基于最小二乘法的分解炉温度控制数学模型

根据分解炉温度控制的实际生产情况,确定了三次风、煤粉和生料流量与分解炉温度之间的关系,建立了分解炉温度控制的数学模型。由于神经网络可以实现对复杂非线性对象进行卓有成效的控制,因此选定神经网络中应用最广泛的BP神经网络作为控制算法,对三次风和煤粉阀门开度进行控制,从而实现对分解炉温度预测控制。     

一种基于红外图像的目标自动识别算法

红外成像制导具有在各种复杂战术环境下自主搜索、捕获、识别和跟踪目标的能力,代表了当代红外制导技术的发展趋势。提出了一种红外图像预处理、跟踪、分类的自动目标识别算法,利用小波变换、形态学方法对红外图像进行预处理,提取不同频带的惯性不变矩作为特征量,利用神经网络进行分类识别,结果表明该算法具有很高的识别率,对于精确制导武器的目标识别研究具有一定的参考价值。     

改善电子系统故障诊断能力的神经网络虚警过滤器技术

分析了现代电子系统机内测试 (BIT)技术存在的虚警问题 ,提出运用神经网络虚警过滤器(NNFAF)技术来降低虚警、改进BIT能力 ;并介绍了NNFAF的原理和网络开发方法 ;最后分析了NN FAF技术的特点、应用及发展方向。     

全飞行包线LQG／LTR多变量控制器设计

根据某型涡喷发动机不同飞行条件、不同工作状态设计了一组双变量LQ/LTR控制器,同时利用一个神经网络对这组控制器的控制参数进行拟合,以使发动机在全飞行包线内各工作状态都有良好的控制性能。仿真结果表明,在整个飞行包线内,控制系统不但有良好的鲁棒性,而且调节性能良好,能满足发动机控制的要求。     

无线传感器网络的异构性研究

随着无线通信技术和微电子技术的快速发展,低成本、高度集成和自组织的无线传感器网络将会逐渐普及.首先总结归纳了无线传感器网络异构性的几种表现形式,如计算能力异构性、节点能量异构性、链路异构性及网络协议异构性,然后介绍了异构无线传感器网络层次网络体系结构和两种适用于无线传感器网络的标准.最后对无线传感器网络的安全问题进行简单探讨.     

某型航空发动机涡轮多级气动优化设计

采用将准三维设计和多级局部优化联合的多级涡轮气动优化设计流程,对某型航空发动机3级涡轮进行了多级气动三维优化设计;采用人工神经网络和遗传算法对各列叶栅进行了三维局部优化,流场计算采用全三维黏性流N-S方程求解。通过优化设计,调整了功率分配,改善了各列性能,并对各列间参数进行了优化匹配,使总体性能提高,达到了设计要求。     

不确定性非线性系统的自适应输出反馈控制

研究了一种不确定性非线性系统的自适应输出反馈控制方法.首先引入伪控制信号使系统反馈线性化,然后设计一个线性动态补偿器和在线神经网络,自适应消除不确定性和建模所引起的误差.仿真结果表明,该控制方法能够消除系统的稳态误差,提高系统动态性能,并且具有较好的鲁棒性.     

基于小波包变换的模拟电路电源电流故障诊断

针对模拟电路故障诊断这一难点,运用基于IDDT技术的故障诊断方法,即利用小波包变换提取电源电流各频率成分的能量,作为神经网络的输入特征矢量进行故障诊断。仿真结果表明,该方法可以快速高效地进行模拟电路故障诊断与定位。     

Prediction of geosynchronous electron fluxes using an artificial neural network driven by solar wind parameters

There are hundreds of satellites operating at the geosynchronous (GEO) orbit where relativistic electrons can cause severe damage. Thus, predicting relativistic electron fluxes is significant for spacecraft safety. In this study, using GOES satellite data during 2011–2020, we propose two neural network models with two hidden layers to predict geosynchronous relativistic electron fluxes at two energy channels (>0.8 MeV and > 2 MeV). The number of input neurons of the two channels (>0.8 MeV and > 2 MeV) are determined to be 36 and 44, respectively. The > 0.8 MeV model has 22 and 9 neurons in the hidden layers, while the > 2 MeV model has 25 and 15 neurons in the hidden layers. The input parameters include the north–south component of the interplanetary magnetic field, solar wind speed, solar wind dynamic pressure and solar wind proton density. Through the analysis of different time delays, we determine that the optimal time delays of two energy channels (>0.8 MeV and > 2 MeV) are 8 days and 10 days, respectively. The training set and validation set (Jan 2011-Dec 2018) are divided by the 10-fold cross-validation method, and the remaining data (Jan 2019-Feb 2020) is used to analyze the model performance as a test set. The prediction results of both energy channels show good agreement with satellite observations indicated by low RMSE (～0.3 cm^-2sr^-1s^?1), high PE (～0.8) and CC (～0.9). These results suggest that only using solar wind parameters is capable of obtaining reasonable predictions of geosynchronous relativistic electron fluxes.     

一种卷积神经网络非合作目标姿态测量方法

针对空间非合作目标姿态测量问题，提出一种基于卷积神经网络的非合作目标姿态视觉测量方法。该方法先设计特征提取网络并利用公开数据集进行预训练，用少量实际目标图像进行迁移学习，实现非合作目标图像高层抽象特征的自动提取；再设计基于回归模型的姿态映射网络，建立图像高层特征与三轴姿态角之间的非线性关系，实现非合作目标的姿态测量。实验验证了两类特征提取网络测量精度和参数量大小，测量精度可达 0.711° (1σ),表明了“单目相机+卷积神经网络”方法的可行性。