基于BP神经网络的起飞限重计算预测研究

针对起飞限重分析计算的流程复杂、迭代多、计算效率低的问题,本文在分析起飞限重计算规律的基础上,研究了使用BP神经网络预测起飞限重结果的可行性.文中以ARJ21-700飞机在场长、爬升等综合限制条件下的最大起飞重量计算为例,使用Matlab进行结果预测.预测结果表明BP神经网络具有较好的适应性,可以满足性能仿真计算的工程...     

基于BP神经网络方法的航空活塞发动机故障诊断

BP神经网络在机械故障诊断领域内已取得较多的成功经验。本文调用Matlab中的神经网络工具箱,运用BP神经网络对CESSNA．172R的航空活塞发动机进行故障诊断,建立故障数据库。     

基于BP神经网络方法的民用航空发动机故障诊断

用航空发动机故障诊断的方法很多,各种方法在具体操作过程中有着不同的作用和意义。本文提出一种依靠人工神经网络方法研究民航发动机各种故障征兆影响因素的作用程度的方法,并利用其仿真数据进行分析,找出具体工作过程中作用相对较大的因素,从而在定时与视情维修过程中提出合理的建议,以便为相应维修方法的实施、改进和研究应用提供可靠的依据。     

基于BP神经网络的锂离子电池SOC估计研究

根据恒流放电条件下锂离子电池端电压与荷电状态(SOC)映射关系图像的特点,提出了基于BP神经网络和最速下降法的锂离子电池荷电状态(SOC)估计算法。利用matlab软件编写算法程序,结合实验数据对BP神经网络进行了训练,并将经过训练后的BP神经网络应用于SOC预测。实验结果表明,误差在大部分时候低于10%,基本满足动力电池电荷状态估计的精度要求。     

基于BP神经网络的复合材料性能预测

针对复合材料性能表征十分复杂、困难的情况,利用人工神经网络的BP算法,建立了复合材料性能预测模型。模型由3层神经元组成,分别为输入层、隐含层和输出层。以碳/陶瓷复合材料性能与成分的关系为研究对象,选取了38组实验数据作为学习样本,模型总误差为0.18,用建立的网络预测未知,并给出预报曲线。和试验值相比较表明,所建立的网络能反映碳/陶瓷复合材料组分与其材料性能之间的关系,为实验设计提供了新的思路,节省了时间和劳力。     

基于改进型BP神经网络多关节机器人逆向运动学求解

提出采用一种3层改进型快速BP神经网络(Modified fast BP neural network,MFBPNN)求解一个5自由度多关节机器人逆向运动学问题。使用正向运动学计算获得的样本向量进行离线学习,然后充分利用人工神经网络的泛化特性,实现了机器人末端作用器位姿到各个关节转角变量之间的非线性映射。仿真结果表明,采用MFBPNN算法以后,绝对误差不超过0．005°,计算精度和处理速度能够满足机器人实时控制的要求,并且可以应用于机器人路径规划控制场合。     

基于BP神经网络的城区基本用电负荷预测与验证

文章以南昌市为实证对象,用BP神经网络对城区未来十几年的基本用电负荷进行了预测,并做了验证性分析.     

基于神经网络的大型矿用隔爆型干式变压器动态温升预测研究

分析了大容量隔爆型干式变压器热传递过程和特点,利用人工神经网络的非线性映射能力建立了其动态温升预测模型,并将计算结果和实测结果作了比较,验证了其可行性和优越性.     

基于BP神经网络的含褶皱复合材料强度预测

利用BP(Back propagation)神经网络处理多参数问题具有的非线性映射及泛化能力,构建了具有3层隐藏层的神经网络,对含纤维褶皱复合材料层合板的压缩强度进行预测。基于LaRC失效准则建立三维损伤模型,对含褶皱复合材料的压缩失效进行数值分析。将数值分析结果作为数据样本对神经网络进行训练。采用黄金分割法快速确定最佳隐藏层神经元数量区间范围,并通过分析对比不同数量神经元模型的强度预测结果及评价指标,确定具有高预测精度的隐藏层神经元数量。结果表明,所构建的神经网络预测最大褶皱角为5.6°、9.9°和11.4°的3种层合板失效强度误差分别为3.4%、4.6%和-0.01%。本文所发展的基于BP神经网络对复合材料强度进行预测的方法,为工程应用中复合材料强度评估提供了一种有效的途径。     

基于BP神经网络的核事故多核素源项反演方法

核事故发生后,为快速评估事故严重程度,需要对源项释放率进行估算。本文选取I-131,Cs-137,Xe-133和Kr-85四种核素的释放率为目标信号,利用Matlab建立基于BP神经网络的核事故四核素源项反演模型。计算结果表明,在单隐层节点数为5~60范围内,训练均方差 随节点数增加先减小后增大,在节点数为25时达到最小值41.1%。学习速率在0.01~0.2范围内时,增大学习率可减小训练均方差与各核素相对误差。对单隐层节点数为25,学习速率为0.2的训练结果进行测试,4种核素的源项估计相对误差分别为56.7%,49.1%,92.4%和92.0%。     

基于神经网络动态逆的歼击机自适应跟踪控制

基于神经网络动态逆方法，给出了一种非线性模型参考自适应跟踪控制方案。应用神经网络直接对非线性系统求逆方法解决了逆系统方法的两个“瓶颈”问题，并且克服了传统的控制设计中将过程模型线性化，从而将不可忽视的非线性关系用线性关系代替或者忽略的弊端。对由于建模误差、不确定因素等引起的非线性系统逆误差，通过自组织模糊小脑模型关节控制器(Self—organizing fuzzy cerebellar model articulation controller，SOFCMAC)神经网络在线进行修正。SOFCMAC神经网络扩大了寻优空间，使其能更好地重构系统逆误差，最终实现准确的鲁棒自适应跟踪控制。通过将这种方法用于某型歼击机姿态系统控制的仿真研究，表明了本文方法的有效性和可行性。     

基于小波神经网络的航空发动机建模研究

提出将多个多输入单输出小波神经网络(WNN)组合构造多输入多输出(MIMO)的WNN来逼近MIMO非线性动态系统的快速而简单的实现方法，并采用高效率的初始化方法缩短了训练时间。采用某型航空发动机在飞行包线内均匀分布的工作点参数来训练，建立了全包线适用的动态小波神经网络航空发动机模型，用交叉验证的方法检验表明在全包线内有较高的精度及泛化能力。与反传算法神经网络(BPNN)、径向基函数神经网络(RBFNN)建立的动态模型在精度及泛化能力等方面做比较，结果表明WNN建立的模型训练精度高而且泛化能力强。     

基于动态结构自适应神经网络的非线性鲁棒跟踪控制

针对非线性系统,提出一种将H∞鲁棒跟踪控制器与动态结构自适应神经网络相结合的组合控制方法.文中首先将系统线性化,设计H∞鲁棒跟踪控制器;然后针对系统中仍然存在的高阶非线性和未知不确定性,引入一种动态结构自适应神经网络,以对消非线性和不确定性的影响.这种自适应神经网络的隐层神经元随着跟踪误差的增大而在线增加,使得神经网络能以较少的神经元获得最佳的逼近效果,加快神经网络的运算速度,提高整个系统的动态性能.最后用飞行跟踪控制系统的示例证明本文方法是有效的.     

人工蜂群优化BP神经网络的太阳电池阵电流预测

通过对卫星太阳电池阵输出电流影响因子进行分析,提出了一种基于人工蜂群（Artificial bee colony,ABC）算法优化BP神经网络的太阳电池阵输出电流预测方法。将太阳入射角、卫星太阳电池阵工作温度、卫星星时等遥测量变换后作为神经网络输入,进行输出电流预测。考虑到神经网络对初始权值及偏置敏感的特点,采用ABC改进算法对神经网络初始参数进行优化。该模型可用于卫星太阳电池阵电流输出能力分析、太阳电池阵预警及异常检测等。实验测试表明,模型能够取得较高预测精度,同星预测均方根误差（Mean squared error, MSE）为0.10 A,跨星预测均方根误差为0.12 A,其精度明显优于传统数据拟合方法。利用该模型及本文提出的预警策略进行预警,对于7年5个月的正常卫星数据没有发生误报,对于某异常卫星数据能够及时进行预警。     

内圆磨床床身设计参数的灵敏度分析及动态设计

机床床身在固有下的动态特性，对机床的加工精度有很大的影响，本文通过对组成框架型内圆磨床床身和双W型内圆磨床床身的主要肋板的厚度。位置等设计参数的灵敏度分析，找出了对该类型机床床身结构动态特性影响较大的设计参数，使磨床床身的设计既能保证有较好的结构动态特性，又能达到使其重量最轻的目的。     

基于BP网络的热工过程模型辨识方法

主要研究了人工神经网络在辨识火电厂热工过程模型中的应用，利用Visual C^ 语言构造BP神经网络,提出了把BP网络权值转换为传递函数的方法，针对火电厂常见的热工过程，不用人为加入特殊的激励信号，只利用现场生产中自然存在的扰动信号进行辨识试验，试验结果准确可靠。     

BP神经网络反演核事故源项中重要参数的研究

核事故发生时,可靠、准确的源项信息能为应急防护行动措施决策提供数据支持。采用Matlab软件神经网络工具箱可以实现基于BP神经网络的核事故源项反演,为提高核事故源项反演计算的准确度,针对反演时的几个重要参数进行研究,包括隐含层节点数、训练函数、学习率和隐含层数。研究结果表明,在单隐含层神经网络结构情况下,存在着最优隐含层节点数,综合考虑训练时间和误差,本文选取隐含层节点数为50来对其他参数影响进行进一步研究;在相同参数设置条件下,训练函数Trainlm比Traingdm更适合数据量较小时的核事故源项反演,反演计算准确度更高,在节点数为50时训练时间缩短了近35%;高学习率以及双隐含层能有效地提高核事故源项反演的精度,但训练时间相对增加。