基于人工神经网络的静子叶片优化设计

采用NURBS参数化构型技术以及人工神经网络技术,对某两级风扇的第二级静子根部叶型进行优化改型。优化后,非设计点处该静子根部至中部流动得到较大改善,总压恢复系数有一定的提高。风扇总压比有较大增加,绝热效率基本不变。优化结果表明,该方法能够对静子叶片进行较好的优化改善,能够提高优化效率,减少优化时间,具有一定的实用价值。     

基于多层激励函数量子神经网络的入侵检测研究

为解决传统入侵检测模型所存在的检测效率低,对未知的入侵行为检测困难等问题,对神经网路隐层激励函数进行了研究,利用多层激励函数的量子神经网络模型进行入侵检测,该量子神经网络借鉴量子理论中量子态叠加的思想,使得隐层神经元能表示更多地状态或量级,从而很好的对入侵类型进行分类,增加隐层神经元的处理速度和检测性能法。实验表明,叠加的每个sigmoid函数较传统的sigmoid函数不仅对已知的入侵具有较好的识别能力,而且能较好的识别未知入侵行为,从而实现入侵检测的智能化。     

径向基过程神经元网络及其应用研究

提出了一种径向基过程神经元网络,该网络模型为3层前向结构,由输入层、径向基过程神经元隐层和输出层组成.输入层到隐层的变换是非线性的,隐层到输出层的变换是线性的.隐层神经元完成对过程式输入信息的模式匹配和对时间的聚合运算,输出层对输入模式作出响应.在输入空间中引入函数正交基,将输入函数在正交基下展开,利用基函数的正交性,简化聚合运算过程.给出了相应的学习算法,并以旋转机械故障诊断问题为例验证了模型和方法的有效性.      

基于神经网络自适应稳定PID控制方法的研究

经典的基于对象精确数学模型的PID控制方法的自适应性较差,难以适应具有非线性、时变不确定性的被控对象.神经网络控制算法的稳定性又受到迭代初值的影响,且算法复杂.为此提出了一种基于RBF神经网络的、结构简单的、稳定的PID直接自适应控制方法.讨论了控制器参数迭代初值选取的基本原则,并给出了在保证系统稳定性前提下参数的迭代算法.仿真研究结果表明,该方法的鲁棒性和跟踪性能均优于经典PID方法.      

证据理论和神经网络结合的目标识别方法

提出用证据理论和神经网络结合的高分辨率雷达(HRR)目标识别方法,即首先把多个目标高分辨一维距离像送入学习矢量量化神经网络,进行目标类证据估计;然后用D-S证据理论对各次估计结果进行融合.提出了连续特征空间离散化及类支持度构造的方法,并分析了神经网络识别的误差原因.仿真实验结果表明,这种方法的输出正确识别率比仅仅使用矢量量化神经网络有较大的改善,抗噪能力也有所提高.     

基于样条曲线插值的压力传感器的温度补偿

提出了基于三次样条曲线插值的温度补偿方法,用这种方法对测压范围为0.013 3×105~3.198 9×105 Pa,温度应用范围为-55~+80℃的高精度谐振筒压力传感器的实验标定结果进行了温度补偿.为加快标定过程,给出了传感器标定点数的减少方案.结果表明,在传感器的标定点数减少2/3的情况下,提出的温度补偿方法的综合误差为0.007 9%,约是基于径向基函数(RBF)神经网络的温度补偿方法的1/2,从而有效减少了传感器的标定成本和工作量.这对于解决高精度压力传感器的温度补偿问题具有一定的理论意义和工程应用价值.      

旋转弹的神经网络变质心姿态控制

研究了旋转弹变质心控制系统的姿态控制问题.建立了内部带有n个可移动滑块的导弹系统仿真数学模型,分析了滑块与弹壳间的相对运动对系统运行产生的耦合影响.利用神经网络的自学习性以及自适应特性,设计了基于神经网络控制的姿态控制律来计算系统质心的期望位置.利用最优原理确定了各滑块的期望偏移以实现系统质心位置的改变,从而达到改变导弹飞行姿态的目的,提高了系统的动态响应品质.以带有2个滑块的旋转弹姿态控制系统为例进行非线性仿真,证明了所设计控制律的有效性.      

基于PNN与FNN模型神经网络控制器设计与分析

模糊神经网络和预测神经网络分别是基于经验和学习的新型神经网络控制系统,通过在卧式电液仿真转台中框控制器上分别采用这2种控制方法来研究它们的控制特性和应用范围.其中,模糊神经网络结合了模糊控制的经验和神经网络的学习能力,但控制精度取决于人为经验;所研究的预测神经网络采用了基于非线性自回归滑动平均模型建立预测模型,实现在线学习和在线控制,但初始阶段控制精度不高.仿真研究证明,根据具体的控制对象采用适当的控制方法或是将2种方法合理地结合起来将会达到较高的控制精度.      

基于小波神经网络的多传感器自适应融合算法

针对多传感器融合系统的非线性和不确定性,将小波分析与神经网络相结合,提出一种基于小波神经网络的多传感器自适应融合算法.融合系统包括扩展卡尔曼滤波器、小波神经网络、融合知识库以及航迹融合算法.该算法以分布式融合结构为基础,利用环境信息理论和测量方差归一化方法构建小波神经网络,并且通过数值样本训练小波神经网络,使其在融合过程中实时估计各传感器的信任度,再由融合知识库根据各传感器信任度来选择适合的航迹融合算法,最终得到全局状态估计.实验结果表明,提出的融合算法可以根据环境变化在线自适应融合来自多传感器的测量值,对不确定信息具有很好的融合能力.      

基于单帧图像质量加权的视频质量评价模型

利用人眼视觉特性与视频序列时空相关特性,提出了基于视频序列内单帧图像质量加权的视频质量评价模型.其中,单帧图像质量利用峰值信噪比和结构相似性度量作为图像质量的描述参数,采用神经网络(NN,Neural Network)与支持向量机(SVM,Support Vector Machines)建立图像质量评价模型;视频序列质量由序列内单帧图像质量加权衡量,加权因子描述了视频序列内运动及场景变化的剧烈程度.仿真实验结果表明,该模型的输出能有效地反映图像的主观质量.模型预测出的单帧图像质量和视频序列质量的单调性相比PSNR分别提高7.42%和10.47%,均方根误差相比则提高了36.06％和10.48%.