粒子群优化在直升机旋翼动平衡调整中的应用

传统的直升机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,针对这一缺点,提出将广义回归神经网络(GRNN,General Regression Neural Network)和粒子群算法相结合的旋翼调整方法,采用GRNN网络建立旋翼动平衡调整模型,以桨叶的调整参数作为神经网络的输入,以旋翼转轴和机身的三向的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间的模型.以直升机振动作为目标函数,采用粒子群优化算法对桨叶的调整参数进行寻优,获得当直升机振动最小时的桨叶的调整量. 飞行实验结果表明,此方法可通过飞行测试获得的新数据对神经网络进行更新,使系统在使用过程中不断完善,并可在较少的飞行调整下完成旋翼的动平衡调整.      

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.      

广义回归神经网络在卫星钟差短期预报中的应用

近年来,神经网络(Neural Network,简称NN)在非线性系统的预测方面取得了广泛的应用。考虑到卫星钟差包含了复杂的非线性因素,所以将一种新型神经网络-广义回归神经网络(Generalized Regression Neural Network,GRNN)应用于钟差预报中。采用“滑动窗”方式构建样本数据以提高数据利用率,为提高网络的泛化能力,利用K重交叉验证法(K-fold Cross-Validation)对网络进行训练学习,并根据最小均方根误差(Root Mean Square Error,RMSE)确定最优平滑因子。利用国际GNSS服务(International GNSS Service,IGS)公布的精密GPS卫星钟差数据进行预报实验,并与传统二次多项式模型对比分析。结果表明：GRNN模型在24h的预报跨度内的误差可达ns级,并较多项式模型有更好的稳定性;对于线性钟差,GRNN模型要逊于多项式模型,而对于非线性钟差,GRNN模型则明显优于多项式模型,初步验证了GRNN用于钟差预报的可行性、有效性以及实用性。     

基于多层感知器神经元的空间柔性机器人位置跟踪控制

针对基体位置及姿态均不受控的自由漂浮柔性空间机器人轨迹跟踪问题,提出了一种前馈多层感知器(MLP)神经网络控制策略.建立了末端柔性的自由漂浮基机器人的耦合动力学模型,再利用MLP神经网络良好的逼近能力来自适应补偿非线性柔性臂的逆动力学模型,其误差代价函数由PID控制器提供,权重及阀值的调整采用改进的BP反传算法.最后通过仿真比较详细分析了所提方案的工作机理及对非线性强耦合系统控制的有效性.     

基于SCSO-BP神经网络的卫星姿态控制系统故障预测

近年来,随着人工智能的迅速发展,基于人工神经网络的卫星姿态控制系统故障预测方法得到了越来越多的重视。在反向传播(Back Propagation ,BP)神经网络中,权重和偏置是重要的可调节参数,与神经网络的预测性能密切相关。BP神经网络的初始权重和偏置为随机生成,设置不当容易导致网络在训练过程中陷入局部极值,进而影响预测性能。为了提高BP神经网络的预测性能,提出了一种将沙猫群优化(Sand Cat Swarm Optimization ,SCSO)算法与BP神经网络相结合的预测方法。在训练过程中,首先通过SCSO 算法对BP神经网络权重和偏置进行预训练,在此基础上,利用精调后的BP神经网络对卫星姿态控制系统周期渐变故障数据的未来趋势进行预测。实验结果表明,与原始BP神经网络预测方法相比,SCSO-BP预测方法能够有效减小预测误差,具有更好的预测精度。     

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.     

基于偏最小二乘法的军用无人机研制费用预测

针对军用无人机研制费用的影响因素多且复杂,样本数据又相当匮乏的问题,充分利用偏最小二乘回归方法在处理小样本数据,变量多重相关性等方面的独特优势,给出了基于偏最小二乘回归方法的预测模型和军用无人机研制费用的算法步骤.用文献[2]中的数据进行了检验,并与逐步多元回归、反向传播(BP,Back Propagation)和径向基函数(RBF,Radial Basis Function)神经网络法进行了比较,结果表明了偏最小二乘模型的实效性.     

BP-AdaBoost模型在光纤陀螺零偏温度补偿中的应用

针对光纤陀螺零偏漂移随温度呈复杂的非线性变化,建立了BP-AdaBoost（Back Propagation neural network,Adaptive Boosting）模型对零偏进行补偿,改善了光纤陀螺的零偏稳定性能.同时,研究了模型参数对预测精度的影响,给出了BP神经网络隐含层神经元个数的选择以及AdaBoost模型迭代次数的确定方法.运用AdaBoost算法提升单个BP神经网络的预测能力,提高了集成模型整体的预测精度.对采集的光纤陀螺输出实测数据进行了事后仿真,结果表明,BP-AdaBoost模型相比传统的线性回归模型、混合线性回归模型、单个BP神经网络模型的补偿效果更显著,验证了该模型的有效性,具有重大的工程应用参考价值.      

PSO神经网络在光电探测设备故障诊断中的应用CSCD

针对传统神经网络在光电探测故障诊断中存在故障检测率低、诊断时间长的问题,研究了粒子群优化算法(PSO)优化神经网络连接权值,并将其应用于某型光电探测设备的故障诊断中。实验结果表明,与BP和GA相比,PSO算法更易实现,具有更快的收敛速度、更高的故障检测率、更低的虚警率和更短的故障诊断时间,从而获得了更好的故障诊断效果。     

复合舵机的神经网络自校正控制

针对复合舵机的时变和非线性特性,提出了神经网络自校正控制方法.用改进的非线性自回归滑动平均模型(NARMA)对复合舵机进行动态建模,采用多层感知器神经网络辨识舵机非线性模型,由广义逆思想设计出控制器,并根据被控对象与辨识模型间误差在线调整网络权值,进而修正控制律,实现了复合舵机的自校正控制.仿真结果表明,在模型有时变及非线性因素的情况下,此方法仍能得到较好的控制效果.      

基于萤火虫优化神经网络算法的气浮台自动调平衡研究

为了利用气浮台在地面精准演示分布式多星组网技术及验证多模式高分成像过程,提出一种基于改进型BP神经网络PID控制的气浮台快速自动调平衡算法.针对以往算法调平时间较长、容易得到非最优解的问题,引入仿生萤火虫算法对神经网络初始权值进行优化,提高了算法的收敛速度和稳定性.基于构建的三轴气浮台运动学和动力学模型,通过仿真实验验证了优化算法对自动调平衡具有良好的控制效果,满足多星地面仿真的调平衡要求.      

Using Back Propagation Neural Network Method to Forecast Daily Indices of Solar Activity F10.7

The solar 10.7 cm radio flux，F_10.7，a measure of the solar radio flux per unit frequency at a wavelength of 10.7 cm，is a key and serviceable index for monitoring solar activities.The accurate prediction of F_10.7 is of significant importance for short-term or long-term space weather forecasting. In this study，we apply Back Propagation （BP） neural network technique to forecast the daily F_10.7 based on the trial data set of F_10.7 from 1980 to 2001.Results show that this technique is better than the other prediction techniques for short-term forecasting，such as Support Vector Regression method.      

太阳光球磁场特征物理量在质子事件短期预报中的应用

利用SOHO/MDI全日面纵向磁图, 计算了三个描述太阳活动区磁场复杂性和非势性的特征物理量, 即纵向磁场最大水平梯度Bz, 强梯度中性线长度L, 孤立奇点数目η. 为检验太阳光球磁场特征在质子事件短期预报中是否有效, 采用BP神经网络方法, 建立了基于这三个磁场特征物理量简单的太阳质子事件短期(24h)预报模型. 模 型在对2002年和2003年连续两年的样本检测中, 有很高的准确率(2002年和2003年 分别为90 %, 87.54 %)和较高的 质子事件报准率(2002年和2003年分别为60 %, 75 %),从而为光球磁场特征物理量作为质子事件预报的有效因子提供了依据.      

基于BP-GIS的京津冀碳钢土壤腐蚀速率地图研究

针对京津冀地区碳钢土壤腐蚀问题,应用误差反向传播（BP）神经网络,以主影响因素为输入参数,分别构建了针对京津冀地区碳钢土壤腐蚀速率模型。根据各主要土壤腐蚀影响因素数值,对碳钢土壤腐蚀速率实现了预测。并基于地理信息系统（GIS）绘制了中国年均碳钢土壤腐蚀速率地图。研究表明:京津冀地区单年均碳钢土壤腐蚀速率西北高东南低,多年均碳钢土壤腐蚀速率基本均匀分布;pH、含盐总量、土壤温度、全氮量和有机质对碳钢土壤腐蚀较为显著;1、3、5和8年均碳钢土壤腐蚀速率分布最大为6.159、2.322、2.614和3.467 g/（dm2·a）。      

基于深度学习递归神经网络的电离层总电子含量经验预报模型

利用行星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据,首次基于一种能处理时间序列的深度学习递归神经网络（Recurrent Neural Network,RNN）,建立提前24h的单站电离层TEC预报模型.对北京站（40°N,115°E）的预测结果显示,RNN对扰动电离层的预测误差低于反向传播神经网络（Back Propagation Neural Network,BPNN）0.49～1.46TECU,将太阳风参数加入预报因子模型后对电离层正暴预测准确率的提升可达16.8%.RNN对2001和2015年31个强电离层暴预报的均方根误差比BPNN低0.2TECU,将太阳风参数加入RNN模型可使31个事件的平均预报误差降低0.36～0.47TECU.研究结果表明深度递归神经网络比BPNN更适用于电离层TEC的短期预报,且在预报因子中加入太阳风数据对电离层正暴的预报效果有明显改善.      

基于时序建模的卫星故障检测方法

为解决当前卫星故障检测面临的依赖规则库、多元特征融合不足以及数据正负样本分布不均衡等问题,从卫星数据的时序特性出发,提出基于时序建模的卫星故障检测方法与半监督模型,实现卫星数据规律的有效挖掘与数据驱动的故障检测。考虑卫星数据间的时序关联,提出基于长短期记忆神经网络的卫星故障检测方法,并引入滑动窗口机制实现卫星数据的有效预测与故障检测。考虑卫星数据多元特征参数间的关联关系,引入时间卷积和自编码器神经网络,同时建模不同时刻、多元特征参数间的依赖关系,实现融合多元特征参数进行卫星故障的有效检测。以某型号卫星电源分系统为实验对象,仿真结果表明,所提算法和模型在关键指标方面优于BP神经网络等传统故障检测方法和模型。