基于改进PCNN的轴尖表面缺陷检测

脉冲耦合神经网络(PCNN,Pulse Coupled Neural Network)与传统神经网络不同,不经过训练即可用于图像处理.针对PCNN模型中结构参数较多,且需要人工反复试验进行设置的困难,改进模型结构,简化了馈送输入和连接输入,减少了待定参数;根据邻域灰度动态地计算内部连接系数,由邻域的欧氏距离计算权值矩阵,再由图像的灰度特征计算动态阈值.将改进的PCNN用于陀螺轴尖表面缺陷图像的分割,用基于完整性与正确性指标的缓冲区匹配方法评价所提方法、最大熵法及Canny方法.针对不同缺陷图像的实验表明:所提算法的完整性与正确性都高于0.9,证明所提方法更有效.     

神经网络在飞翼布局飞机主动涡流控制中的应用

以小展弦比飞翼布局飞机为研究对象,其本体的优化增稳控制器由3个气动舵面(连续控制面)构成.为增加操纵能力,基于神经网络设计了主动涡流(bang-bang型控制面)优化控制器.为加快网络的训练速度和收敛精度,采用三层反馈神经网络,通过改变每层网络权重和隐层神经元单元个数对网络进行优化.最后给出了增加主动涡流控制器的飞机闭环系统的响应结果.与仅采用气动舵面闭环响应结果的对比仿真表明,增加主动涡流控制器后闭环系统可获得更好的响应特性,系统达到稳态的时间和所需气动舵面的控制量均明显减小.      

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

高超声速巡航导弹的神经网络虚拟目标微分对策中制导律

针对高超声速巡航导弹的高空巡航飞行段,采用虚拟目标的定义方法,结合微分几何知识以及运动学方程建立了导弹与目标的相对运动模型,并在此基础上视其与虚拟目标之间的运动为单目标微分对策问题。利用哈密尔顿函数求解方法推导了开环微分对策中制导律,同时建立了一种新的闭环微分对策中制导律结构图,并对反向传播神经网络的训练样本进行了设计。通过反向传播神经网络的函数逼近功能实现了高超声速巡航导弹微分对策中制导律的智能化。仿真验证表明了其有效性。     

各向异性层合阻尼结构的BP集成神经网络模型设计

本文以各向异性层合阻尼结构为研究对象,设计一种基于BP集成神经网络的智能分析模型。该模型中的集成神经网络由两个子系统神经网络并联融合而成,学习算法主要采用Sigmoid函数。同时,该模型设计针对各向异性层合阻尼结构参数的扰动性问题综合采用结构模式归类、学习算法的改进、小波分析方法予以处理。计算结果表明:该BP集成神经网络模型,较好地解决了各向异性层合阻尼结构参数的扰动性问题,并能有效量化结构参数的变化影响。     

基于深度学习的小目标检测研究进展

随着深度学习方法的快速发展,目标检测作为计算机视觉领域中最基本、最具有挑战性的任务之一,已取得了令人瞩目的进展。现有的算法大多针对于具有一定尺寸或比例的大中型目标,但由于待测目标尺寸小、特征弱等原因,对小目标的检测性能还远远不能令人满意。小目标检测（SOT）作为一种广泛应用于室外远程拍摄和航空遥感场景的技术,近年来受到了广泛的关注,各种方法层出不穷,但是目前对该问题的全面综述较少。从问题定义、算法分析、应用介绍、方向展望等方面对基于深度学习的小目标检测研究进展进行了综述。首先,给出了小目标检测问题的定义,阐述了其技术难点及在实际应用中面临的挑战;接着,从8个不同角度分析了检测器对小目标检测精度较低的主要原因及相应的改进方法,详细归纳总结了小目标检测在各技术方面的研究工作;然后介绍了几个特定场景下小目标检测算法的典型应用;最后,对小目标检测未来的发展趋势进行展望,提出可行的研究方向,期望为该领域的研究工作提供可借鉴和参考的思路。     

一种柔性机器人的神经网络控制方法

提出了一种末杆为柔性杆的机器人的新型神经网络控制方法.它将末杆为柔性杆的机器人分解成刚性前端和柔性末端两部分,使用传统的机器人控制方法控制刚性前端,采用神经网络辩识柔性末端部分的逆模型,将末端的期望轨迹实时分解成末关节转角及末关节轴位姿的期望轨迹再分别进行控制.这一方法将传统的基于模型的控制方法和神经网络方法有机结合在一起.通过对平面3杆柔性机器人的数值仿真,初步验证了这一方法的有效性和良好效果.     

基于模糊神经网络的导弹最优寻的末制导律

提出了一种适用于一类末制导段采用推力矢量控制的新型导弹的模糊神经网络最优寻的末制导律.在制导律设计时不仅要求导弹能量最省,脱靶量最小,同时考虑了推力矢量控制的非线性特点,并且为改善该神经网络系统的学习效果,在学习算法中还引入模糊学习规则.数字仿真表明所提出的模糊神经网络制导律对于机动目标具有较好的攻击能力.     

基于优化BP神经网络的开关磁阻电机定子电阻辨识方法

为解决直接转矩控制下的开关磁阻电机低速运行时磁链计算受电阻变化影响比较大的问题,详细观察分析了电阻对于相电流的影响,通过比对电阻可调的电机模型与实际的电机模型的输出电流,提出了一种基于优化BP神经网络的电阻辨识器。优化BP网络数学理论,结构简单,学习算法清晰明白,基于该网络的算法能够对变化的定子电阻进行辨识。将该方法置于Simulink控制系统上进行仿真,同时比较有无电阻辨识器前后仿真波形。试验表明,该电阻辨识方法可以提高开关磁阻电机低速运行时系统性能。     

基于遗传神经网络的高能固体推进剂高压燃烧性能计算

建立并利用遗传(GA-BP)神经网络对NEPE类高能固体推进剂高压燃烧性能进行了模拟计算。针对计算需求,对NEPE类高能固体推进剂配方进行了全新表征,提出了13个表征参数。燃速预示结果表明,该方法计算误差小于10%,精度较高,能指导高能固体推进剂高压燃烧性能研究及配方设计;同时,也说明该表征方法能反映出此类配方的本质特征。该研究为高能固体推进剂燃速预估提供了新方法。