人工神经网络技术在点焊质量控制中的应用研究

利用人工神经网络技术对交流电阻点焊的多个动态电参数进行融合处理,建立起以交流点焊过程中动态电参数作为输入空间;以熔核尺寸为输出空间,可用于实时在线检测和预测的低碳钢点焊质量监测系统。所建监测系统的熔核直径的平均预测误差小于5%,熔核高度的平均预测误差小于8%,完全可以满足工程实际的需要。     

模糊神经网络在过失速机动飞行中的应用

模糊逻辑控制技术和神经网络有机的结合 ,拓宽了模糊逻辑方法和神经网络方法的适用领域。利用神经网络具有自学习能力的优势 ,采用反向传播学习算法 ,通过对传统模糊逻辑控制器中的模糊逻辑控制规则和隶属函数有关参数进行训练学习 ,设计了模糊神经网络控制器 ,应用于飞机的过失速机动“里程碑”之一—— 70°迎角定常飞行仿真计算 ,获得了令人满意的结果。     

复合神经网络模型在刀具状态监测中的应用

提出了一种用于刀具状态监测的复合神经网络模型,模型由多个神经网络组成,神经网络的数目等于要监测的刀具故障数目。实验结果表明,该方法不仅可以在多种切削条件下获得较高的识别率,还可以识别出新的刀具故障。     

多宗量导热反问题求解的神经网络法

将神经网络用于求解多宗量导热反问题,建立了相应的数学模型,并给出了具体的网络设计方法。数值模拟结果表明,此法是可行的、有效的,并具有较高的精度和较强的通用性,可推广用于其它反问题的求解。      

基于优化最小二乘支持向量机的小样本预测研究

统计学中的预测问题主要是通过对已知数据的分析,找到数据内在的相互依赖关系,从而获得对未知数据的预测能力。该文提出了最小二乘支持向量机参数优化方法———多层动态自适应优化算法,构建了基于最小二乘支持向量机的预测模型,并对Ti 26合金的性能预测进行了研究。结果表明:优化的最小二乘支持向量机具有优秀的小样本数据学习能力和预测能力。     

导弹非线性自适应鲁棒控制系统设计

提出了一种基于全调节RBF神经网络的导弹非线性自适应鲁棒控制系统的设计方法，应用全调节RBF神经网络在线辨识系统中存在的不确定性，利用反演和鲁棒控制技术设计了导弹控制系统，成功地处理了非匹配不确定性，并在虚拟控制中引入了微分阻尼项，有效地改善了系统动态性能。最后，应用Lyapunov稳定性理论推导出RBF神经网络各参数的调节律，并证明了系统状态全局渐近收敛于原点的一个邻域，仿真结果验证了该设计方法的有效性和可行性。     

月球风化层钻取采样过程密实度分类研究

钻取采样是月球风化层土壤样品获取的重要方式,密实度是重要的风化层月壤原位特性,对钻进过程中的策略制定有重要影响。本文结合钻取采样过程特点,提出了通过采样机构的力、速度、电流、温度等传感器获取的瞬时信息感知月壤密实度的方法,利用深度学习方法构建一类适应于可变长度序列数据的门控型循环神经网络,实现钻进过程月壤密实度在线分类。研究表明,该分类方法在风化层钻进过程中月壤密实度感知滞后时间约为33 s,对未知序列数据识别正确率大于89.36%,具有较高的分类精度和泛化能力。     

基于BiGRU-SVDD的ADS-B异常数据检测模型

广播式自动相关监视（ADS-B）作为新一代空管监视技术,由于采用明文方式广播发送数据,因而存在易遭受网络攻击的安全问题。为了准确检测ADS-B数据攻击行为,在充分考虑时间相关性的基础上,提出了针对ADS-B数据的异常数据检测模型。首先利用双向门控循环单元（BiGRU）神经网络预测ADS-B数据,得到了ADS-B数据预测值。再将预测值和实际值作差,将差值放入支持向量数据描述（SVDD）训练,得到了能检测ADS-B异常数据的超球体分类器。并且,选择了合适的滑动窗口,在保证异常检测准确率的同时,缩短BiGRU神经网络的训练时长。实验结果表明,BiGRU-SVDD模型能检测出随机位置偏移攻击、高度偏差攻击、重放攻击、拒绝服务（DOS）等攻击下的ADS-B异常数据。并且,与其他机器学习和深度学习方法相比,BiGRU-SVDD异常检测模型的准确率更佳,适应性更优。     

航天复合材料智能健康监测技术研究进展北大核心CSCD

航天复合材料智能健康监测技术水平是衡量航天型号可靠性与先进性的重要标志之一,是支撑航天装备向多次重复使用、长期可靠运行发展的关键技术之一。本文总结了近年来复合材料智能健康监测在传感器制作技术、传感器与复合材料集成技术、复合材料状态监测技术、复合材料损伤及失效表征技术、人工神经网络数据处理和分析技术主要研究进展及发展现状,提出了航天复合材料智能健康监测技术存在的问题以及后续未来发展的重要方向。     

Collaborative optimization design of process parameter and structural topology for laser additive manufacturing

High-resolution laser additive manufacturing (LAM) significantly releases design freedom, promoting the development of topology optimization (TO) and advancing structural design methods. In order to fully take advantage of voxelated forming methods and establish the quantitative relationship between the mechanical properties of printing components and multiple process factors (laser- and process- parameters), the concurrent optimization design method based on LAM should cover the process-performance relationship. This study proposes a novel artificial intelligence-facilitated TO method for LAM to concurrently design microscale material property and macroscale structural topology of 3D components by adopting heuristic and gradient-based algorithms. The process–structure–property relationship of selective laser sintering is established by the back propagation neural network, and it is integrated into the TO algorithm for providing a systematic design scheme of structural topology and process parameter. Compared with the classical optimization method, numerical examples show that this method is able to improve the mechanical performance of the macrostructure significantly. In addition, the collaborative design method is able to be widely applied for complex functional part design and optimization, as well as case studies on artificial intelligence-facilitated product evaluation.