一种小波神经网络与遗传算法相结合的优化方法及其在内流中的应用

本文提出一种基于小波神经网络（Wavelet Neural Networks，简称WNN）理论与Pareto遗传算法相结合的优化方法，并用于内流的数值优化计算。小波神经网络是将小波分析与人工神经网络（Artificial Neural Networks，简称ANN）理论相结合而产生的一种新型神经网络模型。它通常由输入层、隐含层和输出层所组成。本文在隐含层用Morlet小波母函数取代了BP神经网络中常用的Sigmoid激励函数。Pareto遗传算法具有很好的全局寻优能力和良好的优化效率，在通常情况下它总可以得到均匀分布的Pareto最优解集。内流（其中包括超声速射流元件以及叶轮机械内部流动）优化问题的典型算例表明：小波神经网络具有很好的自学习功能和容错能力，可以快速、高效、高精度的完成非线性函数的逼近与映射，并且其泛化能力（generalization ability）很强。在数值优化中还发现，WNN比常用的响应面方法在样本的要求方面更灵活、更高效。将WNN与Pareto遗传算法相结合可以得到工程中较为满意的优化解。     

遗传算法在雷达吸波涂层多目标优化设计中的应用

本文利用遗传算法实现了雷达吸波涂层的多目标优化设计.首先对目标函数进行合理设计,同时基于Pareto最优概念,采用非劣分层遗传算法(NSGA)进行多目标优化.对具体实例的优化结果表明,该方法利用共享函数和小生境技术,可以使优化结果均匀的收敛于Pareto域附近.同传统优化方法相比,该方法物理意义明确,对决策者来说更具科学性、针对性和实用价值.     

基于GA-ELM的飞行载荷参数识别

针对用复杂飞行数据识别飞行载荷时的精度低、速度慢等问题,提出一种结合遗传算法(GA)和极限学习机(ELM)的GA-ELM模型。该模型使用ELM神经网络作为计算核心,用遗传算法产生ELM网络输入层到隐含层的权值矩阵和隐含层偏移量;用GA-ELM模型对飞行数据进行识别,并与BP神经网络和原始ELM神经网络的识别结果进行对比。结果表明:GA-ELM模型是一种有效且高精度的飞行载荷参数识别方法。     

航空发动机小波神经网络PID控制

提出了一种基于小波神经网络在线辨识的航空发动机比例-积分-微分(PID)控制算法.网络采用三层前向网络结构,以小波函数作为隐含层的激励函数.采用离线训练的方式训练出网络参数,以网络输出和输入之间的偏导数代替发动机模型输出和输入变量之间的偏导数,用以在线修正PID控制器的参数.阶跃响应测试表明,用小波神经网络整定的PID控制系统动态调节时间小于2s,稳态误差为零,在全飞行包线内均稳定正常工作.      

周向收敛型动压式指尖密封的结构优化及其动态性能仿真

周向收敛型动压式指尖密封是一种可用于航空发动机的非接触式柔性气封.根据周向收敛型动压式指尖密封的工作性能要求,提出密封性能优化数学模型.采用人工神经网络和遗传算法相结合的优化方法,通过建立反向传播(BP)神经网络确定设计变量与目标函数之间的隐含关系,再利用遗传算法对周向收敛型动压式指尖密封进行结构参数优化,获得了性能较...     

低雷诺数下翼型分离流动抽吸控制优化

为了获得不同目标下最优抽吸控制参数,开展了分离流动抽吸控制优化研究,基于RBF神经网络与遗传算法,发展了求解单目标和Pareto多目标问题的优化平台。针对NACA0012翼型表面分离流动,在其上表面设计了局部多孔分布式抽吸结构,将径向基函数(Radial Basis Function,RBF)神经网络作为CFD计算的代理模型,以减小计算量;采用遗传算法开展了单目标和Pareto多目标优化。优化结果表明:该优化设计平台具有良好的收敛性和准确度;以升阻比为单目标的优化使升阻比最大增加了2.4倍;Pareto多目标优化设计获得了分布均匀的、令人满意的Pareto解集,为设计者提供了一个可选的有效解数据库。在合理选择抽吸角度、抽吸孔径和孔间距的前提下,只需较小的抽吸系数,就可使升阻比获得明显增加,同时,还能保持较高的FOM值,使整个控制系统的能效比维持较高水平。     

基于遗传算法的铜/钢双金属冷结合结构优化

针对双金属冷结合技术中结合部位结构参数与结合力的复杂关系,建立装配过盈量、孔壁凹槽深度和凹槽宽度3种影响因素与双金属结合力之间的BP神经网络。通过正交试验选定数据进行神经网络的训练和测试,得到具有较高预测精度的神经网络模型。以建立的神经网络作为适应度函数,基于Pareto遗传算法进行针对结合力与变形量的多目标优化,得出结合部位的最优结构参数。     

自适应遗传神经网络算法在推力估计器设计中的应用

为了在全包线内能够准确方便估计出航空发动机推力,提出了一种自适应遗传神经网络算法:将遗传算法和神经网络技术相结合充分发挥遗传算法和神经网络各自的全局收敛性和局部搜索快速性的优点,其中通过自适应概率遗传操作及局部寻优算子直接优化出神经网络拓扑结构及权值(包括阈值),克服了神经网络隐层节点需凭经验尝试的缺点和神经网络对初始权值(包括阈值)敏感的缺点,再应用神经网络对上述优化的权值(包括阈值)进行"精调",最后设计出全包线推力估计器.经验证,此推力估计器具有较高估计精度和良好泛化能力.      

基于遗传算法优化小波网络的柔性喷管力矩特性辨识方法

为准确辨识负载力矩并提高主动加载负载模拟的真实度，使用了一种基于遗传算法优化的神经网络辨识方法。使用小波分析方法对测试信号进行预处理，将消噪与分解后得到的信息作为神经网络训练的扩充样本，提高了辨识精度。使用遗传算法选择最优输入信息、网络结构和隐含层规模，加快网络收敛速度并简化计算过程，实现对柔性喷管力矩的快速准确辨识。仿真结果表明该辨识方法可以准确地描述柔性喷管在典型测试信号激励下的力矩特性，平均辨识误差为2%，对于实现精确主动加载控制和验证伺服控制性能具有重要意义。     

一种优化神经网络拓扑结构的主从式遗传算法

通过对标准遗传算法进行改进,给出了一种主从式遗传算法,该算法能够对多层前馈神经网络的拓扑结构进行有效优化,选择权重的初始化范围,隐含层的节点数以及输入层节点等,同时也解决了BP算法易于陷入局部极小的问题。     

基于粒子群优化的WNN飞行数据气动力建模

为了使所建立的气动力模型能准确地描述飞行器的动态特性,提出一种基于改进粒子群优化(IPSO)算法的小波神经网络(WNN)飞行数据气动力建模方法。该方法引入邻近粒子信息和变异操作,对标准PSO(SPSO)算法的不足进行改进,以提高WNN参数的全局搜索能力,克服早熟收敛,再按照所设计的飞行数据的气动力建模流程,构建了IPSO算法训练的WNN模型。试验结果表明:提出的气动力建模方法预测精度高,收敛速度快,能较好控制早熟收敛问题,用于飞行数据的气动力建模是有效的,也是可行的。     

直升机桨叶气动外形多目标优化设计

基于自由尾迹方法建立了直升机桨叶空气动力学分析模型,应用人工神经网络方法建立代理模型,采用改进的多目标遗传算法构建了优化框架,对直升机的悬停和大速度前飞状态进行优化.以悬停效率、旋翼等效升阻比及桨叶叶素的最大阻力系数为约束,对两个飞行状态的需用功率进行优化,得到了Pareto最优解集.并以UH-60A直升机的桨叶为算例,对其外形进行优化设计,优化结果表明,提出的桨叶气动外形多目标优化框架是有效可行的.      

基于多目标遗传算法的再入飞行器气动布局优化

本文采用多目标遗传算法来确定再入飞行器气动布局优化问题的Pareto最优解集，并和传统的多目标优化方法（加权和方法、约束法）进行比较。通过计算表明，多目标遗传算法能够在一次运行中搜索到优化问题的近似Pareto最优解集，这为飞行器设计得进行目标折衷决策提供了充分的依据。     

基于小波过程神经网络的飞机发动机状态监视

 针对飞机发动机状态监视问题，提出了小波过程神经网络模型。其隐层和输出层为过程神经元，隐层激活函采用小波函数。该模型结合了过程神经网络可以处理连续输入信号的特点及小波变换良好的时频局域化性质，有更强的学习能力和更高的预测精度。文中给出了相应的学习算法，并以飞机发动机状态监视中排气温度裕度的预测为例，分别利用3层前向过程神经网络和小波过程神经网络进行预测。结果表明，小波过程神经网络结构更简单，收敛速度更快，优于过程神经网络，因而为飞机发动机状态监视提供了一种有效的方法。     

基于IGA-ELM网络的滚动轴承故障诊断

为了提高航空发动机轴承故障诊断准确率,提出基于改进遗传算法优化极限学习机网络（IGA-ELM）的诊断模型。针对传统遗传算法易早熟等缺陷,对遗传算法的交叉操作和变异操作进行改进,并用改进的遗传算法优化极限学习机的输入权值矩阵和隐含层阈值,利用Moore-Penrose算法计算极限学习机的输出权值矩阵。使用IGA-ELM诊断模型对滚动轴承正常、内环故障、外环故障和滚珠故障4种工况进行诊断,并分析极限学习机隐含层神经元的数量和激活函数对轴承故障诊断的影响。为了验证改进遗传算法优化极限学习机的有效性,将传统遗传算法、自适应遗传算法和粒子群算法作为对比算法。经过分析表明：改进遗传算法收敛速度和收敛误差,均优于对比算法。     

子波分析和ART神经网络在复合材料板冲击定位中的应用

将子波分析和神经网络技术用于复合材料的无损监测,利用子波分析良好的时频特性从强噪声中提取特征信息。并对复合材料受到冲击时的信号进行了实验处理,提出了一种改进的自适应共振理论 (ART)神经网络结构聚类算法。实验结果表明,能实时监测复合材料受到冲击时的冲击位置和冲击大小。     

基于Nash-Pareto策略的两种改进算法及其应用

针对多目标、多设计变量的优化问题,提出了两种优化的新算法:一种是将多目标问题转化为单目标时,对目标权重的确定提出了新的途径;另一种是直接对多目标问题进行优化,并对Pareto遗传优化技术作了改进,以得到均匀分布的Pareto最优解集.两种新算法都是建立在Nash的系统分解与Pareto遗传算法的基础上,因此称这类算法为Nash-Pareto策略.借助于这类算法,文中以跨声速压气机双圆弧类叶型的气动优化为例,给出了气动优化的全过程.数值优化的实验表明所给出的改进算法是可行的、有效的.