Regression model for civil aero-engine gas path parameter deviation based on deep domain-adaptation with Res-BP neural network

The variations in gas path parameter deviations can fully reflect the healthy state of aero-engine gas path components and units; therefore, airlines usually take them as key parameters for monitoring the aero-engine gas path performance state and conducting fault diagnosis. In the past, the airlines could not obtain deviations autonomously. At present, a data-driven method based on an aero-engine dataset with a large sample size can be utilized to obtain the deviations. However, it is still difficult to utilize aero-engine datasets with small sample sizes to establish regression models for deviations based on deep neural networks. To obtain monitoring autonomy of each aero-engine model, it is crucial to transfer and reuse the relevant knowledge of deviation modelling learned from different aero-engine models. This paper adopts the Residual-Back Propagation Neural Network (Res-BPNN) to deeply extract high-level features and stacks multi-layer Multi-Kernel Maximum Mean Discrepancy (MK-MMD) adaptation layers to map the extracted high-level features to the Reproduce Kernel Hilbert Space (RKHS) for discrepancy measurement. To further reduce the distribution discrepancy of each aero-engine model, the method of maximizing domain-confusion loss based on an adversarial mechanism is introduced to make the features learned from different domains as close as possible, and then the learned features can be confused. Through the above methods, domain-invariant features can be extracted, and the optimal adaptation effect can be achieved. Finally, the effectiveness of the proposed method is verified by using cruise data from different civil aero-engine models and compared with other transfer learning algorithms.     

人工智能气动特性预测技术在火箭子级落区控制项目的应用

发展了一种基于人工智能算法的气动特性预测技术,在开展部分工况风洞试验基础上,结合少量数值仿真结果,通过机器学习模型预测全部工况气动特性.该方法能够降低研制成本,缩短周期.先后解决了相关函数选择、模型超参数训练、数据检验和"人在回路"应用等关键算法与技术问题,应用于运载火箭子级栅格舵落区控制项目气动研制,获得了设计所需完...     

弹道导弹显式制导的分析与研究

弹道导弹的制导方法是影响弹道导弹命中精度的关键因素。本文对此进行了深入研究。文章首先分析了影响制导精度和速度的原因。在此基础上，提出了一种基于神经网络的显式制导方法，这种方法利用神经网络进行弹道约束函数的解算，利用微分控制算法进行控制量求解，具有较好的应用价值，文中算例验证了算法的有效性。     

机器人避碰规划综述

避碰规划是机器人控制技术研究中的一个重要问题,目前的研究主要可分为两大类:全局方法和局部方法,全局方法一般指Ｃ空间方法,局部方法一般指人工势场法。本文综述了近二十年有关这方面研究的一些较有影响的思想和方法(主要针对关节式机械臂避碰规划)。     

硝胺固体推进剂燃烧性能计算的神经网络方法

传统的燃烧模型致力于对固体推进剂燃烧的物理化学过程的数学描述，其发展往往受到对推进剂燃烧机理认识程度的限制，本文利用误差反转（ＢＰ）神经网络建模的方法建立了硝胺固体推进剂燃烧性能及其影响因素（硝胺含量、压强、硝胺重均粒径）的定量关系，而不考虑燃烧的具体过程，根据此定量关系对硝胺固体推进剂燃烧性能的计算表明，计算结果和实验值吻合得较好，这为推进剂配方的计算机辅助设计提供了一种新方法。     

复合材料设计的回顾与展望

复合材料设计是复合材料研制过程中必须首先解决的问题，复合材料设计由定性化向定量化方向发展是其必然趋势。复合材料力学、材料设计专家系统和智能化设计系统应用于复合材料设计方面已取得巨大的进展，并推动复合材料科学与技术的发展。     

基于RBF神经网络的导弹鲁棒动态逆控制

讨论了一种基于神经网络的导弹鲁棒动态逆控制方法。导弹的基本控制律采用动态逆方设计,针对存在动态逆误差的慢回路设计神经网络鲁棒逆控制器。用RBF神经网络逼近导弹慢模态数学模型,并把逼近误差引入到网络权值的调节律以改善系统的动态性能;鲁棒控制器用于减弱模型不确定性及神经网络的逼近误差对跟踪精度的影响。所设计的控制器不仅保证了闭环系统的稳定性,而且使模型不确定性及神经网络的逼近误差对跟踪精度的影响减小到给定的性能指标。最后通过仿真分析,验证了该方法的有效性。
     

基于克隆选择算法的学习型Petri网及在潜在通路分析中的应用

传统学习型Petri网(LPN)有2个缺陷:1)都是针对无回路PN模型,这不符合实际情况;2)大部分都是利用BP算法进行学习,带来BP算法固有的缺陷.针对这2个缺陷,提出基于克隆选择算法(CSA)的LPN(CSALPN).首先对系统进行PN建模,然后利用CSA训练PN,使得PN既可以学习先验知识又可以利用系统的结构信息...     

广义回归神经网络在MC-CDMA空频多用户检测中的应用

简要分析介绍反传神经网络、径向基神经网络与广义回归神经网络。广义回归神经网络与传统的基于反传算法的神经网络相比,具有收敛速度快,鲁棒性强等优点。将广义回归神经网络技术援引到MC-CDMA系统的空频多用户检测中,进行收敛性和误码率的仿真计算。仿真结果表明,广义回归算法比反传算法收敛速度快,广义回归神经网络空频多用户检测的误码率比单天线多用户检测的低。     

无线传感器网络空中目标跟踪任务分配技术的研究

以无线传感器网络对空中飞行目标跟踪为背景，针对无线传感器网络协同技术中的任务分配问题，以降低传感器节点之间的通信能量消耗为目的，提出了一种基于弹性神经网络的任务分配算法。首先对多动态联盟多目标跟踪问题进行建模，然后依据最小能量准则，采用一种非全连接的环形结构的弹性神经网络模型，解决了多目标跟踪时的任务优化分配问题以及多个动态联盟对传感器资源竞争冲突时系统能耗增加的问题。仿真结果表明，该算法与传统的方法相比，大大降低了跟踪系统的能量消耗。