神经网络集成的分布式入侵检测方法

分布式入侵检测系统需具有分布式检测功能及部件增量更新能力.文中提出了一种基于神经网络集成的分布式入侵检测方法,采用单个Agent检测与多个Agent协同检测的两级集成算法实现分布式入侵检测;在发现新的入侵时,Agent上的神经网络集成采用基于资源分配网的增量学习算法进行更新.实验结果表明,该算法能有效检测各种攻击,并且具有对未知攻击的增量学习能力.     

基于机体振动的直升机桨毂阻尼故障诊断

研究了仅用机体振动信号诊断旋翼减摆器阻尼失效、轴向铰卡涩和水平铰卡涩3种桨毂阻尼故障的可行性。在旋翼试验台上分别设置上述3种阻尼故障,测取机体振动响应,利用快速傅立叶变换分析其频谱特征。分析表明,3种阻尼故障引起的机体振动谱图互不相同。采用概率神经网络实现了3种阻尼故障的正确分类。研究表明,仅用机体振动响应实现旋翼阻尼故障诊断是可行的。     

一种基于Petri网模型进行故障树分析的改进算法

集算集,利用Petri网的性质对故障树进行建模,并基于对偶和再吸收处理提出一种改进的最小割法。理论分析和实例验证的结果表明,该算法可以大大地减少计算量,能同时得到最小路且易于在计算机上实现。     

基于序列-图像映射的航天器智能故障诊断方法

卫星组网是未来航天的发展大趋势,要保证众星在轨安全可靠稳定运行,要求单星具备高精度的在轨自主故障诊断能力。本文针对航天器控制系统故障闭环传播和数据维数高的特点,结合某航天器的地面测试数据,首先对高维耦合序列数据进行处理,实现序列到灰度图像的映射,然后采用卷积神经网络完成高精度同一故障部件的故障诊断。通过将所提方法与K邻近算法、基于主成分分析的K邻近算法等非图像化机器学习算法进行对比验证,说明了本文所提方法的有效性。     

测试设备故障诊断专家系统的设计与实现

通过分析测试设备故障诊断专家系统的目的和任务,将模糊神经网络理论与专家系统结合后用于测试设备故障诊断,建立了故障诊断专家系统的模型。探讨了故障诊断专家系统中知识库的构建及维护、不精确推理等问题。用面向对象分析方法分析测试设备故障诊断专家系统,并用软件加以实现。     

基于灰色神经网络的疲劳裂纹预测方法研究

为对构件疲劳损伤进行预测,提出了基于灰色神经网络模型的疲劳裂纹扩展预测方法。将灰色GM（I,1）模型向BP网络映射,建立了一维灰色神经网络GNNM（1,1）模型。基于灰色GM（1,1）模型的发展系数和灰作用量给出了GNNM（1,1）模型初始权值。应用建立的GNNM（1,1）模型预测了某不锈钢构件腐蚀疲劳裂纹的扩展,并与GM（I,1）模型的预测结果进行了对比,表明GNNM（1,1）模型具有更高的预测精度和模型精度。     

基于小波神经网络的无叶扩压器失速分析

用来自不同文献的实验数据作为样本,对小波神经网络进行训练,并利用训练好的神经网络研究叶轮和扩压器几何尺寸对无叶扩压器失速的影响.计算分析结果表明:几何尺寸对于宽、窄扩压器失速的影响表现不同,这也证明了不同宽度的扩压器的确存在不同的失速机理.文章的结果,对无叶扩压器的设计具有一定的借鉴意义.      

Petri网在制造系统建模与仿真中的应用

依据面向对象的Petri网的理论,给出了制造系统的建模过程,最后将统一建模语言(UML)融入到制造系统的建模与仿真中,通过实例进一步阐明了Petri网在制造系统建模与仿真中是如何应用的。     

基于人工神经网络的可压缩湍流大涡模拟模型

在国家数值风洞（NNW）工程项目的指导下，空间人工神经网络（SANN）模型被用于强可压缩湍流大涡模拟（LES）研究，其中流场的湍流马赫数分别为0.6、0.8、1.0。基于湍流的多尺度空间结构特性和人工神经网络方法发展的高精度空间神经网络（SANN）模型适用于不可压缩湍流和弱可压缩湍流。对于强可压缩湍流，流场中会出现激波结构，给大涡模拟带来了挑战。本文的研究结果表明：SANN模型适用于强可压缩湍流的大涡模拟。在先验分析中，SANN模型预测的亚格子应力和亚格子热流的相关系数超过0.995，远远高于梯度模型和近似反卷积模型等传统模型；传统模型的相对误差大于30%，而SANN模型在这方面有很大的改进，相对误差低于11%。在后验分析中，与隐式大涡模拟（ILES）、动态Smagorinsky模型（DSM）、动态混合模型（DMM）相比，SANN模型能更精确地预测能谱、各类湍流统计特性以及瞬态流动结构。因此，基于湍流多尺度空间结构特性的人工神经网络模型加深了人们对强可压缩湍流亚格子建模的认识，同时可以服务于NNW工程的流体力学模型构造。     

Development cost prediction of general aviation aircraft projects with parametric modeling

The study of the development cost of general aviation aircraft is limited by small samples with many cost-driven factors. This paper investigates a parametric modeling method for prediction of the development cost of general aviation aircraft. The proposed technique depends on some principal components, acquired by utilizing P value analysis and gray correlation analysis. According to these principal components, the corresponding linear regression and BP neural network models are established respectively. The feasibility and accuracy of the P value analysis are verified by comparing results of model fitting and prediction. A sensitivity analysis related to model precision and suitability is discussed in detail. Results obtained in this study show that the proposed method not only has a certain degree of versatility, but also provides a preliminary prediction of the development cost of general aviation aircraft.