一种辐射源快速识别新方法

针对现有辐射源识别方法不能识别参数交叠的雷达信号以及BP神经网络迭代速度慢、识别效率低的缺点,设计出一种采用改进概率神经网络的实时快速识别方法。该方法构造的特征兼具单个脉冲参数统计特性和雷达参数变化整体特性两个层面的信息,进而可以对参数交叠的雷达信号进行有效识别。同时,该方法还对概率神经网络进行了改进,使之具备识别出未知雷达信号的能力。仿真实验表明,此方法在显著提高了识别率的同时,还具有良好的抗噪性和鲁棒性。     

基于STEP和改进神经网络的STEP-NC制造特征识别方法

特征识别是实施STEP-NC重要的一步，也是实现开放式、智能化和网络化STEP-NC数控系统的关键。本文提出了一种基于STEP和改进神经网络的STEP-NC制造特征识别方法。该方法首先在对STEP AP203中性文件进行几何拓扑信息提取后，基于边的凹凸性判断构建了零件最小子图。然后，将混沌算法、遗传算法与BP神经网络算法有机相结合提出了改进的BP神经网络。最后，通过将获得的零件模型最小子图信息数据输入到改进的BP神经网络，实现了对STEP-NC制造特征高效精准地识别。通过实例验证了该方法的有效性和可行性。     

基于模糊神经网络的单路口智能控制方法

本文采用人工神经网络和模糊控制技术,结合各个车道的到车率,提出一种全新的智能交通控制方法。仿真结果表明该方法控制效果明显。     

基于改进DQN的复合模式在轨服务资源分配

针对开展在轨服务前的资源分配非线性多目标优化问题，构建复合服务模式下的在轨资源分配模型，基于对DQN （Deep Q-Network）方法的收敛性和稳定性改进，提出了一种在轨服务资源分配方法。该方法能够应对同时包含"一对多""多对一"的复合服务模式，并在满足预期成功率的前提下优先分配重要服务对象，兼顾资源分配综合效益和总体能耗效率，达到了以期望成功率、较少资源投入尽快完成任务的综合目标。仿真实验表明，改进DQN方法能够在任务执行前依据服务对象重要程度自主分配航天器资源，收敛速度快、训练误差低，在分配效益和总体能耗的优化方面具有明显的比较优势。     

基于神经网络的飞机襟翼机构磨损失效判据确定方法

飞机襟翼使用过程中存在失效判据不易确定的问题,目前襟翼机构滑轨滑轮磨损间隙许用量主要是通过试验及使用统计数据分析确定。针对新研机构缺乏试验及使用数据的问题,通过对影响磨损间隙最大许用量的因素分析,提出应用神经网络学习确定襟翼滑轨滑轮间隙最大许用量的预测方法。算例验证表明,运用神经网络方法预测得到的滑轨滑轮架的间隙最大许...     

微小型飞行器的神经网络动态逆控制方法

微小型飞行器(MAV)精确的数学模型很难得到,限制了单纯动态逆控制方法的使用,比例-积分-微分(PID)等传统的控制方法已不能满足要求。针对这一问题,研究了应用动态逆控制方法的新途径──神经网络动态逆。选取串接积分器的多层前向神经网络训练飞行控制系统的动态逆模型,并自适应补偿逆误差。用MATLAB的NNCTRL20工具箱并结合NNSYSID20工具箱建立了仿真系统。升降舵和方向舵联合控制转弯。用PID控制器、近似神经网络动态逆模块、在线神经网络补偿器构建了飞行控制系统。仿真结果表明,神经网络动态逆有较强的鲁棒性、稳定性和指令跟随能力,比PID更适合于微小型飞行器的姿态控制。     

结构可靠度逐步逼近径向基神经网络响应面法

提出了逐步逼近径向基神经网络响应面法计算结构可靠度,这种数值方法较好地解决了结构功能函数非线性及结构随机变量非正态分布时采用结构可靠度指标度量结构可靠度存在误差的问题.经过多个数值试验表明,该算法迭代收敛迅速、计算准确性较高、应用过程简单.利用这种方法对含有多个随机变量的结构进行可靠性分析和设计,特别是当结构功能函数具有较强的非线性或结构随机变量分布具有较大的偏斜度时,具有一定的应用价值.      

基于EMD及PNN的航天器振动环境分析

针对航天器非平稳随机振动信号模态频率密集的特点,提出了基于经验模式分解EMD (Empirical Mode Decomposition)的多分量过程神经网络PNN(Process Neural Network)自回归模型.通过EMD对原始时间序列进行分解, 使之成为一组不同尺度的局部正交本征模函数IMF(Intrinsic Mode Functions),利用PNN对每个IMF分别进行时变参数分析并以此确定其时变自功率谱密度,对所有分量的时变自功率谱密度通过叠加进行重构, 以此得到原始信号的时变自功率谱密度.仿真结果和实例分析表明:和传统的时频分析法相比,该方法直接使用信号数据,避免了相关估计计算,减小了计算工作量;无交叉干扰项,提高了信号的时频分布特性,具有较高的时频分辨率;对各工况下航天器的振动信号能有效的进行分析,具有较强的信号特征提取能力.      

积冰几何特性对翼型性能影响的神经网络预测

积冰几何形状对翼型气动系数的影响是复杂的.采用BP(Back Propagation)神经网络的LM(Levenberg-Marguardt)学习算法,建立明冰的典型几何特性(冰角前缘半径、冰角高度和冰角位置)对翼型气动系数影响的神经网络,得到该3种几何参数对气动系数影响的规律;建立了典型冰形参数对最大升力系数影响的神经网络,该网络能很好的预测冰形参数对应的最大升力系数值;此外,建立了冰型位置对舵面铰链力矩系数影响的神经网络.仿真结果表明,BP神经网络仿真结果与实验值具有高度一致性,并能预测非实验值条件下的气动系数;翼型表面积冰位置变化对气动系数影响最大;铰链力矩系数在失速迎角达到之前就发生突变,可以更安全地用来预测失速的发生.      

基于BP神经网络的纳卫星轨道温度预测

为了实现纳卫星在轨温度的预测,在对纳卫星热系统动态特性模型分析的基础上,建立BP神经网络预测模型实现纳卫星在轨温度的预测.通过分析纳卫星热系统动态特性模型,得到用于BP神经网络预测模型的输入、输出变量以及训练神经网络所需的数据样本.BP神经网络预测模型分别以纳卫星外壳、辐射器、舱内仪器的热流及温度值为神经网络输入、输出,预测纳卫星10s后的轨道温度.经验证,神经网络预测模型预测结果与纳卫星实际轨道温度吻合较好,表明神经网络预测模型是快捷有效的.