基于优化最小二乘支持向量机的小样本预测研究

 统计学中的预测问题主要是通过对已知数据的分析,找到数据内在的相互依赖关系,从而获得对未知数据的预测能力。该文提出了最小二乘支持向量机参数优化方法———多层动态自适应优化算法,构建了基于最小二乘支持向量机的预测模型,并对Ti 26合金的性能预测进行了研究。结果表明:优化的最小二乘支持向量机具有优秀的小样本数据学习能力和预测能力。  

基于概率神经网络的发动机故障诊断

 用反向传播神经网络 (BPNN)和概率神经网络 (PNN)对航空发动机若干原型故障进行定性的诊断,并将仿真结果进行了比较。仿真结果表明,当测量参数不包含噪声或噪声较小时,两种网络都具有很高的诊断准确率;当测量参数的噪声较大时,则概率神经网络的诊断准确率远大于反向传播神经网络,显示了概率神经网络较强的诊断鲁棒性。此外,概率神经网络能够充分利用故障先验知识,并考虑代价因子的作用,从而把误诊断可能带来的损失减小到最低程度。  

基于BP神经网络和遗传算法的结构优化设计

现代航空发动机不断追求提高推重比,优化其零部件的结构设计日益重要。传统结构优化方法耗时多且不易掌握。针对这一问题,本文提出了将BP神经网络和遗传算法相结合用于结构优化设计的方法,并编制了相应的计算程序,实现了一个含9个设计变量的发动机盘模型的结构优化计算。计算证明,与传统结构优化方法相比,此方法计算速度快、精度良好。  

基于人工神经网络的预腐蚀铝合金疲劳性能预测

 通过对BP神经网络算法分析和收敛性改进,从获得的预腐蚀和疲劳试验数据中通过训练建立了LY1 2CZ铝合金腐蚀性能和疲劳特性与预腐蚀温度和时间的映射模型,从而可预测铝合金在一定预腐蚀环境谱下的最大腐蚀深度和疲劳特性。神经网络算法采用 BP算法 ,网络结构采用2-4-2形式。结果表明 ,神经网络用于预腐蚀铝合金的腐蚀状况和疲劳性能预测是可行的  

基于动态RBF网络的发动机起动过程模型辨识

针对航空发动机在起动过程中各截面气流处于亚临界状态 ,难以利用传统的气动热力学方法进行建模的问题 ,本文利用发动机地面试验数据作为学习样本 ,采用动态径向基 (RBF)神经网络的方法 ,建立了航空发动机起动过程动态模型。仿真结果表明 ,利用该方法建立的发动机模型具有动态性好 ,精度高的优点 ,开辟了发动机中小转速建模的新途径  

模糊自组织神经网络在航空发动机故障诊断中的应用

介绍了模糊自组织神经网络在航空发动机故障诊断中的应用方法 ,并通过实例验证了该方法在发动机故障分类中的实用性。该方法具有结构算法简单、无监督自学习和侧向联想等功能。它有很好的应用前景 ,可以广泛应用于发动机的故障诊断。  

利用振型变化进行结构损伤诊断的研究

 以悬臂梁为研究对象,在其上进行损伤模拟。应用有限元程序进行模态分析,模态分析的结果表明第一阶振型改变率对不同位置和程度损伤的敏感性。提出以第一阶振型改变率作为结构损伤识别的标识量。应用神经网络,成功地识别了损伤的位置和程度,指出其可行性。  

制导规律研究现状及展望

系统地论述了古典和现代的一些制导规律的研究现状，分析了它们的优点和不足、适应范围和局限性，并讨论了它们的发展前景，其中郑重论述了比例导引、最优导引、微分对策和近年来热门研究的神经网络控制，可供从事导弹制民垢科研人员对现有制导规律有一个全面的认识，以便于更深入地研究。  

Kohonen网络在发动机故障诊断中的应用

文中第一部分研究了利用Kohonen 网络进行发动机故障诊断的特点与算法。并以JT9D发动机为例对算法的有效性进行了检验,23 个故障样本的确诊率达到87% 。文中还以一个典型例子进行了详细分析。文中第二部分提出了利用Kohonen 网络进行故障诊断结果排序的方法,该方法有助于给出简明的诊断结论。文中第三部分提出了利用Kohonen 网络提取故障样本群的代表性样本的方法。该方法对于经验故障方程的建立十分有用。研究结果表明,自组织映射模型程序简单、应用方便,诊断结果不受训练样本的病态影响,特别是能够以非常简单而直观的方式揭示样本群的统计特性,是一种适用于发动机分类故障诊断的较好的、具有特色的神经网络模型  

自组织神经网络航空发动机气路故障诊断

 为克服学习样本依赖于发动机精确模型的问题,提出了一种基于自组织神经网络的发动机智能故障诊断的方法,并运用故障特征提取的数据预处理方式,成功地对航空发动机气路部件的几种典型故障做出正确诊断。为验证网络的抗噪性能,引入了自联想神经网络。研究表明,自组织网络可以脱离发动机模型,并且对测量噪声有良好的鲁棒性,能基本满足航空发动机故障诊断的要求,具有较好的工程应用前景。