基于BP神经网络的翼型空气动力系数预测

本文介绍了BP神经网络的基本原理,建立了面向BP神经网络预测模型,对翼型的升力系数和阻力系数进行预测,并与风洞试验数据对比分析。结果表明,神经网络的预测精度很高,与试验数据的误差是可以接受的,验证了BP神经网络预测空气动力系数的可行性。     

粒子群优化的粗糙集-神经网络在航空发动机故障诊断中的应用

提出了一种基于粒子群优化算法的邻域粗糙集-神经网络的发动机智能故障诊断方法,首先利用基于邻域粗糙集模型的属性约简方法对样本数据进行属性约简,然后采用粒子群优化算法替代传统BP算法来训练神经网络的权值和阈值,再用训练好的神经网络对航空发动机气路故障进行诊断.仿真结果表明:该方法降低了神经网络结构的复杂性,减少了网络训练时间,提高了诊断精度.     

基于遗传算法的空空导弹消耗规律神经网络预测方法

针对弹药预测问题,介绍了基于遗传算法的BP神经网络的相关原理及理论,研究了基于遗传算法的空空导弹消耗量BP神经网络预测方法,弥补了传统的BP神经网络法在弹药预测方面存在许多缺点,采用遗传算法求得影响弹药消耗各因素的权值及阈值,具有较高的准确性;同时,优化过程是对神经网络算法的权值及阈值进行优化,由适应度函数计算出染色体的适应度值,再经过选择、交叉及复制等操作,得到适应度最高的个体。对历次空战空空导弹消耗量数据进行归一化处理,将处理结果带入传统BP测,得到预测结果并对比分析,预测结果显示了遗传算法优化的有效性,避免了传统BP算法局部性强的缺点,预测结果较优化前较大提升,验证了改进算法的有效性和先进性。     

军用装备采购费用评估中的神经网络模型

在BP神经网络理论指导的基础上,从影响装备采购费用的因素出发,根据BP神经网络的多层结构,运用反向传播算法(BP算法)构建战斗机采购费用BP网络模型;同时,运用BP网络模型对已知采购价格的5种类型军事装备进行了采购费用估算和MATLAB仿真,取得了比较满意的结果,达到了提高装备采购费用的预测速度和精度的目的,显现了BP神经网络方法的优点,为军用装备采购价格的预测提供了一种新的有效的方法。     

BP神经网络在元器件贮存可靠性参数预测中的应用

元器件贮存可靠性受多个非线性因素的影响。时间序列预测实质是实现一个非线性映射。应用BP神经网络模型对某元器件贮存可靠性性能参数时间序列进行了预测,仿真表明BP神经网络预测模型有较高的精度。     

贝叶斯正则化BP网络在机翼载荷分析中的应用

采用贝叶斯正则化与BP网络相结合的方法,构造了一个分析飞机机翼载荷的三层BP网络。贝叶斯正则化方法提高了BP神经网络的泛化能力,且能考虑非特征化的非线性影响。使用某型飞机对称机动和滚转机动的试飞实测数据作为载荷激励来训练神经网络,并用这个训练完的网络预测了该飞机机翼的飞行载荷。最后将神经网络预测结果与实测结果进行了比较,结果表明该方法能够准确地实现飞机机翼载荷预测,对新机研制和飞行试验有较高的参考价值。     

基于RBF神经网络的货运量预测模型

利用RBF神经网络进行了货运量预测.经过对预测结果的检验和分析,证明了RBF神经网络在货运量预测中效果较好,而且就具体网络训练而言,RBF神经网络的预测精度和训练速度均较BP神经网路优越,具有较大的计算优势.     

基于改进BP神经网络的民用航空器SDR数量预测

阐述了BP神经网络的原理及其改进方式,利用一种基于改进BP神经网络的分析方法对民航领域SDR进行预测。研究实例表明:无论是从数值拟合,还是检测、预测情况来看,该方法都有着很高的精度,可以作为SDR预测的一种行之有效的方法。     

基于改进BP神经网络的飞行落地剩油预测方法

针对落地剩油的监测方法有限、监控效率低等问题,提出了一种基于改进BP神经网络的飞行落地剩油预测方法。首先,采用相关性分析以及主成分分析方法简化模型,将飞行前可获得的19个参数转化为8个主成分;然后,考虑到BP神经网络存在收敛速度慢、易陷入局部极小值等问题,将遗传算法(GA)与BP神经网络相结合,构建GA-BP落地剩油量预测模型。仿真结果表明,该模型预测准确度超过95%,与传统BP神经网络相比,最大相对误差下降了5.08%,平均相对误差下降了0.79%,提高了落地剩油预测的精度和稳定性,为合理管控飞机燃油工作提供了理论依据和技术支持。     

基于动态变结构BP神经网络的目标威胁评估

针对传统目标威胁估计方法和BP神经网络的不足,在BP神经网络的基础上,建立了基于动态变结构BP神经网络的目标威胁估计模型.该模型通过在权值向量更新公式中引入冲量函数,加快了网络的搜索速度和精度,保证了网络获得全局最优值;通过实时调整隐含层节点数目,可以将网络结构优化,极大地提升了网络的灵活性.仿真结果表明,与传统目标威胁估计方法和BP神经网络相比,动态变结构BP神经网络具有更好的预测能力和收敛速度,可以快速、准确地完成目标威胁估计.     

粗糙集理论研究综述

粗糙集理论是一种用于分析和处理模糊和不确定信息的软计算方法.本文回顾了粗糙集理论,介绍了粗糙集模型的主要概念,系统总结了粗糙集理论与其他智能方法的融合并介绍了粗糙集理论的硬件实现方法.     

基于粗糙集理论的证券分析系统数据融合

将粗糙集理论应用于证券分析系统,探讨了相容状况下基于粗糙集理论的数据处理方法,并给出了系统结构和融合方法。该方法以局部决策作为条件属性,融合中心采用粗集理论方法对局部决策进行处理,包括知识表达、化简,最后给出决策规则。从结果来看,采用该方法不需要先验概率,也不需要隶属函数,同时还可以去除冗余的局部决策,使系统的配置最优化、提高了系统的运行速度。     

基于粗糙集-神经网络的机载设备故障诊断方法研究

提出了一种基于粗糙集-神经网络的故障诊断方法。将粗糙集理论同神经网络结合起来可以用于机载设备的故障诊断。采用粗糙集理论对原始故障诊断样本进行处理,并根据条件属性对决策属性的正域的大小来选择条件属性,提取出对诊断故障贡献最大的最小故障特征集,从而确定神经网络的拓扑结构;通过训练神经网络建立故障特征与故障之间的映射关系,实现故障的诊断。通过A320飞机燃油系统的故障诊断仿真实例,表明这种故障诊断方法的有效性。     

一种基于FPGA的改进粗糙集属性约简方法

粗糙集理论是一种新型的数学工具,主要用于分析处理模糊和不确定知识。属性约简是其中的一个重要环节。本文结合遗传算法,提出了一种基于FPGA改进的粗糙集属性约简方法,在原研究的基础上,先利用属性重要度求解决策表的核属性,再运用于属性约简,从而减少遗传操作的迭代次数,加快属性约简速度。     

一种基于蚁群优化的粗糙集属性约简方法

针对基于智能优化算法的属性约简方法存在的问题,在扩张矩阵概念的基础上,将属性约简问题转化为几何路径寻优问题,通过改进最大-最小蚂蚁系统(MMAS)算法,提出了一种基于蚁群优化的粗糙集属性约简方法,给出了相关参数的定义和详细算法流程,在UCI数据集上测试了该算法,结果表明了算法的有效性.     

人工神经网络在板料拉深成形中的应用研究

在反向传播网络的基础上提出了一个圆筒件拉深成形的辅助工艺设计方案,对BP网络在拉深工艺中的应用进行了尝试。结果表明:该方法与传统的设计方法相比,计算工作量较少,可靠性好。     

基于小波变换和神经网络的航空发动机故障诊断

在阐述了小波变换和BP神经网络概念的基础上,根据小波神经网络故障诊断的基本思想,提出了一种基于“能量-故障”的小波预处理神经网络航空发动机诊断方法。实验仿真结果表明,使用该方法提取故障特征加快了神经网络的训练速度,能迅速地进行故障的诊断。     

一种航空发动机连续数据的粗糙集离散化方法

针对传统粗糙集属性离散化方法存在离散化区间会破坏数据实际含义的问题,结合连续属性的领域知识,提出了一种基于信息熵的粗糙集属性离散化方法。利用航空发动机的滑油光谱分析数据对其进行了验证,结果表明其能够在保持决策表相容关系的前提下,获得具有较好实际意义的离散化区间。     

基于两层POD和BPNN的翼型反设计方法

翼型优化过程需要大量的 CFD 分析,计算量大、耗时长。本文发展基于本征正交分解（POD）和反向传播神经网络（BPNN）的翼型反设计方法,该方法的优化过程如下：首先,通过 Hicks-Henne 参数化,在设计空间中构造翼型外形的样本库,并利用 Xfoil/Fluent 对样本翼型的流场进行求解;然后,对翼面压力系数和几何外形分别建立 POD 模型,即两层 POD 模型,并得到对应的基模态系数;最后,使用 BPNN 建立从压力系数的基模态系数到几何外形的基模态系数的映射,实现在给定压力系数下对几何外形的快速预测。通过算例分析,结果表明：在亚/跨声速状态,基于 200 个样本训练所得的两层 POD+BPNN 模型可以实现对具有目标压力系数分布的翼型的预测,其精度满足翼型反设计要求。     

粗糙集理论与其他理论的杂合研究

粗糙集是研究不精确、不确定与不完全数据的软计算方法,文章介绍了粗糙集理论与方法的主要内容,并对该理论与方法的优势、劣势及与其他软计算方法的杂合进行了综述.