用BP神经网络预报太阳活动第23周的黑子数

本文设计、训练和利用BP神经网络,对1750年以来的各太阳活动周上升段和下降段太阳黑子数的变化数据进行了分类和模式识别,得到各太阳活动周上升周期及其上升期间太阳黑子数平滑月均值相当好的模拟结果;在此基础上获得较好的太阳活动第22周上升周期及太阳黑子数的最大平滑月均值预报结果;还作出太阳活动第23周的上升周期及太阳黑子数的最大平滑月均值的预报结果.      

故障诊断的神经网络多重模型自适应方法

将神经网络与故障诊断的多重模型自适应方法相结合,提出了故障诊断的神经网络多重模型自适应方法,并对某型航空发动机控制系统传感器故障进行诊断仿真。仿真表明,该方法能够用来解决具有模型不确定性系统的故障诊断问题,同时,对未知的故障模态具有自学习能力     

AS4074 与宝石柱 HSDB 协议性能分析及比较

对高速线性令牌传递数据总线的性能进行了分析,建立了排队系统模型,并导出了节点消息延时、等待队列长度等网络特性与网络吞吐量之间的关系表达式,着重讨论了AS4074和宝石柱HSDB两种协议的性能差异,得出AS4074在中、低负载情况下性能优于宝石柱HSDB,因而更适合于新一代航空电子综合系统的结论。     

基于递推平方根法的神经网络模型辨识

提出一种基于递推平方根法的神经网络模型辨识方法,对Davidon最小二乘法和阻尼最小二乘法进行了改进,既保持了二者简单易行、收敛性的优点,又能提高精度,减少计算量,适合于应用在非线性系统的辨识和自适应控制中。与常规的Davidon最小二乘法和阻尼最小二乘法进行仿真比较,体现出了这种方法的有效性,尤其是在输入及隐含节点个数较多的情况,其优点比较明显。     

星-地混合通信网络前向链路安全传输方案研究

针对星-地混合通信网络前向链路在部分非理想信道状态信息(CSI)及非理想CSI下卫星窃听链路的安全问题,提出一种将地面基站信号作为协同干扰的安全传输方案。优化目标为地面基站节点传输速率最大,确保卫星合法节点接收信号质量,同时利用地面基站发送信号阻塞卫星潜在窃听节点对卫星信号的侦听。通过半定松弛原理将其转化为可解的凸优化问题,分别设计分层迭代、高斯随机化和二分搜索算法对问题进行优化求解。仿真校验结果表明,所提方案能够降低网络对CSI误差的敏感性,提高网络的可靠性和保密性。     

模糊控制和神经网络相融合的研究及其在家电产品中应用

综述了模糊控制和神经网络相融合的研究，列举了若干种由神经网络实现模糊规则和模糊控制器的方法．这些利用神经网络的模糊控制器，能自动地辨识控制规则和校正隶属函数．最后叙述了该方法在家电产品中的应用。     

发动机数控系统智能容错技术的半物理仿真研究

提出基于自联想神经网络的发动机数控系统的智能容错技术。该方法不依赖系统模型,只需要发动机的测量值来离线训练网络。若发生性能蜕化,该方法能自动切入故障诊断与最优估计的综合逻辑。文中开展了半物理仿真实验,实验结果充分证明了该技术能适应实验现场多变的环境,能正确诊断发动机传感器故障并提供解析余度,具有较好的鲁棒性。     

防空导弹引信和导引头探测信息的融合优化研究

分析防空导弹引信和导引头探测目标信息的互补性和信息融合优化的可行性,提出了前馈神经网络MLSP的优化步长OBP学习算法.采用最优化的原理优化步长的选取很好的解决了传统BP算法收敛速度慢和产生振荡的缺点,构造了一个用于防空导弹引信和导引头探测目标信息的融合优化模型,并以某型防空导弹武器系统的引信和导引头分系统为例,仿真结果说明了该模型的有效性和可用性.     

应用快速多分类SVM的航空发动机故障诊断方法

提出了一种新的快速多分类SVM算法,用于解决大样本情况下航空发动机的多类故障诊断问题。首先,选用层次支持向量机(H-SVM)来实现多类分类,用各类数据中心代表该类数据,通过自组织特征映射神经网络(SOFM)进行聚类,把类中心之间距离较近的数据归为同一个子类进行训练,得到H-SVM层次结构。其次,在训练H-SVM中的二元分类器时,应用相对边界向量(RBV)代替全部训练样本,在保持分类精度几乎不变的条件下大幅度减少了训练样本数,使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短。在分类数据混迭较为严重的情况下,新算法先剔除混迭的异类数据,再计算RBV,并且把与计算的RBV距离小于一定数值的样本都选择来训练SVM,保证了RBV的合理性,防止了关键数据的丢失,有效提高了分类精度。针对一个航空涡喷发动机5类复合故障的分类进行了实例仿真,总的故障分类正确率达到91.2%,二元SVM的训练时间最多只有原来的16.20%;当训练样本总数达到7500的大规模情况下,根据本算法,约减后的样本数量只有原来的3.05%。仿真结果表明,提出的算法有效、可靠,容易实现。     

基于神经网络的自适应非线性控制及仿真研究

研究了神经网络非线性动态系统的自适应控制方法,首先利用改进的非线性自回归滑动平均模型,采用多层前向神经网络辨识非线性系统模型,然后直接由辨识结果设计出控制器,并根据控制误差对控制律作在线修正.利用导弹模型进行了控制仿真,仿真结果表明采用此方法可以得到较好的控制效果,而且在模型不确定和有噪声干扰的情况下仍能正常跟踪给定的迎角信号,具有较好的鲁棒性.