线性控制系统设计中的一种神经网络方法及其应用

研究一种基于神经网络的线性控制系统的设计方法，该方法以经典的数学理论为基础，摈弃应用神经理论设计控制系统时常用的试凑方法。仿真和试验验证了该方法的正确性。     

神经网络在计算复合材料刚度退化中的应用

复合材料层合板的刚度退化相当复杂,并且是非线性的,目前缺乏足够的理论依据,很难按实际情况计算.本文从神经网络的角度出发,借助于神经网络的自适应性,通过对材料的实际载荷和实测应变值进行学习,使网络掌握其中各层的刚度变化规律.并且通过数值仿真和实验验证,证明此方法是完全可行的.     

基于遗传算法优化BP神经网络的半球谐振陀螺温度补偿

针对半球谐振陀螺输出零偏易受温度影响而产生漂移的问题,提出了采用遗传算法优化BP神经网络的补偿方法.通过建立环境温度到谐振子温度的传递模型,得到谐振子温度随时间变化的关系,进而得到陀螺输出零偏随谐振子温度变化的漂移关系,通过该算法对漂移数据进行补偿,得到了较好的拟合结果.基于温度补偿算法的实验结果表明:在0℃～60℃的...     

基于动态特征选择的遥感图像目标检测算法

在遥感图像目标检测领域内,旋转物体的检测存在挑战,卷积神经网络在提取信息时会受制于固定的空间结构,采样点无法聚焦于目标;遥感图像尺度变化大,不同物体需要具有不同尺度感受野的特征映射,具有单一尺度感受野的特征映射无法包含所有有效信息。基于此,提出了可变形对齐卷积,根据候选边框调节采样点,并根据特征映射学习采样点的细微偏移,使采样点聚焦于目标,从而实现动态特征选择;同时提出了基于可变形对齐卷积的感受野自适应模块,对具有不同尺度感受野的特征映射进行融合,自适应地调整神经元的感受野。在公开数据集上的大量实验验证了所提算法可以提高遥感图像目标检测的精度。      

基于紫外极光图像的极光电集流指数模型

极光电集流指数AE是描述地磁亚暴强弱的重要指标,且与极区磁层扰动及极光粒子沉降过程密切相关。因此,建立更加准确的极光电集流指数模型对空间天气的研究具有重要意义。利用1997年POLAR卫星紫外极光图像数据探究了紫外极光图像中极光强度IAP的空间分布与AE指数在不同季节的相关性,并在此基础上提出了基于紫外极光图像的AE指数模型。以网格化方法提取极光强度空间分布特征,采用广义回归神经网络,通过相关系数法和方差选择法构建Cor-GRNN和Var-GRNN两种AE指数模型,并针对冬至月份、夏至月份、分点月份3个季节分别进行训练。研究结果表明,AE指数与IAP具有相似的半年变化趋势,其相关性在不同季节差异较大。相比于太阳风驱动下的AE指数神经网络预测模型,基于极光图像的AE指数模型在ERMS和R2标准上均优于其他模型,其中归一化ERMS小于0.1,模型对于AE指数变化的可解释度提升了10%左右。     

基于SAPSO优化的小波神经网络在焊缝跟踪随动系统中的应用

针对焊接动态过程中焊缝跟踪控制的非线性、强干扰、高维数、不确定性、难建模等难点问题,提出一种基于模拟退火粒子群算法（SAPSO）优化小波神经网络来进行焊缝跟踪的新方法。并将该小波神经网络成功地应用于焊缝跟踪。实验结果表明,该小波神经网络控制器的动态响应快、超调量小、稳态精度高、抗干扰能力强．能够满足焊缝跟踪的要求。     

基于RBF神经网络的船载雷达速率陀螺动态性能检测方法

对航天测量船惯性导航系统船摇数据和伺服系统陀螺数据进行分析,提出基于RBF神经网络算法,利用同船装载的惯性导航系统船摇数据检测雷达伺服速率陀螺动态性能的方法,并通过计算机进行实际测量数据的仿真实验。实验结果验证了方法的可行性。     

一种正交跳频信号动态分选方法

针对复杂电磁环境下正交跳频信号分选时效不高问题,提出了一种正交跳频信号动态分选方法。首先基于滑动窗口的数据流模型,采用构造型神经网络对跳频信号频域数据和方位信息动态聚类,减轻噪声等因素影响,解决方位信息和幅度关联模糊性的问题;再在相应的覆盖簇内运用时频关联方法,实现正交跳频信号的动态分选,实验结果表明该方法是有效的。
     

某于功率反馈的涡轴发动机神经网络PID控制研究

通过对功率平衡关系进行分析,提出了利用功率反馈设计智能神经网络PIO控制器的方法。基于BP(Back Propagation)神经网络,将功率信号作为神经网络的输入层信号,并改进了网络权值的学习规则。通过在线整定PID参数,控制器能够根据功率误差信号的变化实时调整控制参数,从而使系统自主寻找到功率平衡点,具有良好的稳态和动态响应特性。仿真结果表明：该方法可以使涡轴发动机在全包线范围内具有理想的控制性能。     

尖楔前体飞行器FADS系统驻点压力对神经网络算法精度的影响

针对尖楔前体（类乘波体）飞行器用嵌入式大气数据传感（FADS）系统存在建模困难及解算模型精度低的问题,首先采用BP神经网络建模代替传统的FADS系统空气动力学建模的方法,建立含有双隐含层的四层神经网络模型,然后通过合理选择网络结构参数及训练验证,对FADS系统的攻角进行解算,最后对驻点压力对算法精度的影响进行研究。结果表明,本文建立的含有双隐含层的四层神经网络模型精度较高,攻角测试误差小于 0.25°; 驻点压力是否作为输入参数对FADS系统神经网络算法求解精度影响较大,攻角测试误差相差达0.1°。在飞行器前缘半径允许的情况下,应尽量得到驻点压力用于解算攻角,提高解算精度。