一类基于神经网络的非线性时延系统的稳定性分析和控制

针对一类有参数摄动和时延的非线性不确定性系统．提出了一种稳定性分析方法。控制方案将鲁棒控制和神经网络控制结合起来．首先由线性矩阵不等式(LMI)设计了参考模型即系统线性部分的鲁棒控制器,然后用神经网络来消除系统建模不确定非线性部分。稳定性分析中综合了参数摄动、时延和神经网络权值．合理地选择Lyapunov函数证明了误差闭环系统的稳定性．     

竖炉焙烧过程智能故障诊断系统

针对赤铁矿石竖炉焙烧过程故障诊断问题,将专家系统、神经网络与案例推理技术相结合,提出了由故障预报、质量监督、故障分析与处理模块构成的竖炉焙烧过程智能故障诊断系统。讨论了系统的体系结构、功能及实现方法,并成功应用于中国最大的赤铁矿选矿厂的竖炉焙烧过程。经过现场运行,故障诊断准确率达到90%,设备运转率提高了2．98%。工业应用结果表明,本文提出的智能故障诊断系统对竖炉焙烧这类复杂工业过程的故障诊断可行。     

基于TOP-HAT滤波器算子的红外弱小目标检测算法

针对红外序列图像中运动弱小点目标的检测问题,设计了一种基于改进神经网络优化的修正Top-Hat形态学滤波器算子.其中形态学滤波器的结构元素采用两层前馈神经网络,通过大量样本训练优化,将Top-Hat运算作为一个整体当作一层,输出层节点定义为Top-Hat运算后图像矩阵的最大值.实测数据的处理结果表明:针对低信噪比(RSN≈2)图像,在虚警概率≤5%情况下,优化的修正Top-Hat形态学滤波器算子对复杂图像检测概率≥75%,与固定结构元素的Top-Hat形态学滤波器相比检测概率提高了近8%,算法的运算时间仅增加了0.7ms.     

基于Hopfield神经网络的非线性系统故障估计方法

针对一类故障参数是线性可分的非线性系统,在参数故障情况下提出了一种基于Hopfield递归神经网络的故障估计方法。利用Hopfield递归神经网络的自学习能力和稳定性理论,将故障参数的估计问题转化为Hop-field神经网络的稳定性问题,克服了现有数值方法存在量化误差和算法收敛性等问题。与自适应观测器和等价空间方法等相关故障参数估计方法相比,具有设计简单、易于实现和适用性宽等特点。仿真结果表明,对于常值故障和时变故障,诊断系统均具有较好的估计效果和动态性能。     

基于模糊最小-最大神经网络的输油管道泄漏故障诊断方法

提出一种基于模糊最小-最大神经网络的输油管道泄漏故障诊断方法。该方法将管道压力特征作为模糊最小-最大神经网络的输入,通过模糊最小-最大神经网络的输出判断管道是否发生泄漏,并且针对实测数据含有噪声和测量误差的情况,设计一种可以有效处理实测数据的隐含节点函数。通过对管道试验系统实测数据的验证,本文方法可以有效检测管道泄漏故障。     

基于主动润滑可倾瓦轴承转子系统的振动主动控制

研究一类可倾瓦支承的单盘非对称转子系统的振动主动控制问题.首先建立了系统的非线性动力学方程,针对主动润滑控制系统设计了BP神经网络PID控制器对转子系统进行振动主动控制.通过计算分析可知,采用基于BP-PID的主动润滑系统能够很好的抑制系统的振幅,使系统在很高的转速时才发生油膜失稳,拓宽转子系统稳定运转的转速范围,在转...     

基于分布式Kalman滤波和BP神经网络组合的静电陀螺漂移辨识方法

提出一种新的方法,把分布式Kalman滤波(DKF)方法与后向传播神经网络(BPNN)技术相结合,用于静电陀螺漂移的模型辨识.首先,为了消除测量噪声影响,将同一个静电陀螺带有噪声的多次测量数据集映射到一个虚拟的传感器网络中,然后采用具有嵌入式紧致滤波功能的DKF对映射数据进行滤波预处理.在此基础上,将预处理结果转换为用于训练神经网络的输入数据和输出数据,然后采用BPNN辨识静电陀螺漂移.实验表明,该方法可有效用于陀螺漂移的模型辨识.     

基于自适应逆的微型飞行器飞行控制系统

飞翼式微型飞行器由于尺寸小、速度低、气动布局特殊和飞行环境复杂多变,其飞行力学具有显著的非线性和非定常特性,传统的控制方法已不能满足要求.本文运用时标分离理论,设计了快变量和慢变量动态逆,同时引入在线神经网络补偿动态逆误差,并采用伪控制补偿器消除作动器和自适应单元之间的相互影响,在此基础上提出了飞翼式微型飞行器的自适应飞行控制系统,并与采用动态逆-PID控制方法设计的飞行控制系统进行比较.仿真结果表明:基于自适应逆的飞行控制系统,具有较强的鲁棒性和指令跟踪能力,比动态逆-PID飞行控制系统更适合于微型飞行器.     

基于NN-ELM的航空发动机燃油系统执行机构故障诊断

提出了一种航空发动机执行机构及其传感器单一故障诊断及定位方法.首先通过执行机构模型判断是否发生故障,然后运用发动机逆模型对故障进行定位.基于离线训练BP(back propagation)神经网络建立执行机构模型,根据某半物理仿真试验台的测试数据训练网络参数.提出离线训练和在线训练相结合的极端学习机(ELM)算法建立发动机逆模型,使网络在初始时刻就具有诊断能力,工作过程中具有适应能力,且在线训练过程采用阈值判别法筛选训练样本,减小了在线训练时间,提高了逆模型的实时性.以某型发动机燃油系统执行机构为例的设计和仿真结果表明:该诊断系统能够准确地对发动机在稳态和动态工况以及蜕化状态下的执行机构及其传感器单一故障进行准确诊断和定位,具有很好的实时性.      

LSTM神经网络在太阳F10.7射电流量中期预报中的应用

F_10.7指数作为大气密度经验模型的重要输入参量,其预报精度直接影响航天器轨道预报精度.研究发现,太阳活动表现出长时间尺度上平均11年和中短时间尺度平均27天的周期性变化特征.依据这一观测事实,基于长短期记忆单元（Long Short-term Memory,LSTM）递归神经网络方法进行F_10.7指数未来27天的中期预报.利用一个连续长时段F_10.7数据作为训练数据,构建LSTM神经网络训练和预测模型,分别预测太阳活动高低年未来27天的F_10.7指数.结果表明,太阳活动高年的第27天F_10.7指数预报平均相对误差最优可达10%以内,低年最优可达2%以内.