基于样条曲线插值的压力传感器的温度补偿

提出了基于三次样条曲线插值的温度补偿方法,用这种方法对测压范围为0.013 3×105~3.198 9×105 Pa,温度应用范围为-55~+80℃的高精度谐振筒压力传感器的实验标定结果进行了温度补偿.为加快标定过程,给出了传感器标定点数的减少方案.结果表明,在传感器的标定点数减少2/3的情况下,提出的温度补偿方法的综合误差为0.007 9%,约是基于径向基函数(RBF)神经网络的温度补偿方法的1/2,从而有效减少了传感器的标定成本和工作量.这对于解决高精度压力传感器的温度补偿问题具有一定的理论意义和工程应用价值.      

旋转弹的神经网络变质心姿态控制

研究了旋转弹变质心控制系统的姿态控制问题.建立了内部带有n个可移动滑块的导弹系统仿真数学模型,分析了滑块与弹壳间的相对运动对系统运行产生的耦合影响.利用神经网络的自学习性以及自适应特性,设计了基于神经网络控制的姿态控制律来计算系统质心的期望位置.利用最优原理确定了各滑块的期望偏移以实现系统质心位置的改变,从而达到改变导弹飞行姿态的目的,提高了系统的动态响应品质.以带有2个滑块的旋转弹姿态控制系统为例进行非线性仿真,证明了所设计控制律的有效性.      

基于PNN与FNN模型神经网络控制器设计与分析

模糊神经网络和预测神经网络分别是基于经验和学习的新型神经网络控制系统,通过在卧式电液仿真转台中框控制器上分别采用这2种控制方法来研究它们的控制特性和应用范围.其中,模糊神经网络结合了模糊控制的经验和神经网络的学习能力,但控制精度取决于人为经验;所研究的预测神经网络采用了基于非线性自回归滑动平均模型建立预测模型,实现在线学习和在线控制,但初始阶段控制精度不高.仿真研究证明,根据具体的控制对象采用适当的控制方法或是将2种方法合理地结合起来将会达到较高的控制精度.      

基于小波神经网络的多传感器自适应融合算法

针对多传感器融合系统的非线性和不确定性,将小波分析与神经网络相结合,提出一种基于小波神经网络的多传感器自适应融合算法.融合系统包括扩展卡尔曼滤波器、小波神经网络、融合知识库以及航迹融合算法.该算法以分布式融合结构为基础,利用环境信息理论和测量方差归一化方法构建小波神经网络,并且通过数值样本训练小波神经网络,使其在融合过程中实时估计各传感器的信任度,再由融合知识库根据各传感器信任度来选择适合的航迹融合算法,最终得到全局状态估计.实验结果表明,提出的融合算法可以根据环境变化在线自适应融合来自多传感器的测量值,对不确定信息具有很好的融合能力.      

基于单帧图像质量加权的视频质量评价模型

利用人眼视觉特性与视频序列时空相关特性,提出了基于视频序列内单帧图像质量加权的视频质量评价模型.其中,单帧图像质量利用峰值信噪比和结构相似性度量作为图像质量的描述参数,采用神经网络(NN,Neural Network)与支持向量机(SVM,Support Vector Machines)建立图像质量评价模型;视频序列质量由序列内单帧图像质量加权衡量,加权因子描述了视频序列内运动及场景变化的剧烈程度.仿真实验结果表明,该模型的输出能有效地反映图像的主观质量.模型预测出的单帧图像质量和视频序列质量的单调性相比PSNR分别提高7.42%和10.47%,均方根误差相比则提高了36.06％和10.48%.      

人工蜂群优化BP神经网络的太阳电池阵电流预测

通过对卫星太阳电池阵输出电流影响因子进行分析,提出了一种基于人工蜂群（Artificial bee colony,ABC）算法优化BP神经网络的太阳电池阵输出电流预测方法。将太阳入射角、卫星太阳电池阵工作温度、卫星星时等遥测量变换后作为神经网络输入,进行输出电流预测。考虑到神经网络对初始权值及偏置敏感的特点,采用ABC改进算法对神经网络初始参数进行优化。该模型可用于卫星太阳电池阵电流输出能力分析、太阳电池阵预警及异常检测等。实验测试表明,模型能够取得较高预测精度,同星预测均方根误差（Mean squared error, MSE）为0.10 A,跨星预测均方根误差为0.12 A,其精度明显优于传统数据拟合方法。利用该模型及本文提出的预警策略进行预警,对于7年5个月的正常卫星数据没有发生误报,对于某异常卫星数据能够及时进行预警。     

基于神经网络和故障字典相结合的末制导雷达故障诊断技术

采用故障字典和BP神经网络相结合的方法,利用Muhisim软件进行电路仿真,再由实测样本数据对BP神经网络进行训练,完成对网络各参数的设置。仿真结果表明,该方法可以较好地将故障定位到模块级中的元器件,也可为其他型号的雷达模块级故障诊断技术研究提供借鉴。     

高鲁棒性的螺旋桨片条理论非线性修正方法

针对螺旋桨极端状态分析计算的问题,对片条理论（BEMT）方法进行了一定的改进。虽然片条理论在常规工况下能够比较准确地计算拉力和功率,但在考虑严重非线性的部分工况下,如很低或很高前进比状态,传统片条理论存在一定的局限性,无法可靠地计算拉力、功率、环量分布及诱导速度。鉴于此,分析了传统片条理论方程解的不唯一性和诱导速度的奇异性,然后结合涡流理论提出了一种环量迭代修正方法,解决了传统片条理论在极端工况下的计算困难。另一方面,为了兼顾多种叶素非线性效应,应用人工神经网络对叶素的大迎角特性、低雷诺数特性及跨声速特性进行特征提取,并为片条理论提供高效的叶素非线性气动特性预测。通过与计算及试验结果对比,验证了修正片条理论方法针对本文计算模型能够在很低/很高前进比下进行准确计算。在本文算例中,拉力和功率的相对误差在常规工作段可以保持在5%以内,在很低和很高前进比下仍可以保持在10%以内。     

超声速湍流密度脉动预测的神经网络方法

针对气动光学效应对湍流密度脉动预测的需求,发展了超声速湍流密度脉动预测的神经网络方法,从直接数值模拟（DNS）的超声速湍流边界层的流场数据中挖掘规律,建立了包含5个隐含层的密度脉动模型。实验结果表明,所发展的神经网络方法可以很好地预测密度脉动均方值,它不仅能很好地预测训练样本,对测试样本预测的精度和稳定性也显著高于传统模型,且具有一定的泛化能力。通过特征选择和加入先验信息,确定了密度脉动模型的7个输入参数特征量,进一步提高了模型的泛化能力和实用性。     

BP神经网络在航空复合材料敲击检测中的应用

随着航空复合材料运用越来越广泛,其本身缺陷造成的事故也愈来愈多.提出一种利用敲击检测和BP神经网络的航空复合材料无损检测方法.首先运用敲击检测采集数据;然后运用平均值法和方差法来对数据进行修正;最后借助MATLAB软件进行BP神经网络数据分析,在训练数据4 000组、测试数据20组时,准确率可达90%.实例验证结果表明,基于BP神经网络的敲击检测方法可以实现航空复合材料缺陷的有效检测.