航空发动机神经网络自学习PID控制

将神经网络与传统的PID控制相结合,构成神经网络自学习PID控制,用神经网络在线整定PID控制器的比例、积分及微分三个参数,使被控对象跟踪理想参考模型的输出。该系统具有自学习能力,能适用于非线性、时变的被控对象。将神经网络自学习PID控制方法用于航空发动机全包线控制以及蜕化发动机的控制,进行了数字仿真,验证了该方法的有效性。     

非定常分离控制中的相位采样

本文介绍了非定常分离控制中的相位采样方法,该方法同样适用于任何受到周期性外加干扰作用的流场测量。所谓相位采样就是要使所采集的流体参数样本与干扰信号中的周期相位一一对应,这只能由计算机来实现。文中所提出的具体采样方案适用于目前国内广为使用的十六位微处理机(如 IBM-PC 及其兼容机、INTEL/86/330机等)。     

多层前向BP网络函数逼近能力的研究

对多层前向神经网络的函数逼近能力进行了研究，讨论了用多层前向ＢＰ网络来逼近非线性函数时，输入激励信号的选择和增加隐层层数和每层神经元个数对逼近精度的影响。为了在隐层层数、每层神经元个数有限的情况下，加快网络学习速度，改善逼近效果，本文提出了利用对被逼近函数的先验知识，在隐层前加一函数层的思想，并通过仿真证明了其有效性。     

基于相关性分析和神经网络的直接推力控制

传统的发动机控制是将一些可测量参数作为被控制量,如转速和压比,因为可由它们推算出推力。但由于推算的过程不准确,为保证发动机安全运行,在发动机的设计过程中常常保留了较大的裕度。而直接推力控制可以降低这些裕度,充分发挥发动机的性能。针对在飞行中推力无法直接测量的情况,本文使用了相关性分析和神经网络技术设计了非线性推力估计器,使用若干测量参数作为输入,实时计算出发动机的推力值。并针对发动机使用的实际情况,使设计出的估计器不但可以估计额定发动机的推力,而且可以估计非额定发动机的推力。在仿真结果中,估计出的推力跟踪上了正常和非额定发动机的推力。     

动态神经网络的模型检验

讨论了利用仅含一个隐层的前馈多层神经网络来辨识离散时间非线性动态系统时的模型检验问题。从估计理论出发，加上实际应用的考虑，提出了一种检验神经网络模型适用性的综合误差指标（ＳＥＩ）准则，并利用学习速度快、收敛性能好的递推预测误差（ＲＰＥ）学习算法，对两个例子进行了仿真计算。结果表明：综合误差指标准则可用来检验非线性动态系统的神经网络模型。与相关检验法相比，综合误差指标准则具有计算简单、使用方便等优点。最后，指出了今后的研究方向。     

机器人力控制研究综述

回顾了机器人力控制研究历史及目前的力控制研究现状；详细分析了现有的四种研究策略：阻抗控制、力／位混合控制、自适应控制策略、智能控制新策略；阐述了作者提出的“力／位并环控制”的智能新策略；提出了机器人力控制的四大关键问题：位置伺服、碰撞冲击及稳定性、未知环境的约束、力传感器；文末展望了力控制研究的发展趋势——智能控制。     

用人工神经网络模拟三维编织复合材料的力学性能

三维编织复合材料由于其材料结构及编织工艺的复杂性和众多工艺参数的影响，目前尚未建立成熟的力学模型。本文采用人工神经网络ＢＰ算法，将编织工艺参数作为人工神经网络的输入，将弹性模量及强度性能作为输出，建立了编织工艺参数与力学性能的人工神经网络关系模型，并讨论了ＢＰ算法及网络结构。这种人工神经网络关系模型对于三维编织复合材料的实验、生产和应用。工艺参数的选取以及理论模型的研究都有重要的参考价值。本文最后     

知识-模糊神经网络在复杂劳动计量中的应用

由于大脑自身结构的超复杂性和人们对大脑信息处理机制与过程认识的局限性,复杂劳动计量长期以来未能得到有效解决。文中首先系统地研究了复杂劳动过程的三要素,其次通过引入知识工程原理、模糊神经网络技术等,根据大脑处理信息在微观结构与宏观形式上的基本特点及复杂劳动面向对象的信息特征,提出基于知识－模糊神经网络的复杂劳动计量思路,以计量复杂劳动量,并给出计量方法与步骤及案例分析,案例分析结果表明,该文所提出的     

时滞对象的神经网络Smith预测控制

针对系统的时滞问题提出一种新的控制系统，将神经网络Smith预估器与神经元控制器通过预测误差有效结合在一起，起到预测控制目的。在神经网络Smith预估器中采用优于BP网络的IRN网络，仿真的结果表明系统的实时控制速度有了明显地提高。     

适用于全包线的航空发动机BP网络模型的动态辨识

为克服传统的发动机动态模糊辨识中存在的辨识精度低，辨识模型应用范围窄等不足，把对非线性系统具有高度逼近能力的神经网络应用于航空发动机动态特性的辨识，从而为发动机动态辨识开辟更为广阔的道路，采用均方差归一法的处理方法和BP算法的改进算法－输出端动量BP地，以某型发动机在飞行包线内某一飞行条件下的数据作为学习样本，辨识了发同的神经网络模型，在全包线范围内对该模型进行检验，结果表明，所得的发动机动态模型在全包线内都有很高的逼近精度，而且对噪声有很强的抑制能力。