基于PSO-RBF的飞机燃油系统故障诊断

把粒子群算法(PSO)优化的径向基神经网络(RBF)应用于飞机燃油系统故障诊断中.并与RBF和BP神经网络进行故障诊断性能比较.结果表明PSO-RBF神经网络在燃油系统故障诊断中有更高的诊断精度和效率.     

一类变系数混合时滞细胞神经网络周期解的存在性和全局指数稳定性

应用Mawhin连续性定理和不等式方法,给出了一类变系数混合时滞细胞神经网络周期解存在和指数稳定的充分条件。该结论对神经网络的设计具有重要的参考价值。     

神经网络BP算法在滑油系统故障诊断中的应用

通过介绍神经网络反向传播算法(BP)的原理,研究BP算法在航空发动机滑油系统故障诊断方面的应用。BP算法因其高度的非线性、模拟的并行性、高度容错性、系统健壮性、自联想、自学习和自适应等许多特点,在航空发动机滑油系统调试和系统的监测及诊断中发挥较大的作用。     

基于动态结构自适应神经网络的非线性鲁棒跟踪控制

针对非线性系统,提出一种将H∞鲁棒跟踪控制器与动态结构自适应神经网络相结合的组合控制方法.文中首先将系统线性化,设计H∞鲁棒跟踪控制器;然后针对系统中仍然存在的高阶非线性和未知不确定性,引入一种动态结构自适应神经网络,以对消非线性和不确定性的影响.这种自适应神经网络的隐层神经元随着跟踪误差的增大而在线增加,使得神经网络能以较少的神经元获得最佳的逼近效果,加快神经网络的运算速度,提高整个系统的动态性能.最后用飞行跟踪控制系统的示例证明本文方法是有效的.     

无线传感网络中神经网络路由算法

针对大规模传感网络的特点,提出了一种新的神经网络的路由优化算法。该算法在满足时延约束条件下能快速选择出最小能耗的优化路由。同时文中给出能量函数各参数之间的关系,并证明了通过适当选取参数,可保证网络的可行解将是渐进稳定的。计算实例表明了该算法的可行性。最后通过不同规模的网络仿真,显示该算法可有效地用于大规模无线传感网络。     

基于神经网络的非线性自适应输出反馈控制

针对能够采用仿射非线性表示的含有未建模动态的SISO非线性系统，讨论了一种基于神经网络的自适应控制方法，该方法对受控对象的已知部分，有用反馈线性化方法设计控制器，用神经网络在线补偿未建模动态及外部干扰等引起的误差，从而实现自适应控制。对具有未建模动态的双车倒立摆设计了输出反馈自适应控制系统，仿真表明该方法是有效的。     

基于神经网络非线性时滞系统的鲁棒可靠控制器设计

将一类非线性时滞控制系统中的非线性部分，用一个单隐层神经网络来近似代替，采用线性微分包含（LDI-linear differential inclusion）的方法来线性化该非线性环节，对于线性化所产生的近似误差、时滞和执行机构故障作为系统的一部分设计可靠鲁棒控制器，相关的定理也一并给出。高阶微分和偏微分方程一般是用来解决这类非线性系统的主要方法，文章中提出的可靠鲁棒控制器设计方法克服了以上这些方法求解困难的缺点，仿真示例用设计好的可靠鲁棒控制器与常规极点配置法进行了比较，从而表明了这种方法的有效性。     

神经网络在风洞流场马赫数辨识中的应用研究

风洞流场的多维性、复杂性以及马赫数的不可直接测量、马赫数控制一直是风洞控制的难点和重点。笔者在研究FL26Y风洞流场特性的基础上,应用神经网络技术,研究马赫数在线辨识问题,为高精度风洞流场马赫数控制提供技术支持。首先介绍神经网络马赫数辨识原理,然后介绍神经网络拓扑结构的设计,并构造神经网络的马赫数辨识模型(NNI)。最后通过软件实现及仿真研究动态数据优化、软件滤波以及动量系数对网络学习性能的影响,进一步验证神经网络辨识器在实时性、自适应性、以及辨识精度等方面的优越性。     

基于径向基神经网络的有限元模型修正研究

设计参数型有限元模型修正属于结构动力学反问题，其理论基础是将结构的特征量视为设计参数的函数。然后依据特征量对设计参数的一阶导数信息进行迭代求解。本文提出了一种基于径向基神经网络的有限元模型修正方法，把模型修正归结为正问题进行研究。首先将特征量视为自变量．设计参数视为因变量，以径向基神经网络逼近两者之间的非线性映射关系，然后利用神经网络的泛化特性直接求解设计参数的目标值。不但无需迭代求解，而且避开了反问题所面临的复杂的非线性优化计算。GARTEUR飞机模型仿真研究的结果表明．修正后设计参数误差在2％以内，模态频率误差在1％以内。     

基于模糊神经网络的升温超塑性成形工艺参数优化

为了解决恒温超塑性成形工艺效率低的问题，本文提出了一种升温超塑性成形的新工艺方法，并用模糊神经网络对升温超塑性胀形成形的工艺参数进行优化，得出了优化后的TC4钛合金升温超塑性胀形成形工艺的加载曲线，利用优化后的成形工艺参数进行了某航空器用TC4钛合金薄板盒形件的升温超塑性胀形成形试验。试验结果表明：与恒温超塑性成形相比，此工艺可以显著地缩短成形时间，在本文试验条件下每个零件可以缩短成形时间10min，并可改善材料的成形性，获得厚度分布均匀（厚度分布不均匀率〈8％）的成形零件。基于模糊神经网络方法进行成形工艺参数优化的升温超塑性成形方法可在实际生产中应用。