基于神经网络模型预测的水声对抗子母弹跌落冲击仿真

为了评估水声对抗子母弹在不同跌落冲击条件下的可靠性,应用LS-DYNA对母弹在不同跌落参数下的冲击响应进行了数值仿真研究。在有限元计算结果作为样本的条件下,运用BP神经网络模型建立了母弹跌落冲击影响参数与子弹应力峰值的非线性映射关系。结果表明:弹体各子结构在跌落高度、角度及跌落面条件下具有不同的冲击响应规律;母弹体头螺、壳体结构冲击变形较大,内部子弹冲击应力值变化幅度较小;网络模型较准确预测子弹的应力峰值,可极大地降低仿真次数,提高跌落测试效率。     

基于神经网络的风洞尾支杆减振系统

风洞试验时,由于气流的影响,测试用悬臂式尾支杆容易产生大幅度低频振动,这会严重影响测试精度,甚至损坏自身结构。为了有效抑制尾支杆的振动,本文设计了基于压电组件的主动减振系统,并将人工神经网络应用于PID控制,提出了神经网络PID智能控制算法。对尾支杆进行有限元分析,获取其模态参数。然后设计试验测试减振系统的性能,将神经网络PID与经典PID的控制效果进行对比。试验结果表明:在连续载荷的作用下,采用经典PID控制算法与神经网络PID均可达到有效控制(减振幅度70%以上),且神经网络PID在保证减振效果的情况下实现控制参数自整定,具有良好的鲁棒性。     

神经网络在旋翼／机身气动干扰模型中的应用

由于直升机自身的特点,旋翼／机身气动干扰呈现非线性,且受多种因素的影响,用神经网络来解决这一非线性问题是一个很好的办法。将旋翼／机身气动干扰试验数据构造的学习样本,对网络参数进行学习,可以得到旋翼／机身气动干扰神经网络模型,进而可以用该神经网络模型研究直升机机身受旋翼气流干扰时的空气动力特性。参数训练好的旋翼／机身气动干扰神经网络模型可直接用于直升机气动设计和实时仿真。笔者在对旋翼／机身气动干扰神经网络模型的建立进行论述外,还简要介绍了旋翼／机身气动干扰试验。     

机器人务控制研究综述

回顾了机器人控制研究历史及目前的力控制研究现状，详细分析了现有的四种研究策略：阻抗控制，力／位混合控制，自适应控制策略，智能控制新策略；阐述了作者提出了“力／位并环控制”的智能新策略；提出了机器人力控制的四大关键问题：位置伺服，碰撞冲击及稳定性，未知环境的约束，力传感器，文末展望了力控制研究的发展趋势－智能控制。     

基于径向基函数神经网络的模型跟随自修复控制

提出一种基于径向基函数神经网络的模型跟随非线性自修复控制方法。该方法可不必精确已知故障的位置及程度,即可重构控制律使系统在故障情况下的输出精确跟踪期望参考模型的输出,并采用神经网络控制器以补偿邦联引起的非线性因素的影响。     

基于轻量级卷积神经网络的人证比对

在证件审核场景中,常规的深度学习人脸识别方法人证比对精度低且在嵌入式设备运行效率差。为解决上述问题,本文提出了改进的轻量级卷积神经网络Lightnet,并采用了迁移学习方法。Lightnet是结合深度可分离卷积、线性瓶颈结构和注意力模块构成的轻量级卷积神经网络模块,引入附加角度裕量的损失函数AM-Softmax监督训练后,网络模型能够保持较高的验证精度,并有效解决标准卷积神经网络参数冗余、计算量大的问题。迁移学习通过冻结预训练模型的卷积层权重,并在自制的人证数据集微调,提高了网络模型的人证场景的识别性能。实验结果表明,所设计的轻量级人证比对算法在验证精度、参数量以及运行效率等方面取得了很好的效果,且对生活场景有较好的鲁棒性。     

RBFE人工神经网络在四组分络合滴定中的应用

本文用非线性的方法来解决多组分金属离子体系同时测定的问题。在此我们用MATLABv5 .3编写了BP网络和RBFE网络并比较了它们在校正时的情况 ,发现在此体系中RBFE网络优于BP网络。络合滴定是在不加缓冲液的情况下直接滴加入EGTA ,并讨论了滴定体积V与溶液的pH值和溶液中金属离子的初始浓度C0M之间的关系 .最后 ,我们将RBFE网络应用于四组分金属离子CuZnPbCd的同时测定     

基于RBF网络辨识的涡扇发动机双变量神经网络PID解耦控制

根据神经网络与PID算法相结合的思想, 针对涡扇发动机双变量控制中变量之间的耦合问题, 提出基于径向基函数神经网络(RBF)辨识的发动机双变量神经网络PID解耦控制, 并给出控制系统的控制结构及原理.仿真结果表明, 该方法控制精度高、跟踪性能强、鲁棒性良好, 能够有效地减小各回路之间的耦合影响, 并保证控制系统具有良好的稳态和动态性能, 适合航空发动机控制.      

基于RBF神经网络的货运量预测模型

利用RBF神经网络进行了货运量预测.经过对预测结果的检验和分析,证明了RBF神经网络在货运量预测中效果较好,而且就具体网络训练而言,RBF神经网络的预测精度和训练速度均较BP神经网路优越,具有较大的计算优势.     

卫星光通信粗瞄系统非线性摩擦的神经网络补偿

 为克服摩擦对卫星光通信(IOC)瞄准捕获跟踪（PAT）粗瞄子系统的精度控制的影响,首先利用PD控制器以获得稳定的轨迹;再用一种扩展的神经网络结构在线逼近摩擦函数,对摩擦力矩进行补偿;在此基础上,利用传统单层神经网络和自适应的鲁棒项消除神经网络的逼近误差及外部扰动。最后用李亚普诺夫函数方法证明在本文的控制策略下,可以保证系统的渐近稳定性和参数的有界性。