基于SCSO-BP神经网络的卫星姿态控制系统故障预测

近年来,随着人工智能的迅速发展,基于人工神经网络的卫星姿态控制系统故障预测方法得到了越来越多的重视。在反向传播(Back Propagation ,BP)神经网络中,权重和偏置是重要的可调节参数,与神经网络的预测性能密切相关。BP神经网络的初始权重和偏置为随机生成,设置不当容易导致网络在训练过程中陷入局部极值,进而影响预测性能。为了提高BP神经网络的预测性能,提出了一种将沙猫群优化(Sand Cat Swarm Optimization ,SCSO)算法与BP神经网络相结合的预测方法。在训练过程中,首先通过SCSO 算法对BP神经网络权重和偏置进行预训练,在此基础上,利用精调后的BP神经网络对卫星姿态控制系统周期渐变故障数据的未来趋势进行预测。实验结果表明,与原始BP神经网络预测方法相比,SCSO-BP预测方法能够有效减小预测误差,具有更好的预测精度。     

一种前馈神经网络的变误差主动式学习算法

研究误差反向传播多层前馈神经网络的主动式学习方法.文章分析了目前用于训练前馈神经网络改进BP算法的特点和存在的不足,在此基础上提出逐次主动调整网络学习误差的网络训练思想,根据网络输出误差趋势,主动变化输出层的调整误差δ_pl,使W\+k\-\{ji}和θ\+k\-j在调整过程中受到每次学习效果信息的控制,从而得到一种主动式变误差的学习算法.实验表明,在训练多层前馈神经网络时,变误差主动式算法的学习效率比改进BP算法的学习效率有明显提高.     

基于BP神经网络的高精度陀螺恒流源补偿方法

为了提高陀螺恒流源精度,提出一种基于BP神经网络的陀螺恒流源补偿方法.采用BP神经网络训练恒流源控制指令与恒流源输出之间的非线性映射稳态模型,以实时估计恒流源输出偏差.设计恒流源控制指令补偿判据,当输出偏差超出设定裕度时,按比例对恒流源控制指令值进行实时补偿,使得恒流源输出更接近控制目标值,以实现更优的精度.通过实物在回路仿真验证了上述方案的有效性,并通过与传统对控制指令进行分段线性标定方法相比较,显示了上述方案的恒流控制优势.     

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

国防R&D项目的评估与中止决策

论述了对国防R&D项目进行评估及中止决策的重要意义.探讨了神经网络方法用在国防R&D项目中期评估及中止决策的可行性.提出了适用于国防口R&D项目评估及中止决策的BP多层神经网络方法.选用了国防口正在进行研究的52个项目作为实证分析案例,利用BP多层神经网络方法对之进行了分析处理.分析结果识别出了影响国防口R&D项目发展前景的6个重要因素,同时,对52个项目进行了归类处理,并对该52个国防口R&D项目作出了继续、暂停及中止研究的决策.案例研究的结果表明,该方法实施较为方便、计算较为简单,其有效性令人满意.这表明BP多层神经网络方法在R&D项目中止决策领域具有应用前景.      

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.     

基于相关分析和组合神经网络的退化预测

产品剩余寿命预测是加速退化试验和故障预测与健康管理两大热点领域中的关键技术之一.为了解决复杂退化的预测问题,提出了一种新型预测方法,对退化轨迹能够实现较长距离的预测.此方法首先对复杂退化数据进行小波变换,通过Durbin-Watson方法和偏相关图分析各级分解序列的自相关性,最后根据序列的特点,组合BP(Back Propagation)和小波神经网络对退化轨迹进行预测.为了验证所提组合神经网络方法的有效性,采用小波神经网络的预测结果进行对比分析.实际退化数据的预测结果表明,所提方法比单独采用小波神经网络,具有更小的均方差(MSE,Mean Square Error),对剩余寿命(RUL,Remaining Useful Life)也具有更高的预测精度.     

基于BP神经网络的纳卫星轨道温度预测

为了实现纳卫星在轨温度的预测,在对纳卫星热系统动态特性模型分析的基础上,建立BP神经网络预测模型实现纳卫星在轨温度的预测.通过分析纳卫星热系统动态特性模型,得到用于BP神经网络预测模型的输入、输出变量以及训练神经网络所需的数据样本.BP神经网络预测模型分别以纳卫星外壳、辐射器、舱内仪器的热流及温度值为神经网络输入、输出,预测纳卫星10s后的轨道温度.经验证,神经网络预测模型预测结果与纳卫星实际轨道温度吻合较好,表明神经网络预测模型是快捷有效的.      

飞机全电刹车系统研究

提出了全电刹车系统的初步设计方案,制定出刹车控制规律并对整个电刹车系统进行数字仿真分析.在系统设计部分中详细写出电机控制部分与结构部分的设计方案;新的刹车控制规律运用了较先进的模糊控制方法;为了分析新的控制规律,对比在各种情况下飞机刹车系统的工作情况,快速找出各个部件参数对系统性能的影响,针对模糊控制规律进行了数字仿真与分析.通过在分析中设置各项部件参数和条件,可以快速的获得分析结果,对新部件的研制提出合理地设计要求.      

基于制动意图识别的电动汽车能量经济性

制动能量回收是提高电动汽车能量经济性的主要技术措施,准确识别驾驶意图是制动能量回收的关键。分别建立驾驶员收起加速踏板阶段和踩下制动踏板阶段的制动意图识别模型,采用模糊控制方法对制动意图进行识别,以小强度制动、中强度制动和紧急制动作为量化的驾驶员制动意图输出;依据制动意图识别结果制订了2种能量回收模式;基于欧洲经济委员会(ECE)法规线和I曲线建立了制动力分配策略和计算模型;针对不同的能量回收模式,以Cruise和MATLAB/Simulink为平台,建立了制动系统仿真模型,计算制动能量回收率和电动汽车续驶里程。结果表明:能量回收模式不同,电动汽车的制动能量回收率不同;在一个新欧洲驾驶循环(NEDC)中,考虑收起加速踏板阶段模拟发动机制动的能量回收模式能够提高制动能量回收率;NEDC循环工况的续驶里程提高了5.69%。      

图模型与学习算法结合的贝叶斯网络自动建模

针对纯数据驱动的贝叶斯网络结构学习算法的准确度和效率较低的问题,提出了一种融合多信号流图模型与K2学习算法的贝叶斯网络自动建模方法。该方法利用多信号流图模型能够描述信号之间传递与依赖关系的能力,结合K2学习算法在结构学习中的优势,实现了专家知识与数据驱动方法有效融合的贝叶斯网络结构自动学习算法。通过与常用网络结构学习算法的对比实验证明,该融合算法显著降低了结构学习对学习范围和训练数据规模的要求,具有更高的学习准确度和运算效率。采用真实系统实例阐述了该融合算法的应用过程,验证了算法的实用性。      

基于DSP的飞机全电刹车模糊神经网络控制系统

介绍了一种基于DSP的飞机全电刹车模糊神经网络控制系统 ,此系统以电作动器取代液压机构。由于不使用液压机构使得系统更加安全 ,同时刹车效率也有所提高。仿真及试验结果显示该系统具有良好的性能 ,达到了设计要求。     

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.      

基于挂钩力模型的拖挂式房车同步制动控制

为了提升拖挂式房车制动时牵引车与房车的制动同步性能,结合纵向挂钩力观测器提出一种制动协调控制方法。分析牵引车-房车直线制动运动学特性,考虑电磁制动器机电耦合特性以及球头挂钩柔性连接特性,建立牵引车-房车直线协调制动模型;采用牵引车速度/加速度等低成本传感器所获得的信号数据,基于卡尔曼滤波算法,设计了拖挂式房车纵向挂钩力估计器;引入终端滑模变结构控制算法,建立纵向挂钩力估计值与目标值误差动力学方程,使纵向挂钩力准确跟随目标值,并在此基础上开发了拖挂式房车制动同步控制器。仿真和实车测试结果均表明,所提出的估计方案能准确跟踪拖挂式房车的纵向挂钩力;与其他常规方法相比,所采用的控制方法使得牵引车与房车在制动期间最大挂钩力值小于3 kN,有效保证两者制动的稳定性。      

基于信息融合的网络安全态势量化评估方法

针对目前网络安全态势评估大多存在信息来源单一、评估范围有限、模型不易构建、时空开销大且可信度较低等问题,提出了一种多源异构信息融合量化评估网络安全态势的方法。首先,构建分级朴素贝叶斯分类器,快速高效地融合主机上各多源异构非确定性信息源。然后,利用拉普拉斯原理平滑参数学习,优化分类与推理结果。使用数理统计的方法融合网络上各主机的安全指数,量化评估网络安全态势,对当前网络安全状况有一个宏观整体的认识。最后,通过真实网络环境的实验,验证了所提方法在网络安全态势评估中的可行性和有效性。      

结合颅骨形态特征与神经网络的民族判别

针对颅骨民族判别问题，提出结合颅骨形态特征与神经网络的判别方法，可以推进法医人类学的发展，加快探索民族发展历程。首先，根据颅骨形态学相关研究，提取36个维吾尔族和汉族颅骨数据的几何特征；其次，采用反向传播神经网络（BPNN）对特征向量进行民族判别，并通过Adam算法对网络进行优化，避免陷入局部最优值，添加正则化项保证算法稳定性；最后，分别采用2种网络结构进行对比实验，输入层、隐藏层和输出层的神经元个数分别为36、6、2和36、12、2，并设置不同初始学习率进行对比实验。结果表明:隐藏层神经元个数为12、学习率为0.000 1时，分类精度最高，测试阶段平均准确率最高为97.5%。为了验证所提方法的普适性，生成116例国外颅骨数据进行实验，测试阶段平均准确率为90.96%。相比较于支持向量机（SVM）、决策树、KNN、Fisher等机器学习方法，所提方法学习能力更强且分类精度有明显提升。      

Deep learning-based framework for monitoring of debris-covered glacier from remotely sensed images

In recent years, deep learning (DL) methods have proven their efficiency for various computer vision (CV) tasks such as image classification, natural language processing, and object detection. However, training a DL model is expensive in terms of both complexities of the network structure and the amount of labeled data needed. In addition, the imbalance among available labeled data for different classes of interest may also adversely affect the model accuracy. This paper addresses these issues using a new convolutional neural network (CNN) based architecture. The proposed network incorporates both spatial and spectral information that combines two sub-networks: spatial-CNN and spectral-CNN. The spectral-CNN extracts spectral information, while spatial-CNN captures spatial information. Moreover, to make the features more robust, a multiscale spatial CNN architecture is introduced using different kernels. The final feature vector is formed by concatenating the outputs obtained from both spatial-CNN and spectral-CNN. To address the data imbalance problem, a generative adversarial network (GAN) was used to generate data for the underrepresented class. Finally, relatively a shallower network architecture was used to reduce the number of parameters in the network and improve the processing speed. The proposed model was trained and tested on Senitel-2 images for the classification of the debris-covered glacier. The results showed that the proposed method is well-suited for mapping and monitoring debris-covered glaciers at a large scale with high classification accuracy. In addition, we compared the proposed method with conventional machine learning approaches, support vector machine (SVM), random forest (RF) and multilayer perceptron (MLP).     

绳系拖曳飞行器高抗扰轨迹跟踪控制

针对受未知风扰动作用下的绳系拖曳飞行器轨迹精确控制问题,设计了一种基于最小学习参数神经网络估计器的拖曳飞行器轨迹动态面控制方法。首先,结合绳系拖曳系统多刚体动力学模型,构建拖曳飞行器六自由度非线性模型,并完成其仿射非线性化处理。其次,考虑到拖曳飞行器可能受到前方飞机尾涡、紊流和阵风等未知气流及不可测量瞬变缆绳拉力等扰动的综合影响,构建了基于最小学习参数神经网络的拖曳飞行器状态/扰动在线估计器,以准确重构系统不可测量集总扰动。然后,基于所提状态/扰动在线估计器,设计了一种基于最小学习参数神经网络状态/扰动在线估计器的拖曳飞行器轨迹动态面控制方法,并分析了系统稳定性。最后,仿真表明,所提方法能够在多重气流扰动下实现拖曳飞行器位置稳定和机动轨迹跟踪。