基于小波包和Elman神经网络的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点,及 传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷,提出了 一种将小波包变换和改进Elman神经网络相结合,进行液压泵故障诊断的新方法.利用具有 紧支结构的小波函数对信号进行分解,削减小波系数以滤除信号中的噪声;单支重构以有效 提取各频带的故障特征,并以频带能量作为识别故障的特征向量;应用改进的Elman神经网 络建立从特征向量到故障模式之间的映射,实现液压泵故障分类.试验结果表明,采用小波 包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断.      

无刷直流电动机旋转感应电压的分析与计算

系统地推导了无刷直流电动机旋转感应电压的通用计算公式,并以这些公式为基础,详细研究了气隙磁密平顶宽度、分布绕组、短距、分数槽、斜槽等因素对旋转感应电压的影响,给出了在保证旋转感应电压是平顶宽度为理想值的梯形波时,转子磁钢和定子绕组设计时应考虑的因素.本文的研究内容为高性能低转矩波动无刷直流电动机的设计提供了理论基础.      

基于GRNN网络和遗传算法的旋翼动平衡调整

针对传统旋翼调整方法没有考虑调整参数与振动信号之间的非线性关系,提出一种结合广义回归神经网络GRNN(General Regression Neural Network)和遗传算法的旋翼调整方法,采用GRNN建立旋翼动平衡调整模型,以桨叶调整参数作为GRNN输入,以旋翼转轴3个方向的加速度测量值和机身3个方向加速度测量值作为网络输出,建立调整参数与直升机振动信号之间的模型.以直升机振动作为目标函数,采用改进的遗传算法对桨叶调整参数进行寻优,获得直升机振动最小时的桨叶的调整量.飞行实验表明,通过1到2次飞行调整,可使3个方向机身振动(旋翼的一阶振动)为最小,完成旋翼的动平衡调整.      

一种简单的VOQ交换机时延确保分组调度算法

采用EDF(Earliest Deadline First)与轮询结合的方法,提出了一种简单的VOQ(Virtual Output Queueing)分组调度算法提供基于流的时延确保.VOQ队列采用EDF的策略裁决分组流的竞争,输入输出端口采用轮询方式匹配.此时VOQ中分组到达至成为头分组的时间以及分组成为头分组至传输到相应输出端口的时间,分别对应于OQ中的分组排队等待时间及服务时间.通过对所得算法详细的理论分析,给出了流时延界及流分组到达的显性关系.更为重要的是,本文的理论结果不仅为设计更为有效的算法奠定了基础,同时为判别不同流的时延要求是否冲突提供了一种新的直接分析的手段.      

计算机网络防御策略模型

目前计算机网络防御研究中缺乏高层且易于细化的策略建模方法,因此在分析Or-BAC模型(Organization Based Access Control model)的基础上,对网络防御控制行为进行抽象,建立计算机网络防御策略模型(CNDPM,Computer Network Defense Policy Model).该模型对保护、检测和响应等策略进行统一建模,并引入角色、视图、活动自动分配的方法,以提高分配的效率,同时给出了策略到规则的推导规则,以细化为具体的防御规则.还给出了策略的完备性、有效性和一致性的形式化描述及分析.实例分析表明,该模型表示的计算机网络防御策略,能够有效地转化为防御规则,具有较好的实用性和扩展性.      

基于粗神经网络的民用飞机故障诊断

针对传统神经网络故障诊断过程中网络训练时间长、结构复杂以及仅能进行单值输入的缺陷,设计了一种基于粗神经网络的民用飞机故障诊断系统.将粗糙集理论应用在神经网络的前端对民用飞机故障样本数据进行约简处理,以此去除冗余属性的干扰,克服了无关样本数据对网络学习性能的影响,简化了网络结构;利用粗神经元代替传统神经元,提高了网络性能,扩展了网络的应用范围.通过对空中客车A320飞机的故障诊断试验验证了该方法的有效性.     

飞机液压系统柱塞泵热分析

随着飞机液压系统向高压化、大功率化方向发展,液压系统的发热及温升问题受到了广泛关注。柱塞泵作为液压系统中重要的能量转换装置,对液压系统的功率损失和温度有重大的影响,良好的柱塞泵的热分析对液压系统的热设计和温度控制有重要的意义。然而传统的柱塞泵热分析方法,如平均油温法、软件仿真法和热节点网络法,因不够准确、高效和简洁而不能满足现代飞机液压系统热分析和热设计的相关需求。本文针对飞机液压系统柱塞泵发热的相关问题,采用基于集总参数的热网络分析方法,建立了柱塞泵热网络模型,通过对柱塞泵不同工况下的仿真,验证了模型的有效性和准确性,为柱塞泵及液压系统的热分析提供了参考。     

基于飞行资源分离的航班延误传播研究

在航班串设计及机组排班过程中,经常涉及飞行资源(飞机、机组)分离的问题。而延误航班的飞行资源分离将导致共享资源的衔接航班发生延误,并传播至后续航班串。本文考虑带有飞行资源分离的航班串,利用基于贝叶斯网络的比例风险回归模型,对资源分离后的航班离港延误进行分析。对比两种不同时刻飞机与机组资源分离方案下,各延误因素对衔接航班离港延误,以及整个后续航班串延误时间的影响,结果表明,不同时刻分离方案会造成不同的延误传播效果。本文为飞机、机组资源分离时刻的选择提供了定量分析方法,结果表明,资源分离时刻的不同对衔接航班的离港延误,以及整个后续航班串延误波及时间的影响都不同。     

基于NB-IoT技术和GA-BP神经网络的车位预测系统

围绕有效整合城市停车资源,提高现有车位存量利用率的需求,构建了一种基于NB-IoT技术的车位预测系统。该系统采用NB-IoT技术进行信息采集与传输实现车位信息的共享;考虑到车位状态信息实时变化的特性,用历史车位占用数据来建立车位预测模型,推测出未来短时内车位变化趋势。为了提高车位预测的精度,采用遗传算法(Genetic algorithm,GA)优化反向传播(Back propagtion,BP)神经网络建立GA-BP神经网络车位预测模型。以某地下停车场历史数据为例进行仿真实验,研究结果表明:车位预测模型预测值与实际值相近且趋势保持一致,能够有效准确的预测车位状态变化,具有较高的精度。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system,BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接,网络权值可以用求解伪逆的方法快速求得,避免了耗时的训练过程,从而成为快速而高效的学习方法。然而在追求高精度结果的过程中,BLS对于增强节点数量的需求过于巨大,容易造成过拟合问题。为此,本文提出了基于函数链神经网络（Functional-link neural network,FLNN）的深度分类器（FLNN based deep classifier,FLNNDC）,旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构,每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点,而不是全部映射节点。和原宽度结构相比,在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。