基于神经网络的重力卸载系统控制器设计

吊挂系统是地面模拟空间机械臂重力卸载试验的重要方法之一.针对传统PID控制方式动作响应慢、鲁棒性差等缺点,提出了一种基于径向基函数(RBF)神经网络的智能控制方式.该方式有很强的非线性拟合能力,且学习规则简单,可映射任意复杂的非线性关系,便于计算机实现.利用该特性,设计了一种重力卸载精度较PID控制方式更高的控制器.该...     

A combined technique of Kalman filter,artificial neural network and fuzzy logic for gas turbines and signal fault isolation

The target of this paper is the performance-based diagnostics of a gas turbine for the automated early detection of components malfunctions. The paper proposes a new combination of multiple methodologies for the performance-based diagnostics of single and multiple failures on a two-spool engine. The aim of this technique is to combine the strength of each methodology and provide a high success rate for single and multiple failures with the presence of measurement malfunctions. A combination of KF (Kalman Filter), ANN (Artificial Neural Network) and FL (Fuzzy Logic) is used in this research in order to improve the success rate, to increase the flexibility and the number of failures detected and to combine the strength of multiple methods to have a more robust solution. The Kalman filter has in his strength the measurement noise treatment, the artificial neural network the simulation and prediction of reference and deteriorated performance profile and the fuzzy logic the categorization flexibility, which is used to quantify and classify the failures. In the area of GT (Gas Turbine) diagnostics, the multiple failures in combination with measurement issues and the utilization of multiple methods for a 2-spool industrial gas turbine engine has not been investigated extensively.This paper reports the key contribution of each component of the methodology and brief the results in the quantification and classification success rate. The methodology is tested for constant deterioration and increasing noise and for random deterioration. For the random deterioration and nominal noise of 0.4%, in particular, the quantification success rate is above 92.0%, while the classification success rate is above 95.1%. Moreover, the speed of the data processing (1.7 s/sample) proves the suitability of this methodology for online diagnostics.     

样本标签污染条件下的雷达辐射源个体识别技术

针对辐射源个体识别(Specific Emitter Identification,SEI)中由于数据集存在错误标签导致识别率下降的问题,提出了 1种有监督和无监督融合的错误标签识别和纠正方法。首先采用无监督密度峰值聚类方法将数据集中出现的标签错误样本找出,再使用 K折交叉实验对这些标签异常的样本进行预测投票,将得票数多的标签作为错误标签纠正的结果。经过清洗的数据集再通过卷积神经网络进行训练,得到 1个较为理想的辐射源个体识别的网络模型,保证了在样本污染条件下,辐射源个体识别网络仍能具有较好的识别率。文章所提方法的识别率相比未经处理的数据集的识别率在标签错误率小于 30%时平均提高 3.3%;在标签错误率大于 30%时,也能使个体识别率达到 90%左右,验证了文章所提方法在对错误标签的识别和纠正上可以取得较好的效果。     

应用BP神经网络针对高通量质子事件的通量数值预报

质子事件的爆发与太阳软X射线辐射有着很强的相关性,利用GOES卫星的1～8 (A)波段和0.5～4 (A)波段的软X射线数据,选取一些特征参量验证该相关性并应用到质子事件短期预报中.在当前质子事件传输物理机制不完全明确的情况下,在现有的预报质子事件有无的模型基础上,利用BP神经网络,根据软X射线通量水平等预测事件质子峰值通量水平,再对训练后的网络进行检验,检验预测所得结果与实际探测值误差小于一个量级,具备一定实用意义.      

基于神经网络的自适应非线性控制及仿真研究

研究了神经网络非线性动态系统的自适应控制方法,首先利用改进的非线性自回归滑动平均模型,采用多层前向神经网络辨识非线性系统模型,然后直接由辨识结果设计出控制器,并根据控制误差对控制律作在线修正.利用导弹模型进行了控制仿真,仿真结果表明采用此方法可以得到较好的控制效果,而且在模型不确定和有噪声干扰的情况下仍能正常跟踪给定的迎角信号,具有较好的鲁棒性.      

一种基于联想记忆系统实现图像压缩的新方法

针对传统神经网络用于图像压缩时存在的训练时间长、泛化能力弱等问题,提出一种基于联想记忆型神经网络的图像压缩新方法.利用牛顿前向插值多项式构建联想记忆系统,对图像数据进行建模.首先将图像数据分为多个数据块,然后利用数据块对联想记忆系统进行训练,训练结束后得到该数据块的特征数据,特征数据的数量小于原始数据块,且数值大多在零附近.最后对所有数据块的特征数据重新排序,进行熵编码,从而实现图像数据的压缩.实验结果表明该方法是可行的和有效的,相比传统神经网络,联想记忆系统无需预先训练,不依赖训练集数据和初始值,可以实时编码.      

基于神经网络的风洞尾支杆减振系统

风洞试验时,由于气流的影响,测试用悬臂式尾支杆容易产生大幅度低频振动,这会严重影响测试精度,甚至损坏自身结构。为了有效抑制尾支杆的振动,本文设计了基于压电组件的主动减振系统,并将人工神经网络应用于PID控制,提出了神经网络PID智能控制算法。对尾支杆进行有限元分析,获取其模态参数。然后设计试验测试减振系统的性能,将神经网络PID与经典PID的控制效果进行对比。试验结果表明:在连续载荷的作用下,采用经典PID控制算法与神经网络PID均可达到有效控制(减振幅度70%以上),且神经网络PID在保证减振效果的情况下实现控制参数自整定,具有良好的鲁棒性。     

基于轻量级卷积神经网络的人证比对

在证件审核场景中,常规的深度学习人脸识别方法人证比对精度低且在嵌入式设备运行效率差。为解决上述问题,本文提出了改进的轻量级卷积神经网络Lightnet,并采用了迁移学习方法。Lightnet是结合深度可分离卷积、线性瓶颈结构和注意力模块构成的轻量级卷积神经网络模块,引入附加角度裕量的损失函数AM-Softmax监督训练后,网络模型能够保持较高的验证精度,并有效解决标准卷积神经网络参数冗余、计算量大的问题。迁移学习通过冻结预训练模型的卷积层权重,并在自制的人证数据集微调,提高了网络模型的人证场景的识别性能。实验结果表明,所设计的轻量级人证比对算法在验证精度、参数量以及运行效率等方面取得了很好的效果,且对生活场景有较好的鲁棒性。     

压电叠堆主动减振的神经网络PID实时控制

为实现对带有模型尾支杆支撑系统在吹风过程中振动特性的实时控制,以压电陶瓷叠堆为减振元件设计了尾支杆一体化结构;提出了神经网络PID(Proportion-integration-differentiation)实时控制方法,建立了该尾支杆一体化结构的运动方程,推导出神经网络进行系统识别的状态方程,以此为基础进行控制器的设计并基于Labview软件编写控制程序;最后在风洞中,对该控制方法的控制效果进行了试验验证。试验表明利用该控制系统可进行实时控制;对不同风速下激励的振动,控制后的均方根幅值(Root mean square,RMS)减小55%以上,且该控制方法具有良好的鲁棒性、可靠性和容错性。     

圆形结构形态学滤波器优化设计及应用

形态学滤波是红外弱小点目标检测研究中一个有效方法,其滤波器结构将直接影响检测性能。基于目标在实测红外图像上所呈现的凸包结构特点,首先设计了圆形形态学滤波器结构。在此基础上,引入神经网络进行圆形形态学滤波器结构元素优化设计。实测数据的处理结果表明:针对低信噪比图像(SNR≈2),在虚警概率小于等于1%情况下,优化的圆形形态学滤波器算子对的复杂红外弱小目标图像检测概率大于等于98%,优于固定结构元素的形态学滤波器和方形结构的优化形态学滤波器。