模型跟踪和涡流控制在飞翼布局飞机上的应用

为增加小展弦比飞翼类布局飞机的操纵特性,并满足其对隐身性能的要求,将模型跟踪控制器和涡流控制器进行综合使用.模型跟踪是一种提高系统闭环响应并跟踪驾驶员指令的方法,通过此方法可使动态特性较差的飞机对动态特性较好的飞机输出进行跟踪,由此来改善飞机的动态特性.增加涡流控制可以进一步扩展模型跟踪控制的作用效果,涡流控制器使用变步长神经网络进行训练.结果表明,两种方法的综合使用可以有效地提高飞机的动态特性,通过增加涡流控制后,进一步增加了模型跟踪控制的作用效果.     

神经网络辅助卡尔曼滤波技术在雷达目标跟踪中的应用研究

提出了一种应用神经网络对卡尔曼滤波结果进行校正的机动目标跟踪方法,用BP神经网络修正目标机动运动时的卡尔曼滤波误差,并用matlab仿真单目标机动飞行时的滤波效果,通过与卡尔曼滤波精度和滤波稳定度的比较说明该算法比传统卡尔曼滤波算法在跟踪机动目标方面效果要好。     

BP神经网络在结构边界参数识别中的应用

针对建立发动机动力学模型过程中,试车台机架结构边界环境的不确定状况,对神经网络在边界刚度识别中的应用进行了研究。以结构模态频率为网络输入,边界X、Y、Z方向的刚度为输出,通过一种增加训练样本的方法大大提高了网络的映射性能,最终的识别结果达到了预期目标,满足工程需要。     

BP神经网络训练中的实际问题研究

研究了BP神经网络的结构以及学习算法,根据实验经验总结出了在神经网络的训练过程中需要注意的一些实际问题,对BP神经网络的应用有实际的指导意义。最后分析了BP神经网络的局限性并简要介绍了改进的一些方法,给神经网络的研究提供了一定的参考价值。     

基于神经网络的直升机可靠性预计

本文基于人工神经网络技术,利用现有军用直升机与可靠性相关因素的评分值和它们的可靠性参数值(MTBF),建立基于神经网络的军用直升机可靠性预计模型。经过检验表明,这种基于神经网络技术的可靠性预计方法为新机研制提供了一种有效可行的可靠性预计方法。     

基于CNN和LSTM的航天用涂层型自润滑关节轴承寿命预测及可靠性评估

为探索适用于涂层型自润滑关节轴承的寿命预测和可靠性评估方法,提出一种基于卷积神经网络（CNN）和长短期记忆（LSTM）神经网络的轴承剩余寿命预测模型。首先利用CNN对关节轴承的摩擦扭矩信号进行失效特征提取,然后将通过主成分分析（PCA）和滤波处理后的扭矩信号输入LSTM神经网络中进行训练,得到涂层型自润滑关节轴承寿命预测模型,可实现对轴承剩余寿命的准确预测。最后,基于加速寿命试验数据,采用两参数Weibull分布模型对涂层型自润滑关节轴承的服役可靠性进行评估,结果表明涂层型自润滑关节轴承在轻载低频工况下能够维持在高可靠性水平（90%）下进行长时间稳定服役。     

一种基于FPGA的深度神经网络硬件加速器系统

深度神经网络目标检测算法计算复杂度高、模型复杂,对硬件平台的算力有很高需求,针对以上问题,设计了一种基于现场可编程门阵列(field programmable gate array, FPGA)芯片的硬件专用加速器.通过软硬件协同方法,设计具有高并行度及深度流水的片上架构,并使用模型量化、结构优化等方法对神经网络模型进行优化.在所设计的加速器系统中进行神经网络目标检测算法的部署,实现了高数据吞吐率、低功率消耗的FPGA神经网络计算,且模型精度损失低于1.2%,为在低能耗嵌入式平台上部署深度神经网络目标检测算法提供了有效解决方案,可广泛应用于机载、星载智能计算设备.     

基于LSTM神经网络的机载光纤陀螺温度冲击误差补偿技术

环境温度冲击会降低机载光纤陀螺的性能,从而影响飞行器导航和姿态控制精度。在光纤陀螺误差机理研究基础上,本文提出一种基于长短期记忆（LSTM）神经网络的光纤陀螺温度误差补偿模型。该模型通过LSTM网络对光纤陀螺的零偏和标度因数进行实时预测和校正,提高光纤陀螺的测量精度。试验结果表明,在温度冲击下,LSTM预测模型补偿后的标度因数误差小于30ppm,零偏稳定性比常规的线性拟合补偿模型提高0.0034（°）/h。这意味着输出更准确地反映实际角速度值,陀螺仪的零偏漂移更小,输出更接近于零值。动态试验中转台输入为20（°）/s时,LSTM补偿后陀螺输出稳定在19.999～20.001（°）/s区间内,相较于陀螺原始输出误差降低0.008（°）/s。通过LSTM预测模型补偿,能够在环境变化、外部扰动或传感器故障时,通过陀螺仪提供更可靠的数据支持,维持飞行器的稳定性和安全性。     

航天器非平稳振动环境TVAR时频分析(英文)

Predicting the time-varying auto-spectral density of a spacecraft in high-altitude orbits requires an accurate model for the non-stationary random vibration signals with densely spaced modal frequency. The traditional time-varying algorithm limits prediction accuracy, thus affecting a number of operational decisions. To solve this problem, a time-varying auto regressive （TVAR） model based on the process neural network （PNN） and the empirical mode decomposition （EMD） is proposed. The time-varying system is tracked on-line by establishing a time-varying parameter model, and then the relevant parameter spectrum is obtained. Firstly, the EMD method is utilized to decompose the signal into several intrinsic mode functions （IMFs）. Then for each IMF, the PNN is established and the time-varying auto-spectral density is obtained. Finally, the time-frequency distribution of the signals can be reconstructed by linear superposition. The simulation and the analytical results from an example demonstrate that this approach possesses simplicity, effectiveness, and feasibility, as well as higher frequency resolution.     

基于知识重用的固体火箭发动机结构形式选择

以探索知识重用在固体火箭发动机设计中的应用为目的,引入知识工程及模糊数学的思想,将一般模糊极小极大神经网络用于完成固体发动机设计过程中结构形式选择,实现了固体发动机结构形式选择的自动化及量化描述。首先给出了基于知识重用的固体发动机结构形式选择模型描述;然后建立了固体发动机结构选项一般模糊极小极大神经网络;最后以具体型号总体设计为例,完成结构形式选择,得到了包含实际结果的多个可行方案。该方法提高了设计过程自动化水平,且可提供多个不同的结构选择可行方案供设计人员参考。