基于动力学模型的旋翼动平衡故障仿真及诊断

旋翼桨叶质量不平衡造成旋翼动不平衡,从而引起直升机振动。针对旋翼动不平衡故障,建立直升机动力学模型,对桨叶质量不平衡进行故障仿真及分析,建立质量不平衡故障与调整配重的对应关系;进而提出一种 BP神经网络和遗传算法结合的旋翼调整方法,建立输入参数与桨叶配重之间的模型,将四片桨叶的挥舞角和机体横滚、俯仰 2个方向的加速度值及相位作为网络输入,通过学习训练,根据输入数据预测调整配重,从而减小直升机 振动,解决旋翼动不平衡问题。     

计算机视觉与神经网络

人类视觉的研究成果启发了人们对计算机视觉的改进,神经网络技术的发展为机器人视觉建立了实用的基础,使机器人具有相当强的视觉能力。研究一个实用结构,实现视觉神经网的不变性和联系性。     

BP/GA混合算法在简易组合导航系统中的应用

Kalman滤波器是组合导航中最常用的最优滤波工具,但是在组合导航系统中有一些应用的局限性,尤其在低成本的GPS(Global Positioning System)/DRS(Dead Reckoning System)组合导航系统中,存在着使用的GPS接收机和惯导测量元件的精度不够高的问题,要提高系统的测量精度,只能提高算法软件的先进性.为补偿卡尔曼滤波发散的缺陷,将神经网络和遗传算法组成的混合算法与卡尔曼滤波相结合,应用到GPS/DRS组合导航系统中,该算法不仅具有普通神经网络的自主学习能力、好的实时性,还克服了传统算法收敛速度慢、对学习参数敏感、局部有极小点等缺点,同时兼具卡尔曼滤波的最优估计性能.仿真结果验证了这种算法和常规卡尔曼滤波算法相比较具有更高的精度和稳定性,经过对仿真数据进行统计分析,纬度误差的最大值降低了一个数量级.     

基于小波变换和神经网络的脑电信号分类方法

结合小波变换和神经网络对酒精中毒者和正常清醒者的脑电信号进行分类.通过分析脑电数据找出分类特征;采用一维离散小波变换提取含有分类特征的脑电信号频段,并以小波变换分解系数作为信号特征,实现数据序列长度压缩;对应3种刺激方式建立3个相同结构的学习向量量化(LVQ)神经网络,用于对脑电信号的预分类;根据判决规则得到最终分类结果.对真实脑电数据的分类正确率达到89%.     

非线性系统的结构选择及其参数的集员辨识

基于支持向量回归和RBF(Radial Basis Function)神经网络,研究了带有未知但有界噪声的非线性系统的集员辨识问题.推导了噪声界以及支持向量个数与ε-不敏感参数之间的关系,给出了利用噪声界选择ε-不敏感参数的方法.描述了通过支持向量回归选择RBF神经网络规模的方法.该方法以Gaussian核函数作为径向基函数,支持向量作为径向基函数的中心构建RBF神经网络.运用改进的OBE(Optimal Bounding Ellipsoid)算法对RBF神经网络的权值进行辨识,得到与给定输入输出数据和噪声界序列一致的一类RBF神经网络.仿真算例验证了算法的有效性.     

真实感DVE时空一致性技术

传统的一致性解决方案大多将重点放在构建完全一致性模型,缺少对虚拟环境本身运动规律的分析.从认知虚拟环境客观规律出发,提出基于真实感的一致性模型,遵从以人为本的原则,构建描述分布式虚拟环境下时空一致的数学模型,判断虚拟环境下的节点是否达到时空一致,并加以验证.在充分利用一致性模型的基础上通过单向数据传输减少时间扭曲后的回滚节点数目,增强用户沉浸感;利用时延神经网络对大于传输延迟上限的节点状态进行预测;完成节点的状态修复,从而保证时空同步一致.经过独立实验测试,验证了模型的有效性以及解决方法的可行性.     

利用BP神经网络预测AE指数

采用的预报模式是一种全连接的BP网络模型,利用太阳风及行星际磁场的观测数据预报AE指数.神经网络输入选用ACE卫星数据,取5 min平均值,通过比较,选用4个预报参量.构造了预报参量时续为20 min,40 min和60 min依次递增的三个网络,分别进行训练和预测,并对行星际参量对AE指数影响的时续性进行了探讨.预报结果表明,全连接BP神经网络在AE指数的短期预报中是比较有效的,同时还提出了需要进一步改进的环节.     

舵面电动加载系统的自适应CMAC复合控制

针对无人机舵面电动加载系统具有非线性及多余力矩的特点,提出了一种自适应CMAC(Cerebellar Model Articulation Controller)神经网络与自适应神经元控制器并联构成复合控制结构.该控制策略以系统的指令输入和实际输出作为CMAC的激励信号,以系统的当前控制误差作为CMAC的训练信号.提出了利用误差在线自适应调整学习率的方法,消除了常规前馈型CMAC的过学习和不稳定现象.建立了无人机舵面电动加载系统的数学模型,给出了具体的控制结构和算法.仿真结果表明:该方法有效抑制了加载系统的多余力矩,增强了系统的稳定性,明显改善了舵面电动加载系统的动态性能.     

太阳光球磁场特征物理量在质子事件短期预报中的应用

利用SOHO/MDI全日面纵向磁图, 计算了三个描述太阳活动区磁场复杂性和非势性的特征物理量, 即纵向磁场最大水平梯度Bz, 强梯度中性线长度L, 孤立奇点数目η. 为检验太阳光球磁场特征在质子事件短期预报中是否有效, 采用BP神经网络方法, 建立了基于这三个磁场特征物理量简单的太阳质子事件短期(24h)预报模型. 模 型在对2002年和2003年连续两年的样本检测中, 有很高的准确率(2002年和2003年 分别为90 %, 87.54 %)和较高的 质子事件报准率(2002年和2003年分别为60 %, 75 %),从而为光球磁场特征物理量作为质子事件预报的有效因子提供了依据.     

集合卡尔曼滤波在电离层短期预报中的应用

提出了一种利用集合卡尔曼滤波对电离层f0F2短期预报结果进行优化的方法. 利用训练好的神经网络对f0F2进行提前1~24 h的预报, 考虑前一天预报误差的反馈信息, 动态跟踪 f0F2的变化趋势, 引入集合卡尔曼滤波对神经网络的预报结果实行进一步修正和优化. 实验结果表明, 此方法的预报效果优于单纯的神经网络模型和IRI模型. 此方法还可以应用于其他电离层参量的短期预报.