基于神经网络的电动加载系统

 针对电动加载系统中多余力矩的干扰 ,提出了基于RBF(径向基函数 )神经网络的新型复合控制策略 ,与传统的BP神经网络相比 ,没有局部最小问题。由于系统非线性和时变性 ,特别在多余力干扰下传统控制方法如PID很难得到满意的控制效果。提出的复合控制方法主要由神经网络PID和前馈补偿器组成 ,通过仿真与试验 ,控制器有效的减少了多余力矩对系统的影响 ,改善了加载系统的动态性能。     

一种基于神经网络补偿动态逆误差的方法

讨论了一种基于神经网络自适应补偿动态逆误差的方法，并应用于超机动飞机控制器设计中，飞机的基本控制采用非线性动态逆方法进行设计，对于模型不准确导致的逆误差采用神经网络进行在线补偿，仿真结果表明，采用神经网络补偿误差，弥补了非线性动态逆要求精确数学模型的缺点，而且可以简化动态逆控制律的设计，改善整个控制系统的性能。     

导弹块对角控制器的组合设计法

利用小脑关节模型控制器 ( CMAC)神经网络辨识了导弹控制系统的几个重要空气动力参数,证明了估计误差、权误差有界,然后用解析逆解设计方法、模糊神经网络变结构控制方法设计了块对角控制器。仿真结果显示了该算法的有效性。     

模糊神经网络的侧滑角校正

叙述了一种利用模糊神经网络模型来校正侧滑角的方法。侧滑角的校正基于以下七个输入变量：动静压之比、动压、迎角、滚转速率、偏航速率、飞机重心处侧向过载、基准侧滑角。在模糊神经网络模型的结构辨识中，采用了前向搜寻算法。样本数据的一部分用于训练模糊神经网络，另一部分用于测试和评价所得模型的性能；参数辨识中，采用了反向传播学习算法（即BP算法）。某型飞机的六自由度仿真软件仿真验证表明，用这种方法校正后的侧滑角具有较高的精确度。     

神经网络的故障诊断技术

指出了传统基于模型的故障诊断方法的问题,综述了近几年发展起来的神经网络故障诊断技术,并对其各种方法进行了详细的论述,最后对进一步的研究作了展望。     

利用神经网络进行飞机参数估计的两种新方法

本文提出了利用前向传输神经网络依据飞行数据估计飞机稳定性和操纵导数（参数）的两种新方法。这两种方法都是利用运动变量和控制输入量作为输入文件，而以空气动力系数作为用于调试神经网络的输出文件。为了进行参数估计，允许向被调试的神经网络提供经过适当修改的文件，从而获得对应的空气动力系数预测输出文件，对这一组输入－输出文件进行适当的编译和处理后就可得到飞机参数的估计值，这些方法首先是利用模拟飞行数据进行验证的，然后才应用于实际的飞行数据。实际飞行数据是通过对已发表的报告中的模拟量数据进行数字化后得到的。文中还给出了参数估计的结果，其目的在于说明参数估计精度受网络拓扑结构，迭代次数主模拟飞行数据中测量噪声强度的影响。所介绍方法的重要特点之一是，它们并不需要像熟知的参数估值法（如最大似然法）那样去推测出一组合理的参数初始值。     

扩压器叶片形线逆命题设计的一种新方法

应用遗传算法结合神经网络技术通过对候选叶片表面速度分布与目标速度分布之间误差的极小化,求解给定表面速度分布下的扩压器叶片形线。叶片形线利用Bezier曲线参数化表示,候选叶片形线的流场分析由BP神经网完成。      

基于多特征图像增强深度卷积神经网络的航天用电子元器件分类算法

为了实现航天用电子元器件的全自动及非接触识别,并减少由照明系统造成的图像亮度不均、偏色等问题对检测结果的影响,通过结合局部、区域和总体三个层次特征提升物体检测精度,提出了一种基于多特征图像增强深度卷积神经网络(MFIE-DCNN)的航天用电子元器件分类算法。MFIE-DCNN算法包含多特征学习和深度学习,其学习过程类似于人类视觉系统,能够对形状、方向和颜色特征进行深度挖掘,突出元器件边界信息,抑制背景杂波干扰。实验结果表明,该算法能够区分电路板板载元器件的种类,检测准确度优于传统算法。对比基于稀疏自动编码器的深度神经网络,检测结果提高了近20%。     

雷达电源系统安全运行健康状态评估研究

雷达电源系统的运行状态直接影响整个雷达设备的安全性与性能指标的实现,如何实现雷达电源的 健康状态评估是亟待解决的问题。首先采用雷达电源正常状态下的健康特征数据训练自组织神经网络;然后 计算监测数据与训练后的自组织神经网络中权重向量的距离,将距离值归一化表示为健康度;最后利用试验数 据计算健康度,并实现健康分级。结果表明:该模型计算的健康度随电源老化时间变化整体呈现下降的特点, 该模型可以实现雷达电源健康状态评估。     

考虑层间应力的厚复合材料结构多级优化设计方法

充分发挥复合材料的利用率,降低结构重量,厚复合材料结构优化设计是非常重要的。然而优化设计空间复杂,层间应力问题突出,离散设计变量等问题使得厚复合材料结构的优化变得十分困难。针对由铺层相同的子层板叠成的厚复合材料层合板结构的复杂优化问题,本文提出一种多级优化设计方法。第一级优化采用基于径向基神经网络代理模型的优化设计方法,设计变量为子层内层数及铺层比例;第二级优化分为两个层次进行,系统层以结构重量最轻为目标,设计变量为子层数,子系统层采用遗传算法优化铺层顺序,以层间应力因子最小为目标。结合算例,通过Matlab编写遗传算法,并应用Isight集成Matlab来实现该优化设计方法。结果表明:本文提出的多级优化设计方法是有效的,能够很好地实现具有周期性铺层方式的厚复合材料层合板结构的优化设计。