基于神经网络的仿真输出数据的分布识别

分布识别在仿真输出数据的分析中有着重要的理论和实际价值，但长期以来一直没有很好解决，在研究和改进神经网络的基础上，提出用多层感知机ＢＰ网格进行分布识别，给出了基于ＮＮ的分布识别模型，并进行了实验检验，实验结果表明本方法识别效率高，并具有很高的可靠性，可以辅助分析者作出准确的判断。     

导弹控制系统设计方法综述

介绍了当前非线性自适应反演控制理论的研究现状和多种导弹控制系统设计方法.最后给出了结论.     

基于长短期记忆神经网络的太阳耀斑短期预报

提出了一个基于长短期记忆神经网络的耀斑预报模型,利用过去24 h太阳活动区的磁场变化时序构建样本,通过长短期记忆神经网络对磁场特征时序演化进行分析,预报未来48 h内是否发生≥M级别耀斑事件。使用的数据集为2010年5月到2017年5月所有活动区样本,选取了SDO/HMI SHARP的10个磁场特征参量。在建模过程中通过XGBoost方法选取权重、增益率和覆盖率均较高的6个特征参量作为输入参数。通过测试对比,模型的虚报率和准确率与传统机器学习模型相近,报准率和临界成功指数分别为0.7483和0.7402,优于传统机器学习模型。模型总体效果优于传统机器学习模型。      

大弯角串列叶型优化设计与数值分析

以50°弯角多圆弧单列叶栅和串列叶栅为研究对象,应用数值模拟手段对所设计的两类叶栅进行数值分析,获取了其不同来流马赫数条件下的性能和流动细节。应用NSGAⅡ遗传算法结合BP神经网络技术,对串列叶栅的五个关键几何参数进行优化设计,验证了优化方法的可行性。研究结果表明:在全攻角范围内,串列叶栅的静压比都高于单列叶栅,负攻角范围内,串列叶栅损失低于单列叶栅;经过优化,串列叶栅在大负攻角下的性能略有降低,同时改善了正攻角性能,在4°攻角、0.8马赫数时静压比提升4.3%,总压损失系数降低42%;优化后串列叶栅在全工况范围内性能都要优于单列叶栅,并且串列叶栅最大压比点和最小损失点攻角均向右漂移2°。     

基于BP神经网络的软件项目成本估测方法

为进一步提高软件项目成本估测的准确度,减少在使用传统估测方法时产生的较大误差,提出了一种基于BP神经网络算法的软件项目成本估测模型。利用BP神经网络对软件项目成本进行估计,采用梯度下降自适应Ir的BP算法训练,仿真结果表明,基于算法的软件项目成本估测值与实际成本的偏差较小。     

基于Bi-IndRNN和PSO的航班延误预测

针对普通循环神经网络在航班延误预测问题上精度不高、调试时间长的问题,提出基于Bi-IndRNN和粒子群的机场短期航班延误预测模型。模型采用Bi-IndRNN结构作为预测模型,使用粒子群算法对模型超参数进行全局寻优,使模型不仅能够处理长序列的数据,还能够高效率地选择合适的参数,使其预测准确度更高。实验在2018年国内某机...     

关于压气机过渡段设计方法的探讨

 为改善压气机过渡段内的流动损失,提高设计过程的快速性和结果的准确性。首先,发展了结合气动评估与优化算法的带支板压气机过渡段的设计方法,并编制了相应程序。针对算法各自的特点将不同的气动评估方法运用到优化方法的不同阶段,求解子午平面的二维方法用于解空间的全局寻优,精确求解三维雷诺平均Navier-Stokes (RANS)方程的方法用于进行局部寻优,这使得设计流程变得快速而不失准确性,并建立了方便进行流通面积控制的过渡段参数化方法。其次,针对一算例开展了设计工作,并分析了损失来源,结果表明过渡段的设计如果不考虑支板的影响将对结果产生重大偏差;对于进出口面积相同的过渡段设计,沿流动方向先增大后减小的面积变化有助于减小过渡段支板后半段的局部快速扩压作用与凹壁面减速作用相互叠加引起的高损失区域,避免大的流动分离;过渡段流通面积扩张度有一个最佳值,其值受支板翼型、进出口面积比等因素共同影响。最后,将本文设计方法得到的过渡段规律同前人所做类似工作得到的结论进行对比,吻合较好,说明本文发展的设计方法是可行的。     

基于PSO-GA优化的TOP-HAT形态学滤波器及其应用

针对机栽红外图像中运动弱小点目标检测的难题,提出了一种基于PSO-GA训练参数的形态学滤波器.以粒子群优化算法(Particle Swarm Optimization,PSO)为主线,按PSO算法中标准的速度和位置更新,遗传算法(Genetic Algorithm,GA)采用新的区间离散化编码和自适应的主次式交叉与变异算子,将遗传算法与粒子群优化算法的自动更新特征结合在一起,通过优化搜索全局空间获得形态学滤波器的最优参数,进而确保优化的形态学滤波器具有良好的滤波性及时效性.通过对低信噪比红外图像(SNR约为2)的测试,检测概率可以达到98％以上,与利用神经网络(Neural Network,NN)训练结构元素后的Top-Hat形态学滤波器相比提高了2％ ～3％.与GA算法相对,训练算法效能提高20％,提高了搜索最佳值的能力.     

基于小脑模型关节控制器的无人机集群快速终端滑模容错控制

针对受执行器故障和外界干扰影响的集群无人机（UAV）协同编队控制问题，提出了一种自适应快速非奇异积分滑模（FNISM）容错控制（FTC）方法。为使集群无人机在执行任务时具有良好的协同跟踪性能，通过对无人机实际飞行情况的分析，考虑了无人机编队飞行时的执行器故障和尾涡扰动等对跟踪性能的不利影响。采用小脑模型关节控制器神经网络（CMANN）来估计并消除外部干扰的影响，同时运用CMANN逼近补偿执行器故障。研究表明：所提出的容错控制方案可以保证无人机编队闭环系统在故障情况下的最终一致有界稳定，并且可以通过减小滑模设计参数提高收敛速度，通过增大虚拟和实际控制器参数提高控制精度。4架无人机的集群编队在该方法、基于径向基神经网络（RBFNN）的鲁棒动态面容错控制、比例微分（PD）滑模容错控制3种方法下的对比仿真结果表明该方法在无人机集群编队出现故障时具有更优异的协同控制性能。