基于神经网络的冷却剂热物性拟合方法

基于径向基函数神经网络（RBFN）和广义回归神经网络（GRNN）对火箭发动机冷却热物性进行拟合，并与BP网络进行了比较，结果表明，采用RBFN和GRNN进行物性拟合具有网络结构简单，计算精度高，训练速度快的优点，可方便地引入液体火箭发动机传热计算程序中。     

基于面向对象方法的压气机性能计算

提出一套预测压气机未知特性的方法,并基于面向对象思想采用变比热容计算方法进行压气机性能计算的分析和编程.结合粒子群优化（PSO）的全局寻优能力和反向传播（BP）神经网络的局部寻优能力提出基于PSO的BP神经网络（PSO-BP神经网络）预测压气机特性,分析了其预测误差和拟合误差:拟合误差基本都小于0.5%,预测误差基本都小于0.8%.其拟合精度和预测精度满足要求.采用变比热容计算方法来计算压气机性能,并采用面向对象方法编写了压气机性能计算程序.对几个压气机变工况点进行验证,各输出参数的最大误差为1.12%.因此,特性预测方法和性能计算的数学模型适用于压气机性能计算,这套方法同样适用于燃气轮机性能计算.      

神经网络模型在TDNS准则中的应用研究

时域Neal-Smith（TDNS）准则源于频域Neal-Smith（FDNS）准则和阶跃目标跟踪准则,被广泛应用于纵向驾驶员诱发振荡（PIO）趋势的预测研究。在该准则采用的人机闭环系统中,广泛运用结构简单且能反映飞行员基本行为特征的拟线性驾驶员模型。但在实际情况中,驾驶员的行为通常具有高度的非线性,为了更精确地描述驾驶员的非线性特性,采用神经网络方法建立驾驶员模型。利用某机的试飞数据对神经网络进行了训练和测试,生成了神经网络模型。针对TDNS预测准则,建立了相应的仿真模型,通过仿真运算,得到了该飞机的P10预测结果。研究表明：相对于传统的驾驶员模型,神经网络模型能够更好与真实驾驶员相匹配;在TDNS评估准则中运用神经网络模型具有实际的意义。     

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BP神经网络的民航安全预测方法研究

为了对民航系统安全运行状态进行科学的分析和预测。针对反映民航系统安全运行状态的重要指标之一——飞行事故万时率，采用BP神经网络的时间序列非线性预测模型及方法，对其进行了分析研究和仿真验证，计算结果表明，该预测方法是可行的，并与实际具有较好的一致性。     

AHP方法和BP神经网络在装备保障性评估中的应用

目的介绍了BP神经网络的基本原理，建立装备保障性评估指标体系。方法在系统分析装备保障性的各种影响因素的基础上，设计用于评估装备保障性的神经网络模型，利用AHP方法确定指标的初始权重，并调用MATLAB神经网络工具箱中的GUI对结果进行计算和分析。结果研究表明神经网络具有很强的解决复杂非线性关系问题的特点，适用于对装备保障性的分析和评估。结论BP神经网络评估方法是一种基于非线性系统的预测方法，对装备保障性进行综合评估能够较为准确地提供决策依据。     

基于樽海鞘群极限学习机的进/发一体化性能寻优控制模型研究

为充分发挥航空推进系统的性能,提高性能寻优控制的实时性,将樽海鞘群算法（SSA）与极限学习机（ELM）相结合,基于进/发一体化部件级模型建立数据集,提出一种基于SSA-ELM的数据驱动模型。将该建模方法与广义回归神经网络（GRNN）、BP神经网络（BPNN）和极限学习机（ELM）比较,结果表明,相比于BPNN,ELM,GRNN,SSA-ELM用于预测可以使安装推力的均方根误差（RMSE）分别降低7.41%,17.01%,72.57%,安装油耗的RMSE分别降低4.32%,19.41%,66.77%,具有更高的预测精度。将基于SSA-ELM的数据驱动模型作为机载模型应用到性能寻优控制,结果表明,该机载模型能够维持理想的寻优效果。针对最大安装推力模式开展实时性分析,该机载模型相比于进/发一体化部件级模型,平均计算时间由184.05 ms缩短至1.357 ms,实时性得到显著改善,大大提高了寻优效率。     

基于改进果蝇算法优化的GRNN航空发动机排气温度预测模型

利用广义回归神经网络(GRNN)良好的非线性映射能力,对航空发动机排气温度(EGT)进行预测。由于GRNN的预测性能受宽度系数的影响,因此采用改进的果蝇算法优化广义回归神经网络(IFOA-GRNN),并用优化后的GRNN对航空发动机的EGT进行预测。以某发动机为案例,选取相关参数作为预测模型的输入变量,EGT作为预测模型的输出变量。在相同的样本分配下,将FOA-GRNN(fruit fly optimization algorithm to optimize GRNN)、GRNN、自回归预测模型和优化的支持向量回归机作为对比算法。分析结果表明:IFOA-GRNN的收敛精度高于FOA-GRNN;IFOA-GRNN对EGT预测的平均相对误差为2.47%、拟合优度为0.8506,其预测效果均优于其他对比算法;同时,IFOA-GRNN对噪声的敏感性也低于其他对比算法。      

基于BP网络的光纤陀螺刻度因子建模研究

针对光纤陀螺(FOG)随温度呈非线性变化的特性,提出了采用BP神经网络对刻度因子的温度误差建模的方法,以减小光纤陀螺输出误差;用BP网络对其建模的结果和传统的建模结果进行了比较,结果表明采用BP神经网络对刻度因子的建模是非常有效的.     

基于神经网络的故障率预测方法

 为了更好地预测产品故障率,提出了基于神经网络的故障率预测方法,分别给出了基于反向传播(BP)网络和径向基函数(RBF)网络进行故障率预测的基本思想、预测模型和实施步骤。分别对比分析了神经网络法与回归分析法、分解分析法、移动平均法、指数平滑法、自适应过滤法、自回归移动平均混合(ARMA)模型等统计预测方法的区别,对照故障率的特点,说明了神经网络法是其中最适用于故障率预测的统计方法。最后分别按这两种模型对某航空公司波音飞机故障率进行了预测,预测结果表明：这两种模型均适用于故障率预测,预测值与真实值的误差在20%之内,且RBF网络的预测效果略优于BP网络,此外通过与上述统计预测法的误差进行对比,说明神经网络法预测误差最小。