基于深度学习与灰度图的肌电机械手手势识别

为了提高肌电机械手手势识别的精度,首先将肌电信号信息转换为图片,实现更直观、更明显的肌电信息展示,然后使用迁移学习微调Res Net50模型,构建基于肌电信号灰度图的肌电机械手手势识别模型,并使用该模型对三种手势进行识别实验。结果显示,ResNet50模型对基于肌电灰度图的手势识别率高达93%,有效减少了过拟合现象并提高了识别精度。     

基于BP网络模型的电机壳加工工艺参数优化

本文基于BP神经网络优良的逼近拟合特性,将BP神经网络算法引进电机壳体加工工艺过程中,使用BP神经网络模型预测电机壳体拉伸成形质量,结合电机壳体拉伸成形实验以验证BP神经网络模拟的准确性,并结合实验结果优选出电机壳体拉伸成形的最佳工艺参数,并得到最优的毛坯形状尺寸,实验结果表明电机壳体拉深成形效果良好,进一步验证了参数优化结果的可靠性。     

动力涡轮导叶可调的三轴式船用燃气轮机动态实时仿真

鉴于传统的燃气轮机建模方法用于动力涡轮导叶可调的三轴式船用燃气轮机动态实时仿真时具有一定局限性,提出了一种新型的基于径向基函数(Radical basis function,RBF)的神经网络与部件法(Component modeling method,CMM)的复合建模方法 (HMRC)。该方法针对该型燃气轮机的结构和总体性能特点,合理地选取了样本点以减小样本规模。通过神经网络与部件法分别计算燃气发生器与动力涡轮相关参数,采用MATLAB/SIMULINK仿真软件建立实时仿真模型。与传统的部件法建立起来的仿真模型对比,新方法计算结果与部件法吻合度高,误差低于1%,同时模型的实时性得到了大幅提升,计算速度约为部件法的7倍。     

基于深度学习递归神经网络的电离层总电子含量经验预报模型

利用行星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据,首次基于一种能处理时间序列的深度学习递归神经网络（Recurrent Neural Network,RNN）,建立提前24h的单站电离层TEC预报模型.对北京站（40°N,115°E）的预测结果显示,RNN对扰动电离层的预测误差低于反向传播神经网络（Back Propagation Neural Network,BPNN）0.49～1.46TECU,将太阳风参数加入预报因子模型后对电离层正暴预测准确率的提升可达16.8%.RNN对2001和2015年31个强电离层暴预报的均方根误差比BPNN低0.2TECU,将太阳风参数加入RNN模型可使31个事件的平均预报误差降低0.36～0.47TECU.研究结果表明深度递归神经网络比BPNN更适用于电离层TEC的短期预报,且在预报因子中加入太阳风数据对电离层正暴的预报效果有明显改善.      

航空活塞式发动机瞬态空燃比控制仿真研究

针对航空活塞式直喷发动机瞬态空燃比难以精确控制、动态超调大等问题,采用基于改进的粒子群优化算法和Elman神经网络(VPSO-Elman网络)的模型预测控制算法对发动机过渡工况空燃比进行控制。在实验数据的基础上,利用发动机建模软件AMESim建立发动机模型,在MATLAB/Simulink中建立VPSO-Elman空燃比预测模型控制系统,通过联合仿真检验控制系统的性能。结果表明:瞬态工况下,相比于比例-积分-微分（PID）控制,VPSO-Elman网络模型预测控制下的空燃比超调量可以减小约20%,回调时间缩短约75%;针对不同的节气门开度变化速率,VPSO-Elman控制器同样具有良好的控制效果。      

基于神经网络的导弹制导控制一体化反演设计

针对制导控制一体化(IGC)模型中的不确定性难以进行估计补偿的问题,提出了基于神经网络的IGC反演设计方法。首先,根据弹目相对运动关系以及导弹自动驾驶仪模型建立了三维空间中的IGC模型。其次,针对由目标机动引起的模型不确定性,提出应用高阶滑模微分器(SMD)对导弹导引头获得的弹目相对运动信息进行微分,从而估计出目标加速度的方法,然后考虑导弹自身由于参数摄动以及未建模动态引起的模型不确定性,应用SMD和神经网络模型进行在线逼近补偿,基于反演控制理论设计了带有SMD和神经网络模型的IGC算法,应用李雅普诺夫稳定性理论对所设计的控制算法进行了稳定性证明。最后,进行了导弹六自由度仿真,验证了所设计控制算法的有效性。     

拦截弹道快速设计方法

针对传统优化算法在解决多约束条件下拦截弹道设计问题时迭代计算耗时过长的缺点,提出了一种快速拦截弹道设计方法.该方法基于人工神经网络的非线性拟合技术,先通过普通优化算法进行离线样本计算,对样本中目标位置和优化得到的飞行程序参数进行输入-输出映射拟合训练,从而实现在给定目标位置的情况下对最优飞行程序参数的快速计算,达到提高拦截弹道设计效率的目的.经过数值仿真验证,将该方法应用于拦截弹道设计,在保证良好命中精度的同时,设计所需的计算时间大大减少,从而提高了弹道设计的时效性.      

基于Deform软件二次开发和BP神经网络的TA15多向锻造微观组织预报

通过热压缩实验构建了TA15合金的热变形真应力-应变曲线,以此为基础分别建立了合金双相区及单相区温度区间的热变形本构方程;基于热压缩试样动态再结晶的统计数据建立了TA15合金的动态再结晶模型。借助Deform提供的二次开发功能实现相关数学模型的程序化,制定正交实验方案,实现了TA15合金多向锻造变形的微观组织仿真。通过正交实验分析得出各项因子的影响对象及强弱差异,提出了双相区及单相区温度区间内的多向锻造最佳因子组合。建立了TA15合金多向锻造变形微观组织的BP （Back Propagation）神经网络预测模型,将预测结果与有限元仿真结果进行比较,结果表明两种方法的预测结果基本一致,但神经网络具备有限元仿真难以实现的良好细节预测能力,能更为细致地实现对微观组织分布状态的划分。     

利用神经元拓展正则极端学习机预测时间序列

为实现对于时间序列预测数据的准确预测,提出一种神经元拓展正则极端学习机(NERELM,Neuron-Expanding Regularized Extreme Learning Machine),并研究了其在时间序列预测中的应用.NERELM根据结构风险最小化原理权衡经验风险与结构风险,以逐次拓展隐层神经元的方式自动确定最佳的网络结构,以避免传统神经网络训练过程中需人为确定网络结构的弊端.应用于时间序列的仿真结果表明:NERELM可有效实现对于RELM最佳网络结构的自动确定,具有预测精度高与计算速度快的优点.