PINS静基座对准中的理论与算法的研究

分析了平台式惯导系统(PINS)静基座条件下的可观测性,采用系统可观测矩阵的条件数来定量计算PINS静基座可观测性能,找出该条件下的可观测矩阵条件数最小的3个不可观测变量.采用了自适应Kalman算法和常规Kalman算法对简化模型进行了仿真比较.仿真结果表明前者比后者滤波收敛快.进而提出了一种基于Elman神经网络的快速对准方法.     

基于归一化神经网络的航天器自适应姿态跟踪控制

针对以变速控制力矩陀螺（VSCMGs）为姿态控制执行机构的航天器在同时考虑惯性参数和执行机构不确定性情况下的姿态跟踪控制问题,提出了一种基于归一化神经网络的自适应姿态跟踪控制方法。设计一个非线性反馈控制器作为航天器姿态控制的基本控制器,利用归一化神经网络设计补偿控制器,用以在线估计和消除包含系统不确定参数的未知不确定函数的影响,避免了标准自适应控制方法需要进行大量不确定参数估计的缺陷。采用神经网络输入归一化技术,简化了闭环系统复杂的稳定性分析过程。理论分析证明了闭环系统的稳定性和姿态跟踪误差的收敛性。仿真结果表明,所提出的控制方法能满足航天器在惯性参数和执行机构不确定性及外干扰存在情况下的高精度姿态跟踪控制要求。
     

改进的BP神经网络技术在平面叶栅气动性能实验中的应用

将多维实验方法应用于平面叶栅正反向流动实验中,避免了单参数实验方法中的缺陷,大大提高了实验数据的可靠性。同时采用改进的BP神经网络技术,对气动性能实验数据进行分析。实验发现：低雷诺数下,翼型的流动状态很复杂,附着涡在确定翼型边界层行为和失速特性中起着重要作用。在反向流动中,翼型的吸力面常伴随有旋涡的流动,类似于薄翼流动,翼型在较小的迎角下就会发生薄翼失速。     

非线性系统的动态神经网络自适应辨识

提出了用双层动态神经网络在线辨识非线性动态系统的方法。神经网络的权重在线学习,不需要离线训练。在无逼近误差和扰动的理想情况下,所提出的在线算法能保证辨识误差趋于零,基函数持续激励条件能保证权重趋于零。在非理想情况下,权重调整律采用ｅ修正权重算法,它是ＢＰ算法的推广,不需要基函数的持续激励条件。基于李雅普诺夫稳定性理论保证了自适应辨识系统的稳定性。仿真算例说明了所提出的动态神经网络自适应辨识的有效性     

质量矩导弹的神经网络及自适应非线性控制

本文对质量矩控制导弹的动力学方程简化和控制系统的设计进行了研究。详细阐述了所提出的控制方法，介绍了径向基单隐层神经网络进行误差补偿的算法原理，用Lyapunov理论证明了所采用方法的稳定性。在给出了质量矩导弹的六自由度动力学方程和简化后的方程后，用所提出的方法设计控制系统。通过仿真分析，得出了本文所提出的方法具有较好的误差补偿能力的结论。     

关于稀疏分布存贮模型中A连接权阵的讨论

Ｋａｎｅｒｖａ的稀疏分布存贮模型由于对寻址地址采用了稀疏编码，对数据采用了分布式存贮，从而解决了大维数向量的输入问题，ＳＤＭ实际上是一个由输入层，中间层和输出层组成的三层前向网络，其中神经元间的互迦权值在输入层与中间层是预置的（用矩阵Ａ表示），中间层与输出层的连接权阵Ｃ由外积法得到，文中假定在相同的学习规则下，就信噪比意义而言，Ａ的均匀预置能使ＳＤＭ获得最优性能，从而为Ａ的预置提供了理论依据。     

A new bearing fault diagnosis method based on modified convolutional neural networks

Fault diagnosis is vital in manufacturing system.However,the first step of the traditional fault diagnosis method is to process the signal,extract the features and then put the features into a selected classifier for classification.The process of feature extraction depends on the experimenters’experience,and the classification rate of the shallow diagnostic model does not achieve satisfactory results.In view of these problems,this paper proposes a method of converting raw signals into twodimensi...     

适于LEO卫星IP网络的源组播算法

为了解决LEO卫星IP网络中现有源组播算法的信道资源浪费问题，提出了一套新的组播算法。即基于核心群的特定源组播（CSSM）算法和加权的CSSM（ω-CSSM）算法。CSSM算法以源节点作为初始核心群，通过核心群和剩余组成员的最短路径方法逐步扩展直至整棵组播树构建完成，这样所得的树代价最小，从而大大提高了网络的传输带宽利用率和有效传输容量。在ω-CSSM算法中，所提出的加权因子可以调整组播树的树代价和端到端传播时延之间的折衷程度，因此，可以通过调整加权因子柬适度增大树代价、降低端到端传播时延，从而支持某些有严格端到端时延要求的实时组播业务。通过与LEO卫星IP网络中典型源组播算法MRA的仿真比较，可以看出CSSM和ω-CSSM算法的树代价性能比MRA有显著改善，而端到端传播时延略高。     

基于LabVIEW实现神经网络

文章选择LabVIEW的图形编程语言实现了神经网络.仿真结果表明,通过LabVIEW可将虚拟仪器技术和神经网络有机地结合起来,拓宽两者的应用范围,提高系统的性能和开发效率.     

基于潜在成分的时变系统损伤的概率神经网络分类

提出了一种新的时变系统健康监控的损伤分类方法。将函数级数时变自回归平滑时序模型应用于时变系统的振动信号,以估计TAR／TMA参数和革新方差。这些参数是时间的函数,将它们在以特定的基函数构成的某种函数子空间上展开得到相应的投影系数组。所估计得到的TAR／TMA参数和革新方差可进一步用来计算潜在成分（LCs）,将LCs用于健康评估比原来的参数更具信息。并将LCs联合并归化为数值得到特征集,输入概率神经网络（PNN）进行损伤分类。为了评价该方法,对一个时变系统进行了仿真,以各种不同的质量和刚度减少来模拟不同的损伤类别。算例表明：该方法能够在时变系统的背景下对损伤进行归类。