混合神经网络和混沌理论的股票价格预测研究

针对股票时间序列的非线性特点,结合混沌理论和神经网络理论,提出了基于混沌理论的股票价格神经网络预测方法。同时利用重构相空间的嵌入维数确定神经网络的结构,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,在股票时间序列预测中有广泛的实用价值。     

基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.      

一种MEMS陀螺标度因数误差补偿方法

高动态、恶劣温度环境下,微小型飞行器(MAV)导航、制导与控制系统关键器件微机电系统(MEMS)陀螺受温度和转速耦合影响,其标度因数误差呈强非线性特点,常规方法无法精确补偿。通过分析MEMS陀螺标度因数误差的产生机理,建立了包含温度和转速非线性因素的标度因数误差模型,提出一种基于径向基(RBF)神经网络的标度因数非线性耦合误差补偿方法,解决了常规补偿方法精度差的问题。标定与补偿实验表明:在-10～+55℃温度范围、-150～+150(°)/s输入转速范围内,采用新方法补偿后MEMS陀螺输出平均精度比多项式拟合方法提高7倍;在-20～+20(°)/s低输入转速的误差强非线性区间内,精度提高近20倍,验证了本文方法的有效性和优越性。     

NF-3风洞神经网络自适应稳风速控制系统研制

介绍西北工业大学NF-3大型低速直流式翼型风洞改进后的稳风速控制系统的结构、控制原理和性能特点。针对低速直流风洞风速控制系统建模困难,易受外界干扰影响,且自身参数时变不确定,控制难度大的特点,新系统采用了多线程、数字式数据采集方式,带死区控制的PSD神经网络自适应控制算法。通过在NF-3风洞三元试验段和二元试验段的实际应用,与正在使用的模糊控制系统相比较,新系统的适应性和鲁棒性更强,调试时间大为缩短,风速控制精度在风速大于10m／s时从国军标的合格指标0．3％提高到先进指标0．1％,稳定时间减少了10％左右,人机交互也更加友好。     

基于改进粒子群算法的串列叶型优化设计

为了提高串列叶型优化设计的质量,设计了一套基于改进粒子群算法的串列叶型自动优化系统。研究了原始粒子群算法,提出了一种粒子群算法的改进方法。结果发现,改进粒子群算法的收敛速度和收敛精度明显优于原始粒子群算法和遗传算法。以50°大弯角串列叶型为研究对象,使用程序对串列叶型参数化。以叶型参数和串列叶型相对位置的参数作为优化变量,结合BP神经网络和改进粒子群算法对串列叶型进行优化设计。优化结果表明,优化后的叶型在设计攻角时的总压损失系数降低了22%,静压比升高了0.6%,在负攻角时,优化后的叶型的流动性能得到了明显改善。适当减小串列叶型前后缘的半径可以减小叶型的损失,合理的缝隙结构可以有效减小前排叶型压力面和后排叶型吸力面附面层的分离损失。     

基于误差预测修正的液体火箭发动机故障预测方法研究

为解决液体火箭发动机故障预测这一难题,提出一种基于误差预测修正的故障预测方法。在历史数据的基础上建立小波过程神经网络故障预测模型,同步计算学习样本的预测误差,根据上述误差建立双并联离散过程神经网络预测模型。预测时,将预测误差值实时补偿到小波过程神经网络预测模型以提高预测精度。通过液体火箭发动机地面试验中的涡轮泵数据对该方法进了验证。结果表明,该方法在预测精度和适应能力上较单一的过程神经网络预测模型有显著提高,进行10步预测时,预测值的标准化均方根误差为0.392,预测平均耗时为76ms,能够用于解决液体火箭发动机故障预测问题。     

煤基喷气燃料代用组分神经网络混合构建方法

为了建立航空燃料的喷雾模型,用于高保真液雾燃烧数值模拟,提出了基于人工神经网络混合模型的煤基喷气燃料代用组分构建方法.基于这一构建方法,重点针对煤基喷气燃料的雾化特性,利用多组分混合燃料的理化性质数据库对神经网络进行训练,获得了混合燃料理化性质隐式预测模型,结合随机投点优化方法,构建出能够很好地模拟煤基喷气燃料目标理化性质的代用组分.结果表明:该代用组分包含了5种碳氢化合物成分,摩尔分数为11.46%正癸烷、23.29%正十二烷、49.87%正十四烷、6.66%异辛烷和8.72%甲基环己烷.通过雾化特性实验,验证了代用组分对真实燃料雾化性能的模拟效果.该代用组分构建方法可以较好地解决混合燃料模拟过程中的非线性问题,通过改变目标理化性质可构建出相应代用组分.      

基于广义回归神经网络的传感器故障检测

为了研究航空发动机试验中精确数学模型未知的多传感器故障诊断问题,采用基于广义回归神经网络(General Regression Neural Network,GRNN)组的故障检测方法,提炼出传感器之间的约束关系和故障规律,构建了一组多输入多输出GRNN,用于估计传感器输出,与测量值生成残差,通过与门限值比较判断可疑传感器,找到神经网络组中的具有最小可疑传感器数的GRNN。采用可疑传感器的估计信号做为重构信号交叉验证其它GRNN。通过验证即可确定可疑传感器为最终故障传感器。为了控制神经网络的回归精度,将多输入多输出神经网络分解为多个多输入单输出网络。通过仿真数据验证了该方法用于传感器故障检测的可行性。     

基于区域的卷积神经网络在空对地车辆检测中的应用

针对传统空对地车辆检测算法在光照变换、场景变化时检测效果不佳的问题,提出了基于区域卷积神经网络Faster RCNN模型的空对地车辆检测方法,介绍了Faster RCNN模型以及模型训练过程.实验结果表明,基于Faster RCNN的空对地车辆检测方法是可行的,对不同光照和场景下的车辆检测可以取得较好的效果.     

基于IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选,降低输入维度;采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化,并对优化的神经网络进行训练;用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法,并且在参选故障诊断的性能参数不同时,其诊断误差相近,展现出较强的适应能力。