冗余直接驱动阀系统的余度控制策略

针对冗余直接驱动阀伺服系统中由于余度降级所造成的性能降低问题,提出一种神经网络自适应滑模余度控制策略.利用径向基函数神经网络RBFNN(Radial Basis Function Neural Network) 的在线学习功能,对系统发生的变化进行快速自适应补偿,使系统状态趋近于滑模面,提高跟踪精度和鲁棒性;并通过与比例微分PD(Proportional-Derivative)算法的并行控制,促进RBFNN的收敛,增强系统的稳定性.通过与PID(Proportional-Integral-Derivative)切换控制策略的对比研究,表明RBFNN自适应滑模余度控制方法不但设计简单,而且能够有效克服余度降级带来的系统性能下降的问题,极大地改善了系统的品质.      

基于铸件热应力及变形的人工神经网络和遗传算法优化方法

将神经网络与遗传算法相结合,以有限元分析得到的样本集合作为教师样本,通过神经网络的训练建立设计参数与控制目标的非线性映射关系,并以此代替后续的有限元分析,获得遗传算法求解优化问题迭代中所需的目标函数近似值。以Al-4.5%Cu应力框为例,在分析铸件热应力及变形机理的基础上,对应力杆的高度、宽度和粗细杆截面比、浇注温度、界面换热系数和砂型的预热温度6个参数进行优化,从而有效地控制铸件内部的热应力及变形。优化结果表明:此方法在较少的有限元计算情况下即可获得较好的优化解,与初始设计相比,弯曲变形和热应力分别降低了58.5%和40.6%。     

复合材料格栅结构优化设计中的计算智能技术

针对复合材料格栅结构优化设计多变量、多约束、连续和离散混合变量、高度非线性的难点,提出了用进化神经网络来实现结构设计参数(输入)与结构响应参数(输出)的全局非线性映射关系,以此来代替优化过程中的有限元计算,以提高优化效率.以遗传算法为优化求解器,神经网络屈曲稳定性响应面为主要约束,对复合材料格栅加筋结构进行优化.结果表明,在相同样本数的情况下,进化神经网络可获得比BP网络更高精度的映射模型,具有很强的泛化能力.该方法可以为解决大型复合材料结构优化问题提供一条高效途径.      

基于支撑矢量机的织物疵点识别方法

为了对种类繁多的织物疵点使用机器进行有效的检测和分类,提出了基于直方图统计和支撑矢量机的织物疵点识别算法。该算法运用直方图统计的方法,由概率统计生成直方波形,并将其作为支撑矢量机的输入参数,用于训练特征样本集,以获得支撑矢量。实验表明,该算法用于织物疵点检测是可行、有效的,可得到满意的识别结果。     

航空发动机神经网络自适应控制研究

本文研究神经网络自适应控制方法及其在航空发动机控制中应用。结合某型航空涡喷发动机,首先研究采用神经网络进行非线性动态系统辨识,包括神经网络模型辨识的格式、输入信号形式等问题。然后,提出了一种神经网络自适应控制方法,阐明了该方法基本结构、原理。最后,在选定的设计点处进行发动机控制系统设计,当偏离设计点时,利用神经网络很强的学习、适应能力,通过在线修正神经网络参数,使控制系统仍保持良好性能。      

国防R&D项目的评估与中止决策

论述了对国防R&D项目进行评估及中止决策的重要意义.探讨了神经网络方法用在国防R&D项目中期评估及中止决策的可行性.提出了适用于国防口R&D项目评估及中止决策的BP多层神经网络方法.选用了国防口正在进行研究的52个项目作为实证分析案例,利用BP多层神经网络方法对之进行了分析处理.分析结果识别出了影响国防口R&D项目发展前景的6个重要因素,同时,对52个项目进行了归类处理,并对该52个国防口R&D项目作出了继续、暂停及中止研究的决策.案例研究的结果表明,该方法实施较为方便、计算较为简单,其有效性令人满意.这表明BP多层神经网络方法在R&D项目中止决策领域具有应用前景.      

多传感器斜置系统故障检测的奇偶向量补偿方法

提出采用神经网络对多传感器斜置组件的奇偶向量进行补偿,从而消除安装误差、刻度系数误差以及常值偏差对奇偶向量的影响,提高系统对小幅值故障检测与隔离的准确性.基于神经网络的方法与卡尔曼滤波、偏差分离估计方法相比,不需要各项误差的动态模型和噪声统计特性.神经网络采用有一定时间延迟的样本进行在线学习时,利用补偿后的奇偶向量能够检测出有一定斜率的斜坡型故障.      

新型进化神经网络模型

目前的进化神经网络模型大多采用遗传算法进行网络进化设计.而研究表明,这种进化神经网络存在遗传编码、遗传操作及网络结构限制等很多问题;而采用进化规划是一种很好的途径.鉴于此,为了克服传统进化规划算法的不足,结合作者提出的快速免疫进化规划提出了一种网络连接权值及其拓扑结构同时进化优化的新型进化神经网络模型.最后,通过典型的异或分类问题(XOR)比较了该模型同BP神经网络及传统进化神经网络的计算性能,发现它不但计算精度好,而且计算效率高.      

基于自适应不对称高斯基函数网络的可靠飞行跟踪控制

针对歼击机操纵面结构故障,提出了一种基于自适应不对称高斯基函数网络（AGBFN）的可靠跟踪控制方案。该方案的特点是在传统的线性控制器的基础上,引入基于自适应AGBFN的自适应控制器,用于在线补偿由于建模误差、外扰、以及操纵面卡死或损伤所造成的影响,并且采用控制隔离技术来处理执行机构的饱和问题。完全自适应AGBFN采用不对称高斯基函数,并且可以在线更新网络所有参数,克服了传统RBF网络对称性约束,提高了网络的适应性和学习能力,从而保证歼击机的操纵品质,且输出较好地跟踪参考模型输出。飞行仿真结果表明,文中采用的控制方法使飞机在正常状态和故障状态下均可获得满意的控制效果。     

超机动导弹的神经网络控制系统

 研究了应用于具有超机动能力的导弹的非线性神经网络控制系统.利用神经网络可以任意逼近非线性函数的能力,来学习超机动导弹在大迎角状态下的高度非线性动态特性的逆动态特性,得到对参数变化及未建模动态具有较好鲁棒性的控制系统.为了改善神经网络的学习能力和学习算法的稳定性,对学习增益做了模糊化处理.数字仿真结果说明了该控制方案可以达到预期效果.