电液力伺服系统的神经网络并行自适应预测 PI 控制

考虑电液伺服系统的复杂非线性和不确定性特性,提出一类基于神经网络的并行自适应预测PI控制结构,该结构使控制参数的调整和系统的实时控制操作可并行进行,不仅做到了神经模型和控制器的在线辨识和设计,而且避免了神经网络方法通常存在的实时控制的困难,使复杂系统的在线学习控制成为可能。仿真结果表明该控制器具有良好的适应性和鲁棒性。      

神经网络在飞行器航迹仿真计算中的应用

在飞行器航迹计算中,与插值法存在的缺陷相比,神经网络方法具有显著的优越性。通过对插值法和BP神经网络方法原理和工作过程的详细分析,以及在此基础上针对某飞行器航迹参数的计算实例,比较了线性插值、多项式拟合与神经网络方法的误差,表明神经网络方法具有更好的计算精度。     

基于RBF带学习能力高精度非线性FDD设计

在轨航天器故障检测与诊断问题需要面对模型的非线性,而且要求尽量提高其检测的精度,为此设计了基于径向基函数（RBF）神经网络的动量轮非线性故障检测与诊断（FDD）方案。首先应用RBF补偿建模误差,提高检测精度,并选择李雅普诺夫函数证明其收敛性;然后应用非线性观测器来产生故障残差,给出了阈值以及故障检测的时间;应用RBF网络对故障信号进行重构,并据此设计了带学习能力的FDD策略。再次建立了详细的动量轮模型,通过不同条件下的仿真研究分别验证残差的阈值特性、时间特性以及RBF的重构能力,仿真结果表明了算法的有效性。     

神经网络与D-S理论结合的HRR识别研究

基于D-S(Dempster-Shafer)证据理论,比较和研究了相关数据和不相关数据的融合方法,分析了多传感器数据融合的算法:集中式融合算法和分布式融合算法.经过实验证明,执行分布式有反馈融合算法时的效果最好.然后利用该算法,提出了和线性内插神经网络相结合的识别方法.利用4种飞机的步进频率雷达的高分辨率一维距离像,将神经网络的识别结果作为证据分别送入传感器进行融合,进行识别研究.实验证明,与单纯利用神经网络的方法比较,目标的正确识别率得到了改善.     

基于GA-BP贝叶斯算法的可靠性分析近似模型

研究了GA-BP(Genetic Algorithm-Backpropagation)贝叶斯算法在可靠性仿真中的应用.GA-BP贝叶斯算法是一种新型前馈神经网络训练算法,它建立在遗传算法(GA)、L-M(Levenberg-Marquardt) BP算法以及贝叶斯方法这三者的基础上.由于该算法的训练目标是获取对应于后验分布最大值的权值向量,并且在搜索过程中融入了遗传算法,因此能够使前馈神经网络具有更佳、更稳定的泛化性能.在可靠性仿真中,采用GA-BP贝叶斯算法来构造前馈神经网络近似模型,再用它来替代复杂费时的数值仿真程序进行Monte Carlo模拟,就能够在计算成本得到有效控制的同时获取随机输出变量的概率分布情况.     

基于动力补偿的液压并联运动平台控制策略

针对所研制的飞行模拟器用大负载液压六自由度并联运动平台,在对系统闭环动力学模型进行详细分析的基础上,依据系统数学模型存在外扰力、摩擦力及不确知参数等因素影响的控制特性,利用系统闭环动力学模型的动力补偿特性,采用六维动力补偿器,提出一种PD控制器加小波神经网络补偿器进行在线动力学补偿的实时控制策略,并通过实验验证了其控制的有效性.结果表明:该方法具有良好的跟踪特性,能够提高系统响应快速性、运动精度及抗负载扰动能力,很大程度上克服了系统的动力耦合及参数时变和未知力扰动带来的影响,为多自由度运动系统的高性能实时控制开辟了崭新途径.      

一种基于小波技术的GPS/SINS组合导航技术及试验

GPS／SINS的组合被认为是比较理想的导航系统,是目前导航技术发展的主要方向。为了进一步提高GPS／SINS组合导航系统的精度,文章在介绍了小波去噪原理的基础上,提出了一种基于小波技术的GPS／SINS组合导航系统新方法,并通过实际的静态试验给予验证。试验结果表明,采用该方法以后,组合导航系统的各项导航参数精度得到了非常明显的提高。     

基于归一化神经网络的航天器自适应姿态跟踪控制

针对以变速控制力矩陀螺（VSCMGs）为姿态控制执行机构的航天器在同时考虑惯性参数和执行机构不确定性情况下的姿态跟踪控制问题,提出了一种基于归一化神经网络的自适应姿态跟踪控制方法。设计一个非线性反馈控制器作为航天器姿态控制的基本控制器,利用归一化神经网络设计补偿控制器,用以在线估计和消除包含系统不确定参数的未知不确定函数的影响,避免了标准自适应控制方法需要进行大量不确定参数估计的缺陷。采用神经网络输入归一化技术,简化了闭环系统复杂的稳定性分析过程。理论分析证明了闭环系统的稳定性和姿态跟踪误差的收敛性。仿真结果表明,所提出的控制方法能满足航天器在惯性参数和执行机构不确定性及外干扰存在情况下的高精度姿态跟踪控制要求。
     

基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题,在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上,提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络,保留捷径连接中的卷积神经网络结构,既能充分提取时序特征又能保证有用数据在网络层中的跳层传递,并融入注意力机制构建多层残差网络,注意力机制的使用能够选择出对预测结果有重要影响的信息,有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析,结果表明:所述方法能有效建立监测数据与发动机健康状态之间的关系,剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%,比未融入注意力机制方法平均降低18.9%,有效提高了预测精度。      

基于改进CNN-BiLSTM模型和地磁监测数据的多时间长度GIC预测

太阳风暴在电力系统网络中驱动产生的GIC会影响电力设备和系统的安全运行, 严重时还会引发大面积停电事件. 预测电网GIC水平能够为电力系统保护措施提供重要参考, 然而对这方面的研究仍显不足. 为了解决该问题, 将卷积神经网络(CNN)与双向长短时记忆(BiLSTM)以及注意力机制相结合, 利用空间天气的相关监测信息, 提出了大规模电网GIC多时间长度的预测方法. 本文在分析太阳风暴驱动产生电网地磁感应电流(Geomagnetically Induced Current, GIC)基础上, 构建了GIC预测模型; 提出了基于多头注意力机制的CNN-BiLSTM改进模型, 对GIC进行预测, 并给出了预测流程. 采用CNN捕获地磁扰动局部信息, 根据BiLSTM综合地磁暴扰动信息的全局特征, 综合利用多头注意力机制评估对GIC关键作用的地磁信息片段, 实现电网GIC的预测. 利用2004年11月8日00:00 LT－20:00 LT巨型磁暴期间DED地磁台站和QGZH地磁台监测数据, 应用所提方法对岭澳500 kV变电站GIC进行回归预测. 经过训练后, GIC预测相对误差均在12%以内, 精度高于其他模型的预测结果.