基于神经网络的电磁干扰的预测

提出了一种应用神经网络预测电磁干扰的方法.针对遗传算法总体搜索能力较强但容易陷入局部最优,而模拟退火算法具有较强的局部搜索能力,又能避免搜索陷入局部最优解的特点,将模拟退火算法与遗传算法相结合,优化多层前馈(BP,Back Propagation)神经网络,获取最优的权值和阈值,并采用模拟退火的思想确定隐含层神经元的个数,进而建立基于神经网络的电磁干扰预测模型.以双平行导线间的电磁干扰问题为实例,明确干扰要素,建立训练样本和测试样本,对比期望输出和预测输出之间的误差,结果表明该方法可以准确有效地进行电磁干扰预测.     

基于神经网络的电磁干扰的预测

提出了一种应用神经网络预测电磁干扰的方法.针对遗传算法总体搜索能力较强但容易陷入局部最优,而模拟退火算法具有较强的局部搜索能力,又能避免搜索陷入局部最优解的特点,将模拟退火算法与遗传算法相结合,优化多层前馈(BP, Back Propagation)神经网络,获取最优的权值和阈值,并采用模拟退火的思想确定隐含层神经元的个数,进而建立基于神经网络的电磁干扰预测模型.以双平行导线间的电磁干扰问题为实例,明确干扰要素,建立训练样本和测试样本,对比期望输出和预测输出之间的误差,结果表明该方法可以准确有效地进行电磁干扰预测.     

面向进化容错的FPGA故障模型研究

不同的容错方法需采用不同的故障模型。文章分析了进化容错方法的特点,提出需要研究与之相适应的FPGA故障模型。首先从故障模型定义出发提出故障模型划分的思想,从不同的角度研究FPGA故障模型;然后根据基于SRAM的FPGA的结构特点,从功能角度和配置角度提出两种FPGA故障模型划分,分析了两种故障模型划分方法所适用的容错方法。从配置角度划分FPGA故障模型有利于简化进化容错方法中的故障检测环节。故障检测实验的结果说明这种划分方法是有效的。     

基于神经网络和遗传算法的公差优化设计

针对产品制造中公差与成本之间高度非线性关系的特点,提出了一种综合神经网络与遗传算法进行公差优化的方法,该方法利用遗传算法在大范围解空间内采用概率搜索策略得到全局最优解且有较强鲁棒性的特点,以及神经网络解决高度非线性问题的优越性,首先利用神经网络对公差成本进行仿真,得到具有黑箱特点的公差成本函数关系;然后在公差分配中采用遗传算法,以总成本最小为目标函数,以满足装配公差要求和符合标准公差等级为约束条件进行优化;同时基于VC和Matlab开发了公差优化系统,以飞机舱门锁钩机构为对象进行了验证,并针对不同的公差成本及分配方法进行了对比.结果表明:采用神经网络与遗传算法综合分配的结果与传统方法相比具有较大的优越性.     

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.     

基于PNN与FNN模型神经网络控制器设计与分析

模糊神经网络和预测神经网络分别是基于经验和学习的新型神经网络控制系统,通过在卧式电液仿真转台中框控制器上分别采用这2种控制方法来研究它们的控制特性和应用范围.其中,模糊神经网络结合了模糊控制的经验和神经网络的学习能力,但控制精度取决于人为经验;所研究的预测神经网络采用了基于非线性自回归滑动平均模型建立预测模型,实现在线学习和在线控制,但初始阶段控制精度不高.仿真研究证明,根据具体的控制对象采用适当的控制方法或是将2种方法合理地结合起来将会达到较高的控制精度.      

基于子目标进化的高维多目标优化算法

多目标优化问题是工程应用中的常见问题,已有的方法在解决3个目标以上的高维优化问题时效果欠佳.如何进行有效的个体选择是求解高维多目标优化问题的关键.针对该问题,提出了求解高维多目标优化问题的子目标进化算法.从理论上证明了多目标优化问题Pareto非支配解的求取,可通过子目标函数值排序,先行选择进化种群中部分非支配解;然后,根据排序信息有选择性地比较进化种群中的元素,减少了比较次数,从而快速获得非支配解集.同时,提出归一化函数差值的Minkowski距离"k近邻"距离计算方法,在进化过程中应用到密度函数中,加速了收敛速度.同当前求解高维多目标优化的算法,在对标准测试函数的计算性能上进行比较,统计结果显示了所提算法在性能上的优势.      

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.     

进化的神话

我们一直倾向于假设动植物的所有特征都是自然选择的结果,但在事实上,许多生物的特征既不是适应性的体现,也根本不是选择的结果.     

基于故障树和神经网络模型的航天器智能诊断研究

提出基于故障树和神经网络模型的诊断方法,提出面向故障树的基于框架和广义规则的知识表示方法及相应的确定性和可能性推理策略,对于可能性推理的结果,通过基于神经网络模型的学习诊断来进一步确定其状态。在Ｗｉｎｄｏｗｓ环境下,用Ｂｏｒｌａｎｄ Ｃ＋＋实现了一个原型系统。通过对“实践４号”卫星能源系统故障模拟实验台的诊断验证了系统的有效性。     

基于过程神经网络的液体火箭发动机状态预测

提出一种基于极限学习算法的离散过程神经网络模型,用于解决液体火箭发动机状态预测这一难题。首先,在历史数据的基础上建立离散过程神经网络（DPNN）预测模型;然后,根据在线更新的数据样本,采用递推极限学习（EL）算法对双并联前馈离散过程神经网络（DPFDPNN）隐层到输出层的权值进行更新,并应用权值更新后的过程神经网络对发动机状态进行预测;最后,以液体火箭发动机状态预测中氢涡轮泵扬程预测为例,分别采用有权值更新和无权值更新两种预测模型进行了试验。结果表明,通过更新过程神经网络权值可以使模型具有更高的预测精度和更好的适应能力,该方法能够为液体火箭发动机状态预测提供一种有效的解决途径。      

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.      

径向基过程神经元网络及其应用研究

提出了一种径向基过程神经元网络,该网络模型为3层前向结构,由输入层、径向基过程神经元隐层和输出层组成.输入层到隐层的变换是非线性的,隐层到输出层的变换是线性的.隐层神经元完成对过程式输入信息的模式匹配和对时间的聚合运算,输出层对输入模式作出响应.在输入空间中引入函数正交基,将输入函数在正交基下展开,利用基函数的正交性,简化聚合运算过程.给出了相应的学习算法,并以旋转机械故障诊断问题为例验证了模型和方法的有效性.      

基于GRNN网络和遗传算法的旋翼动平衡调整

针对传统旋翼调整方法没有考虑调整参数与振动信号之间的非线性关系,提出一种结合广义回归神经网络GRNN(General Regression Neural Network)和遗传算法的旋翼调整方法,采用GRNN建立旋翼动平衡调整模型,以桨叶调整参数作为GRNN输入,以旋翼转轴3个方向的加速度测量值和机身3个方向加速度测量值作为网络输出,建立调整参数与直升机振动信号之间的模型.以直升机振动作为目标函数,采用改进的遗传算法对桨叶调整参数进行寻优,获得直升机振动最小时的桨叶的调整量.飞行实验表明,通过1到2次飞行调整,可使3个方向机身振动(旋翼的一阶振动)为最小,完成旋翼的动平衡调整.      

旋转弹的神经网络变质心姿态控制

研究了旋转弹变质心控制系统的姿态控制问题.建立了内部带有n个可移动滑块的导弹系统仿真数学模型,分析了滑块与弹壳间的相对运动对系统运行产生的耦合影响.利用神经网络的自学习性以及自适应特性,设计了基于神经网络控制的姿态控制律来计算系统质心的期望位置.利用最优原理确定了各滑块的期望偏移以实现系统质心位置的改变,从而达到改变导弹飞行姿态的目的,提高了系统的动态响应品质.以带有2个滑块的旋转弹姿态控制系统为例进行非线性仿真,证明了所设计控制律的有效性.      

积冰几何特性对翼型性能影响的神经网络预测

积冰几何形状对翼型气动系数的影响是复杂的.采用BP(Back Propagation)神经网络的LM(Levenberg-Marguardt)学习算法,建立明冰的典型几何特性(冰角前缘半径、冰角高度和冰角位置)对翼型气动系数影响的神经网络,得到该3种几何参数对气动系数影响的规律;建立了典型冰形参数对最大升力系数影响的神经网络,该网络能很好的预测冰形参数对应的最大升力系数值;此外,建立了冰型位置对舵面铰链力矩系数影响的神经网络.仿真结果表明,BP神经网络仿真结果与实验值具有高度一致性,并能预测非实验值条件下的气动系数;翼型表面积冰位置变化对气动系数影响最大;铰链力矩系数在失速迎角达到之前就发生突变,可以更安全地用来预测失速的发生.      

一种基于混沌神经网络的拟人智能控制方法

提出一种基于混沌神经网络(CNN)的拟人智能控制方法.首先利用拟人智能控制理论得到定性控制律(线性或非线性),然后利用CNN实现控制律的定量化.Hopfield神经网络具有快速的优化能力,但容易陷入局部极小,将遍历性的渐变混沌噪声引入其中,形成具有快速全局优化能力的CNN.对二级倒立摆控制的仿真和实验结果均表明该方法有效.