基于神经网络的旁路活门自适应控制

ＦＬ－７风洞旁路活门非线性控制系统稳Ｍ数神经网络自适应控制中的网络拓扑结构，权值调整，自构性学习，及其实现方法表明，整个系统控制性能优良，不仅控制精度高，而且节省燃油，可靠性性能良好。     

多层感知器神经网络及其在语声识别方面的应用

本文首先描述一种神经网络的拓扑结构——多层感知器神经网.其次推导出针对该神经网的整体学习算法,给出算法在一般微机上运行时所遇到的一些具体问题处理原则.最后将双隐层感知器用于语声识别.实验表明:多层感知器神经网络技术用于小词汇量、低信噪比、机载条件语声识别系统,是一种有益的尝试.     

神经网络在逆变器控制中的应用

针对传统的基于最优消谐波理论的逆变器 ,应用了一种全新的神经网络控制器。当系统工作时 ,由在线神经网络实时调节逆变器输出电压的大小 ;同时各功率管的开关角由另一个神经网络通过对最优 PWM最优开关角的拟合 ,直接计算出来。整个控制系统具有结构简单、反应灵敏、调压精确、输出电能质量高且全数字化的特点。     

一种变论域模糊自适应导引律研究

针对空空导弹的导引律问题，基于模糊逻辑和遗传算法．提出了一种论域自调整的进化模糊导引律。将导弹与目标的接近速度以及导弹的视线角速度作为模糊控制器的输入，指令加速度作为输出，并在传统的模糊逻辑控制基础上引入了一个非线性变论域函数，从而实现了模糊变量论域的动态改变，然后使用遗传算法对导引规则进行了寻优。以某型空空导弹模型为对象使用MATLAB对导弹攻击过程进行了仿真。仿真结果表明，该方法的机动过载小，拦截飞行时间短，是一种较为优越的制导方法。     

STABILITY OF THE HIGH-ORDER BAM AND ITS PERFORMANCE ANALYSIS

由Ｔａｉ提出的高阶双向联想存储器（ＨＯＢＡＭ）推广了Ｋｏｓｋｏ的ＢＡＭ，它不仅拥有ＢＡＭ的优点，而且放宽了连续性假定以得到可靠的回忆，并大大改进了ＢＡＭ的存储容量和纠错性能。然而，Ｔａｉ对于ＨＯＢＡＭ的性能分析仅限于计算机模拟，并没有给出理论分析结果。本文填写了此方面空白，并给出ＨＯＢＡＭ稳定性和存储容量的理论证明，使得该系统能从理论上得以保证所有训练模式对成为其稳定点。     

模糊控制器中的智能积分

分析了传统模糊控制稳态精度差的缺陷，引入了智能积分以减少稳态误差和避免积分饱和，采用△ｕ＝ｆ（ｅ，ｅｃ）＋Ｅｄｔ（当Ｅ·ｃ＞０或ｃ＝０而Ｅ≠０）及△ｕ＝ｆ（ｅ，ｅｃ）（当Ｅ·ｃ＜０或Ｅ＝０）（其中ｅ为系统误差，ｃ为系统误差变化，ｆ（ｅ，ｅｃ）为模糊控制器输邮，ＫＫＥｄｔ为智能积分输出，△ｕ。为模糊控制器总输出）。然后设计了一个自组织模糊逻辑控制器以实现快速响应和小的超调，在金属镁还原炉上运行后获得较理想的效果。     

自修复飞行控制的数学模型

对于无法使用冗余技术的结构故障及损伤，欲最大可能地保证飞机的飞行安全，最有前景的方法是采用自修复技术。本根据自修复飞机的特点，明确规范了自修复飞机的若干基本假设，提出了自修复飞机控制输入、操纵输入、指令输入、修复输入以及操控因子等特有的新概念，以及它们之间的相互关系，为研究飞机的自修复控制提供了简单可靠的数学模型结构。     

考虑未知扰动的RLV再入鲁棒容错姿态控制

针对复杂再入环境下的可重复使用运载器姿态控制问题,考虑大气的未知干扰、气动参数建模的不确定性以及可能发生的执行器部分失效故障,基于增量反步法和径向基函数（RBF）神经网络设计了姿态角回路和角速度回路的控制器。基于神经网络良好的未知逼近能力,采用RBF神经网络对增量反步法设计过程中的泰勒展开高阶项以及上述未知扰动和故障产生的影响进行逼近估计,并在控制律中进行补偿。经过仿真验证,所设计的控制系统能够在未知扰动影响下有效提高指令的跟踪精度,并且对飞行器的本体特性建模依赖较少,具有良好的鲁棒容错能力。     

基于AR/CGARCH模型的液体火箭发动机自适应阈值故障检测算法

为了解决传统自适应阈值算法对时间序列方差跟踪能力不足,以及故障阶段带宽自动放大的问题,提出了紧广义自回归条件异方差（Compact General Auto-Regressive Conditional Heteroskedasticity,CGARCH）模型。针对液体火箭发动机稳态试车数据的波动性特点,提出一种基于自回归（Auto-Regressive,AR）模型和CGARCH模型的自适应阈值故障检测算法。采用AR模型对稳态参数的均值进行估计,并采用CGARCH模型对稳态参数的方差进行估计,从而利用均值和方差的估计值自适应地构造检测阈值。用某氢氧火箭发动机的热试车数据进行验证,结果表明,该算法能够准确、快速、灵敏地检测液体火箭发动机故障,在正常工作阶段,能够有效跟踪数据波动性,在故障阶段,能够避免阈值变宽带来的漏检。     

基于机器学习的非定常流场网格自适应

现有针对非定常流场数值模拟的网格自适应方法,通常每隔一段时间步就进行一次网格调整,增加了计算复杂度和精度损失。针对这一问题,本文基于间断伽辽金（discontinuity Galerkin, DG）有限元法提出了结合BPNN(backpropagation neural network)和MMPDE(moving mesh partial differential equation)的非定常流场网格自适应方法。该方法首先采用DG有限元法对Navier-Stokes方程进行非定常计算,得到统计意义上的网格间断量;然后以初始网格和间断量训练BPNN回归模型,用于预测任意位置节点的间断量;接着使用MMPDE变分法移动网格节点,使其符合统计意义的间断量分布;最终通过Laplacian网格平滑法保证网格单元质量。圆柱绕流非定常流场算例的验证结果表明,该方法能够在不改变网格拓扑结构和不增加节点数的情况下完成一次性网格自适应,显著提高了非定常流场数值计算的精度和效率。