粗糙集与神经网络在航空发动机气路故障诊断中的应用

提出了一种基于粗糙集理论和神经网络集成的发动机智能故障诊断方法,首先对测量数据进行离散处理,并运用粗糙集理论建立故障决策表,进而约简属性和提取规则,对航空发动机气路部件的几种典型故障进行隔离。然后建立神经网络故障诊断子系统,使用粗糙集处理后的数据计算出发动机气路相关部件的故障程度。最后,还验证了粗糙集神经网络故障诊断系统的抗噪性能。研究表明,该系统能够正确而且高效地诊断出发动机故障的严重程度,并具备良好的抑制噪声的能力。      

超低空空投航迹倾角自适应跟踪控制

针对超低空空投下滑阶段考虑执行器输入死区、不确定性大气扰动以及模型存在未知非线性等因素干扰轨迹精确跟踪等问题,提出了一种自适应神经网络动态面跟踪控制方法.建立了含执行器输入死区的超低空空投载机纵向非线性模型,采用神经网络逼近模型中未知非线性函数,引入非线性鲁棒补偿项消除了执行器死区建模误差和外界扰动.应用Lyapunov稳定性理论证明了闭环系统所有信号均是有界收敛的.仿真验证表明,所提方法既保证了轨迹跟踪的精确性,又具有强鲁棒性.     

一类组合神经网络在协同空战分析中的应用

为了在恶劣、复杂的协同空战环境里帮助飞行员进行更有效的决策,在其指挥级,提出了一类有／无教师组合神经网络－ＰＢ－ＳＯＦＭ网络,并用它来完成目标分析和攻击排序。对于典型的２：４空战,给出了ＢＰ－ＳＯＦＭ网络的结构,并探讨了各个子网的训练和测试方法,及该组合神经网络的使用方法。设计并实现了一个基于ＢＰ－ＳＯＦＭ网络的多机协同空战仿真系统。仿真结果表明,该系统是可行的。     

基于人工神经网络的磁航向误差校正方法

介绍了前馈神经网络的特点和基于递推预报误差(RPE)的训练算法,利用前馈神经网络对某航向同步传输系统的磁航向误差进行了校正,并给出了实验结果.     

一种动态面神经网络鲁棒飞行控制律设计

提出一种基于RBF(Radial Based Function)神经网络和动态面控制的飞行控制律设计方法。针对飞机气动参数变化引起的非线性和不确定性,通过RBF神经网络在线逼近。动态面飞行控制律消除了反推设计方法中由于对虚拟控制反复求导而导致的复杂性问题。同时,在控制律设计中引入一个鲁棒因子项来补偿外界干扰和神经网络的逼近误差,提高了系统的鲁棒性,使整个系统获得更好的跟踪控制性能。基于Lyapunov稳定性定理证明了闭环系统的所有信号半全局一致终结有界,并且通过适当选择设计参数,跟踪误差可收敛到原点的一个小邻域内。最后,通过飞机俯仰运动飞行的数值仿真验证了该方法的有效性。     

某于功率反馈的涡轴发动机神经网络PID控制研究

通过对功率平衡关系进行分析,提出了利用功率反馈设计智能神经网络PIO控制器的方法。基于BP(Back Propagation)神经网络,将功率信号作为神经网络的输入层信号,并改进了网络权值的学习规则。通过在线整定PID参数,控制器能够根据功率误差信号的变化实时调整控制参数,从而使系统自主寻找到功率平衡点,具有良好的稳态和动态响应特性。仿真结果表明：该方法可以使涡轴发动机在全包线范围内具有理想的控制性能。     

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.     

基于模糊神经网络的涡结构识别方法研究

研究气动光学传输效应产生的机理是红外成像末制导的共性基础技术之一,基于涡结构对光学传输效应进行建模是一种非常有效的方法,而涡结构的识别是其必要前提。文中提出一种新的涡结构识别方法,把折射率场经小波变换后的系数矩阵等效为具有一定纹理结构的图像,计算图像的共生矩阵及其统计量,由于涡结构模式复杂,特征量较多,设计了等价结构的模糊神经网络进行涡结构识别。与小波分解后直接提取特征量的识别方法相比,本文的方法从空、频角度更加准确全面地表征湍流涡结构模式,计算机仿真结果表明该方法优于神经网络的识别效率。     

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。     

基于BP神经网络的模型参考自适应姿态控制

采用模型参考自适应控制的基本设计框架,并通过BP神经网络对PID控制参数进行自主调节,实现飞行器的自适应姿态控制。利用参考模型输出、实际对象输出等信号作为训练信号,对所构建的三层BP神经网络进行权重更新。仿真结果表明,将BP神经网络应用于飞行器的自适应姿态控制中,能够实现PID控制器参数的自主调整,表明了BP神经网络优良的逼近性能。同时,该控制方案确保了飞行器姿态控制系统的性能指标,并且提高了工程设计的智能化水平。