基于BP人工神经网络的离心压气机叶轮多目标优化设计方法

利用Concept NREC软件建立离心压气机叶轮设计样本库,借助BP（back propagation）人工神经网络建立样本库中各设计参数与压气机性能之间的关系,接下来以多目标遗传算法寻找Pareto解,从而获得离心压气机叶轮最佳设计参数.将该方法应用于Krain叶轮设计工况,所得叶轮的效率、压比较Krain叶轮原型分别提高1.4%和10.9%.通过对人工神经网络模型可靠性的讨论、多目标优化模型的主成分分析和所设计叶轮性能的CFD验证,证明了所构建的目标函数与所获得的Pareto解集的合理性,说明本方法可以有效应用于在离心压气机设计、选型.      

Optimization of beamforming and path planning for UAV-assisted wireless relay networks

Recently, unmanned aerial vehicles （UAVs） acting as relay platforms have attracted considerable attention due to the advantages of extending coverage and improving connectivity for long-range communications. Specifically, in the scenario where the access point （AP） is mobile, a UAV needs to find an efficient path to guarantee the connectivity of the relay link. Motivated by this fact, this paper proposes an optimal design for beamforming （BF） and UAV path planning. First of all, we study a dual-hop amplify-and-forward （AF） wireless relay network, in which a UAV is used as relay between a mobile AP and a fixed base station （BS）. In the network, both of the AP and the BS are equipped with multiple antennas, whereas the UAV has a single antenna. Then, we obtain the output signal~to-noise ratio （SNR） of the dual-hop relay network. Based on the criterion of maximizing the output SNR, we develop an optimal design to obtain the solution of the optimal BF weight vector and the UAV heading angle. Next, we derive the closed-form outage probability （OP） expression to investigate the performance of the dual-hop relay network conveniently. Finally, computer simulations show that the proposed approach can obtain nearly optimal flying path and OP performance, indicating the effectiveness of the proposed algorithm. Furthermore, we find that increasing the antenna number at the BS or the maximal heading angle can significantly improve the performance of the considered relay network.     

基于一致性融合和神经网络的航空发动机气路系统故障诊断方法

以信息融合为基础,运用GRNN神经网络对航空发动机气路系统进行故障诊断,提出了一种基于一致性融合和神经网络相结合的故障诊断方法。试验结果表明,该方法能快速识别航空发动机气路系统故障,并且对其他机械设备的故障诊断具有一定的参考价值。     

综合模块化航电系统FC网络的机内测试设计

针对综合模块化航电系统FC网络单元分布范围广、故障定位困难、维修效率低的问题,设计了一种机内自测试方法.在网络构建时间和通信效率的约束条件下,通过网络构建和故障检测同步进行的机制实现快速的任务前故障检测,通过实时监测和故障触发相结合实现低开销的任务中故障检测.在网络故障发生后,通过网络遍历和通信自环绕测试将故障有效地隔离至单个模块,提高检测和维修的效率.     

应用BP-ART混合神经网络的推进系统状态监控实时系统

应用ＢＰ－ＡＲＴ混合神经网络提出了一种供推进系统状态监控实时使用的系统,其拓扑结构为： 第一层处理单元由ＢＰ神经网络组成, 每个ＢＰ网络代表一个相应的推进系统组件; 第二层处理单元为一个ＡＲＴ神经网络, 网络的每一个输出代表推进系统的一种“健康状态”, 据此可对其故障进行“诊断”。该混合结构充分发挥了两类网络的优点, 给出的具体应用实例也显示出在推进系统实时状态监控与故障诊断应用中的有效性     

基于神经网络的翼型积冰预测

采用神经网络方法对翼型表面的积冰进行了预测研究.建立了一种型面曲线坐标系,通过坐标变换将积冰外形转化为几何曲线.利用傅立叶级数对此曲线进行拟合,实现积冰外形的参数化.以结冰条件作为输人,冰形参数作为输出构建神经网络,对NACA 0012翼型表面的积冰进行预测.通过将预测结果与实验结果以及数值模拟结果进行对比,说明所提出...     

神经网络在高空长航时无人机翼型多点优化中的应用

NSGAII算法在翼型多点设计中有着广泛的应用价值,然而其巨大的计算资源和计算成本限制了它的使用。为了解决这个问题,本文引入具有较强非线性映射能力的神经网络代理模型,采用实验设计结合BP法训练神经网络响应面来代替N-S方程求解翼型的性能。在实验点的数值模拟中,为了进一步节省计算资源,提高计算效率,采用网格的变形代替网格的重新划分,使得计算网格的更新速度提高了约50%。在翼型的参数化过程中,采用改进的PARSEC方法,用较少的参数实现了翼型的精确控制。为了增强神经网络的泛化能力,采用12-7-4-3-1的隐层结构。对NLF1015翼型的多点优化算例表明,此方法不仅显著降低了整个优化过程的计算量,而且对翼型的气动性能预测也具有较高的可信度,在高空长航时无人机的翼型设计中具有一定的潜力。     

认知协作Ad Hoc网络中分布路由跨层控制策略

认知无线电Ad Hoc网络中,吞吐量最大化是一个关键的挑战.为了实现这一目标,协同传输是前景看好的技术,利用在每个空间节点的多样性中继链路以增加性能,特别是在无线环境中由于不同的信道质量、有限的能源和带宽资源,这种想法是有吸引力的.文章在分布式动态环境下,研究了联合动态路由.中继分配和频谱分配分布式和本地算法,提出了一...     

高超声速飞行器自适应神经网络容错控制

针对高超声速飞行器巡航段执行器控制效益损失故障和卡死故障问题,基于高超声速飞行器纵向运动模型,将自适应算法与改进的径向基函数神经网络(RBFNN)方法相结合,设计了一种自适应神经网络容错控制器。所提出的容错控制方法具有无需估计执行器故障值的优点,且设计的控制算法结构简单,无需大量实时计算,可以快速处理故障的发生,确保系统在参数不确定、恒定或时变执行器故障与卡死故障情况下仍具有稳定跟踪能力。最后,仿真验证了该方法的有效性。     

基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法,通过对翼型几何特征提取、压力分布曲线的参数化,建立了卷积神经网络模型（CNN）,并利用计算流体力学（CFD）的计算结果作为其训练样本,实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98,基于深度学习的计算方法耗时1.7 s,CFD方法耗时大于50 s,计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。