基于DSAS算法的直升机贴地飞行在线航迹规划

通过改进优化传统A*算法,利用动态稀疏A*搜索(DSAS)算法在线设计了直升机贴地飞行轨迹.该算法采用逆向搜索方式规划航迹,在遇到新生探测威胁时,只需局部调整受到影响的航迹,减少了重新规划的范围,提高了搜索效率.此外,在生成节点时考虑了直升机性能及飞行约束,优化了搜索范围;并且根据影响贴地飞行航迹性能的各种因素,设计了航迹代价计算方法;利用层次分析法结合专家分析计算得到最优代价权值.仿真结果表明,该方法在线设计的飞行轨迹能够较全面地满足避障、贴地功能,相比稀疏A*搜索(SAS)算法节省了计算时间.     

基于DE-RLSSVM算法的航空发动机传感器故障诊断

为了使约简最小二乘支持向量机(RLSSVM)具有更好的稀疏性和泛化能力,利用微分进化(DE)算法选择RLSSVM的支持向量,提出了DE-RLSSVM算法.在benchmark回归数据集上的仿真试验表明该算法具有很好的稀疏性和泛化能力.然后将该算法用于航空发动机传感器故障的诊断,提出了基于DE-RLSSVM算法的航空发动机传感器故障诊断方法.该方法利用DE-RLSSVM算法对传感器故障进行监测,然后进行定位和隔离.数字仿真结果表明该传感器故障诊断系统能够实现对航空发动机传感器硬故障的检测与隔离.      

神经网络在无人机电控活塞发动机试验中应用

分析了无人机用电控活塞发动机试验特点以及试验中存在的难点,针对电控发动机高海拔标定试验中进气歧管压力(manifold air pressure,简称MAP)传感器数据的传统线性插值方法不能完全表述电控发动机非线性特性的缺陷,提出采用BP(back propagation)神经网络模型的解决方案.为避免目前应用神经网络方法中所存在的不足,通过采用原始数据分组方法进行网络训练误差的实时反馈和控制,较好地解决了神经网络训练过程中容易陷入"局部最优"和"过拟合"状态,并对BP神经网络预测结果给予了详细研究,训练误差和预测误差分析结果表明了该方法的可行性和计算结果的可信性.      

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.     

基于空域稀疏性的宽带DOA估计

利用宽带阵列接收信号的空域稀疏性,将宽带信号的波达方向(DOA)估计转化为一个稀疏信号重构的问题,提出了一种新的宽带信号DOA估计算法。该算法将宽带信号分解为多个子带信号,联合利用多个子带信号的空域稀疏性进行重构。它是对用于稀疏重构的标准的稀疏贝叶斯学习算法的推广,可适用于多冗余字典的信号模型。另外,通过对多快拍的阵列接收信号进行奇异值分解(SVD),提取信号子空间作为算法的输入数据,可以在有效减少运算复杂度的同时,提高对噪声的稳健性。与传统的宽带阵列DOA估计方法相比,该算法能够用于低信噪比、快拍有限和信源相关性较高的场合,同时算法的性能对信源个数的估计值不太敏感。仿真实验表明,该算法相对现有的基于子空间类的方法,具有更好的DOA估计性能。     

基于PSO-LSTM网络的航电系统故障率预测研究

为了提高航电系统设备故障率预测的精度,本文提出了一种基于粒子群算法优化的长短期记忆神经网络(LSTM)预测方法.首先该模型以历史故障率序列作为输入,然后通过粒子群算法(PSO)对长短期记忆数据网络中的关键参数进行迭代优化,最后依据优化参数建立PSO-LSTM预测模型并进行故障率时间序列预测.主要解决了传统依据个体经验选...     

基于粒子群神经网络的轮盘优化

将粒子群算法(PSO)和BP神经网络相结合, 构建了一种新型智能结构优化算法.PSO方法除用于结构优化外, 还被用于BP神经网络的构造及网络训练, 使之可自适应调整优化.结构优化中, 以BP神经网络取代有限元方法, 通过设计变量来映射目标函数和约束, 从而大大提高了计算速度.将此方法用于轮盘结构优化, 使得轮盘体积减少了17.5%, 结果通过检验.该方法便捷、高效, 为解决工程结构优化问题提供了一个新途径.      

一种小波神经网络与遗传算法结合的优化方法

提出一种基于小波神经网络(简称WNN)与Pareto遗传算法相结合的优化方法,并用于内流的数值流场优化计算.小波神经网络由输入层、隐含层和输出层组成.在隐含层用Morlet小波母函数取代了误差反向传播(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.典型算例表明:该算法快速、高效,能高精度的完成非线性函数的逼近与映射,其泛化能力很强.      

基于深度学习的地空导弹发射区拟合算法

目前地空导弹发射区的拟合算法主要是多项式拟合法和BP神经网络拟合法。多项式拟合法存在函数形式难以确定、函数范围不易分段等问题,且拟合精度较低;传统神经网络方法要想达到较高精度,需要大量的隐层节点,且在隐层节点数增加到一定程度后,训练变得十分困难且精度很难继续提高。同时,传统神经网络需要大量的标签数据,进一步增大了实际应用的难度。为此,基于深度学习理论,设计了一种基于堆栈稀疏自编码器（SSAE）的深度拟合网络（DFN）,并给出了相应的训练策略。仿真实验表明其相比传统算法具有更小的拟合误差优势。所设计的深度稀疏自编码器网络可以克服多项式拟合和传统神经网络的不足,不仅可以在大量无标签数据和少量标签数据条件下进行学习训练,而且可以进一步提升地空导弹发射区的拟合精度。     

基于稀疏最小二乘支持向量机的航空发动机动态过程辨识

针对现有最小二乘支持向量机(LS-SVM)稀疏性不足的难题,提出一种稀疏化策略,应用此方法建立了航空发动机动态过程模型.在对原始样本预求解过程中,该策略使用改进Gram-Schmidt正交化算法对非线性映射矩阵实施递归分解,同时以阈值监督输出向量的残差化过程,从而优选训练样本,降低样本规模,节省内存,提高LS-SVM学习速度.仿真表明,基于优选样本的学习模型较之其他训练样本学习模型提高了回归精度和速度,验证了方法的可行性;基于实际试验数据建立的航空发动机动态过程模型在类似过程参数预测以及性能递推预估仿真表明,高压转子相对转速误差低于0.2%,低压转子相对转速误差低于0.35%,涡轮后燃气温度误差小于3.5℃,满足控制与仿真的需要.