基于自适应动态逆的自主飞艇速度控制系统设计

针对无人自主飞艇上升或下降的速度控制问题,提出了一种基于神经网络自适应动态 逆控制的飞行速度控制设计方法。基于自主飞艇浮力控制系统的配置状况,建立了飞艇飞行 速度的数学模型。引入速度控制系统的参考模型,并利用神经网络学习功能,获得非线性控 制系统的动态逆;通过引入速度误差的非线性补偿项,自适应补偿整个控制系统由于动态特 性变化引起的误差,克服包括参数摄动与外界扰动在内的各类不确定性因素的影响,实现飞 艇对期望速度的稳定跟踪。最后仿真结果表明,所提出的控制方案对无人自主飞艇的飞行速 度具有良好的控制效果,从而验证了控制系统设计的有效性。     

再入机动飞行器自适应轨迹线性化控制

针对一类多输入多输出模型不确定系统,提出了一种基于广义模糊神经网络的自适应轨迹线性化控制方法(ATLC).针对再入机动飞行器(MRV)进行了控制器设计和分析.MRV气动参数存在较大的不确定,这会导致轨迹线性化控制器(TLC)鲁棒性能下降.利用广义模糊神经网络(G-FNN)在线补偿系统的非线性建模不确定,改善了控制器性能.基于Lyapunov稳定性理论,证明了ATLC闭环控制系统的稳定性.仿真结果表明自适应轨迹线性化控制系统在飞行器气动参数大范围摄动时仍具有鲁棒性和稳定性,验证了所提出的控制策略的有效性.     

基于深度学习特征提取的遥感影像配准

传统的影像配准算法,如尺度不变特征变换(SIFT)、加速稳健特征(SURF)等,对遥感卫星影像配准存在提取特征点少、错误匹配多等缺点。文章使用数据驱动的随机特征选择卷积神经网络(RanSelCNN)方法,对Landsat-8卫星不同时相或同一时相具有重叠度的遥感影像进行配准,卷积层使用随机特征选择,增加特征提取的鲁棒性;训练时使用联合损失函数,同时对特征探测器和特征描述符进行优化,减少特征的错误匹配。结果表明:基于随机选择的深度神经网络的遥感影像配准能提取更多的特征点,有效降低错误匹配率。与传统的人工设计特征相比,该算法能明显提高卫星影像配准的精度。     

基于BP神经网络的航空发动机故障检测技术研究

为了提高航空发动机故障检测正确率,将BP神经网络应用于航空发动机故障检测中。从某航空公司使用的CFM56-7B系列发动机的实际飞行历史数据中选取研究样本,对比了6种训练方法的效果并最终选择弹性BP法对网络加以训练并进行测试。结果表明:该方法对CFM56-7B系列发动机的排气温度指示故障、进口总温指示故障和可调放气活门故障的检测正确率高达83.33%。BP神经网络能够很好地应用于航空发动机的实际故障检测,其学习记忆稳定、网络收敛速度快,具有一定的工程实用价值。     

航空发动机试飞关键参数趋势监控的实现及应用

为了实现航空发动机滑油压力、滑油温度、振动值在试飞中的趋势监控,采用神经网络方法对某型发动机大量试飞数据进行训练和验证,获得了这几个参数全过程较为准确的计算模型。计算模型应用于该型号另1台发动机参数趋势监控中,在应用前,利用有限架次试飞数据修正了这几个参数的计算模型,采用动态链接库形式实现计算模型与原有实时监控系统的协同工作,进行了模型计算结果和试飞结果趋势实时对比监控。结果表明:模型计算结果和试飞结果变化趋势吻合良好,说明了神经网络计算模型的准确性以及在关键参数趋势监控中的工程实用性。     

基于神经网络模型的襟翼主动控制旋翼减振分析

基于径向基函数(Radial basis function,RBF)神经网络构建了一种带后缘襟翼主动控制(Active controlled flap,ACF)的旋翼振动载荷计算模型。采用正交试验方法确立RBF网络训练样本的输入,在CAMRAD II中计算前飞状态下与训练样本对应的旋翼桨毂六力素,并将主通过频率下的分量作为样本输出,对RBF网络进行离线训练。在此基础上采用多周控制器对被控模型进行振动载荷主动控制。随后以2桨叶4m直径ACF旋翼为例,构建了其桨毂减振分析方法,并对桨毂动载荷各分量的减振效果进行了分析。研究表明,采用正交样本训练的RBF网络能够精确映射襟翼偏角与桨毂振动载荷的非线性关系,施加多周控制后,桨毂垂向振动载荷降低接近50%,其他方向的振动载荷也有不同程度的降低。     

一种新的重频特征识别方法

针对雷达脉冲重复间隔类型识别中存在的问题,提出了一种结合神经网络技术的重频识别方法.该方法分别对7种雷达重频模式,提出了新的特征矢量提取方法,并引用神经网络进行识别.实际仿真结果表明该方法是有效的,特别是对重频固定、重频滑变及重频抖动模式在高漏脉冲率的条件下依然具有较高的正确识别率.     

基于动态逆和神经网络的机动弹头姿态控制系统设计

机动弹头是复杂的非线性系统,它给姿态控制系统设计人员以极大的挑战。为了满足飞行稳定性要求,提高系统的适应性和鲁棒性,本文构造了动态逆神经网络姿态控制系统,设计了慢变量和快变量动态逆,引入了在线神经网络进行逆误差的补偿。实例仿真的结果表明:动态逆和在线神经网络的结合,能够实现弹头的稳定飞行。     

一种计算二维图象矩的神经网络方法

提出一种计算二维图象矩的神经网络方法,首先,导出一维信号矩与一维Ｈａｄａｍａｒｄ变换之间的关系。通过２Ｎ－一维Ｈａｄａｍａｒｄ变换和极少量加法,移位及乘法运行可计算二维图象矩。然后给出用Ｔａｎｋ－Ｈｏｐｆｉｅｌｄ神经网络实现Ｈａｄａｍａｒｄ变换的方法,并对该网络作了改进。     

BP神经网络理论在模型修正的应用

神经网络由于其本身具有的优越性,已广泛应用于各个领域中的分类、联想问题。将神经网络理论用于对利用有限元分析方法得到的系统模型进行修正,从计算结果看,该方法收敛速度快且收敛到全局最优解。