改善.      

融合机床精度与工艺参数的铣削误差预测模型

为弥补现有五轴联动数控铣床加工飞机结构件的加工精度评估系统的不足,提出利用机床精度检测数据和零件特征及其工艺参数来构建评估指标体系,基于BP神经网络建立了飞机结构件加工误差预测模型。通过完成训练的网络权值分布,计算出各输入指标对最后评估结果的影响,并通过实例分析检验了模型的可靠性。结果表明,经BP神经网络模型训练得到的结果和样本零件的三坐标测量机测量数据基本吻合,选取的评价指标具有有效性。该评估模型能够有效地融合机床精度检测数据和零件特征及其加工工艺参数,对飞机结构件的铣削加工误差进行预测。     

临近空间动能拦截器神经反演姿态控制器设计

为满足临近空间动能拦截器姿态控制快速性、准确性和鲁棒性的要求,设计了一种自适应神经反演姿态控制器。首先,建立了姿控发动机侧喷干扰模型,并推导了包含质心漂移、参数摄动和外界干扰的三通道强耦合模型;其次,设计了自适应神经反演姿态控制器,为提高控制精度,采用径向基函数（RBF）神经网络对各个通道的不确定项进行估计和补偿,并基于最小学习参数的思想,将神经网络学习参数拟合为一个参数,提高了RBF计算效率,保证了估计的实时性。最后,采用伪速率（PSR）脉冲调制器将设计的连续控制律转化为脉冲控制律,实现了拦截器的变推力控制,并克服了脉冲脉宽调制（PWPF）调制器相位滞后问题。数字仿真表明,所设计的控制器收敛速度快,控制精度高,对强扰动具有鲁棒性。     

基于神经网络的导弹制导控制一体化反演设计

针对制导控制一体化(IGC)模型中的不确定性难以进行估计补偿的问题,提出了基于神经网络的IGC反演设计方法。首先,根据弹目相对运动关系以及导弹自动驾驶仪模型建立了三维空间中的IGC模型。其次,针对由目标机动引起的模型不确定性,提出应用高阶滑模微分器(SMD)对导弹导引头获得的弹目相对运动信息进行微分,从而估计出目标加速度的方法,然后考虑导弹自身由于参数摄动以及未建模动态引起的模型不确定性,应用SMD和神经网络模型进行在线逼近补偿,基于反演控制理论设计了带有SMD和神经网络模型的IGC算法,应用李雅普诺夫稳定性理论对所设计的控制算法进行了稳定性证明。最后,进行了导弹六自由度仿真,验证了所设计控制算法的有效性。     

利用神经元拓展正则极端学习机预测时间序列

为实现对于时间序列预测数据的准确预测,提出一种神经元拓展正则极端学习机(NERELM,Neuron-Expanding Regularized Extreme Learning Machine),并研究了其在时间序列预测中的应用.NERELM根据结构风险最小化原理权衡经验风险与结构风险,以逐次拓展隐层神经元的方式自动确定最佳的网络结构,以避免传统神经网络训练过程中需人为确定网络结构的弊端.应用于时间序列的仿真结果表明:NERELM可有效实现对于RELM最佳网络结构的自动确定,具有预测精度高与计算速度快的优点.      

基于神经网络的维修保障流程影响度分析方法

针对维修保障能力的主要影响因素分析及其影响度的量化问题,以维修保障业务流程作为分析对象,通过建立业务流程参数与装备使用能力的关系函数,建立影响因素和影响度的分析方法,并给出影响程度、关键要素、关键影响要素以及综合影响度定义.以流程数量、效率和稳定性作为分析指标,利用MATLAB软件基于神经网络实现对关系函数的逼近求解,为装备制造企业提供确定关键流程和主要影响因素的系统实现.以某航空装备制造企业维修保障业务流程为例给出具体应用,与专家评价方法相比该方法可获得更为客观的分析结果.      

新一代GNSS接收机的智能跟踪状态评估技术

新一代全球导航卫星系统的接收机需要根据用户所处环境,自适应地调整接收机内部参数以达到最稳健的导航效果。这就要求接收机在运行过程中通过评估跟踪状态去检测和分析用户场景。基于对传统接收机控制系统缺陷的分析,提出了智能接收机的概念、特点及系统框架;在此基础上设计、分析接收机的智能跟踪状态评估算法;最后通过仿真验证了所设计的算法可以有效地识别场景及场景间的切换。     

一种基于遗传RBF神经网络的智能容错滤波算法

针对组合导航中标准卡尔曼滤波容错性能不足的问题,提出一种基于遗传RBF神经网络的智能容错滤波算法,其基本思想是通过RBF网络自动调节滤波增益来控制不确定性噪声的影响,进而提高滤波容错性。在RBF神经网络中,隐层单元与核函数宽度的选取对网络的性能具有重要影响,进而利用自适应遗传算法对其隐层单元数及核函数宽度进行了优化,隐层单元中心和输出层连接权值分别由K-均值聚类和最小二乘算法确定,最后得到精度较高且结构优化的RBF网络。为检验方法的应用效果,以SINS/GPS组合导航系统为例进行了仿真验证,实验结果表明遗传RBF网络容错滤波算法能在满足导航精度和计算量增加较小的前提下,比标准卡尔曼滤波具有更强的容错能力,由此也说明了方法的有效性。     

基于BP神经网络的飞行绩效评价模型

为实现飞行绩效的客观评价,利用眼动数据,建立了拓扑结构为6-14-3型的BP(Back Propagation)神经网络模型.已有的实验数据和随机插值法得到的数据作为建模的数据来源,数据分为训练集和测试集并归一化.基于Matlab的神经网络工具箱,利用经验公式和实验比较法确定了BP网络模型的隐含层节点数;对BP算法的各种改进算法进行了优化选择;将训练集数据和测试集数据先后输入网络模型进行学习训练和仿真测试;对3个技术水平的飞行员的飞行绩效进行了预测和评价.研究表明,眼动数据的BP神经网络模型可以较为准确地评价飞行绩效,评价方法可以为飞行训练提供参考.