考虑燃气引流的燃气弹射开盖载荷研究

建立一种带有导流槽装置的考虑燃气引流冲击开盖的新型燃气弹射系统模型,采用燃气弹射试验验证了数值计算方法的可靠性,在此基础上,计算得到弹射过程流场、筒盖载荷、弹体内弹道曲线变化规律,研究了改变导流槽深度对开盖载荷的影响。结果表明,发射筒与弹体间隙之间的压强呈现不断增加的趋势,且压强的扩散速率比温度更快;当导流槽深度为20 mm时,弹体加速度在低压室燃气动力作用、弹体运动和导流槽导流区域变化共同作用下呈现先上升、后下降、再急剧上升的变化规律,弹体速度和位移均呈现上升规律,筒盖最大压强达到0.24 MPa,满足发射开盖载荷设计要求。随着导流槽深度减小,导流槽封闭时间提前,筒盖最大压强不断降低,当导流槽深度不小于12.5 mm时,均可满足开盖载荷要求。     

具有复合非线性特征不确定系统的自适应反推控制

针对一类具有复合非线性特征的不确定系统,提出了一种自适应反推多滑模近似变结构控制方案.基于模型分解的方法建立了具有复合非线性特征的执行器模型.论文设计径向基函数神经网络近似系统的未建模项,借鉴Nussbaum增益设计技术解决控制增益未知的问题,使用自适应律估计不确定干扰和神经网络近似误差的上边界.自适应近似变结构控制能...     

正确选择数字示波器

以当前流行的数字示波器为例 ,介绍了其带宽、取样速度、存储深度、接口等一些基本概念。对如何更好的使用示波器和选择示波器都具有重要的参考借鉴价值。     

基于对角回归网络的非线性系统建模

分析了非线性系统神经网络建模的规律,利用对角回归神经网络(DRNN)实现了非线性动态系统的辨识.辨识结构采用串并联模式,网络权值的调整为考虑时变因素的调整算法.与静态神经网络相比,基于DRNN的辨识方法显示出很强的处理动态问题的能力,无需辨别系统阶次,辨识结构简单,收敛速度快.仿真结果表明该方法是有效可行的.      

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.      

探针式光纤探头的有效检测深度

研究了探针式光纤探头的有效检测深度。采用扩散方程描述光在强散射生物组织中的传播规律,运用纽曼边界条件,使用灵敏度矩阵对有效检测深度进行了研究。灵敏度矩阵和光源与检测器的空间位置分布密切相关。光源与检测器对的灵敏度矩阵定义为：光源位置和检测器位置分别作为光源的光场分布的乘积。设计了6组针对不同参数的模型,参数主要包括光源、检测器光纤芯径、光源、检测器光纤中心距、光纤探头所处的深度、生物组织的吸收系数和散射系数。对探针式光纤探头在各组模型中的有效探测深度进行了仿真,重点研究了六种参数对检测深度的影响。所得结论可以推广到分析光纤检测器的空间分辨率和多光纤检测器的研究中。     

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。     

对抗黑盒攻击的混合对抗性训练防御策略研究

随着深度学习模型在无人驾驶等安全敏感性任务中的广泛应用,围绕深度模型展开的攻防逐渐成为机器学习研究的热点。黑盒攻击是一种典型的攻击场景,在攻击者不知道模型具体使用结构和参数等情况下仍能进行有效攻击,是现实场景中最常用的攻击方法。因此,分析深度学习模型的脆弱性并设计出更加鲁棒的模型来对抗黑盒攻击成为迫切需要。而传统基于单模型的单强度和多强度对抗性训练方法,在抵御黑盒攻击时性能十分有限;基于多模型的集成对抗性训练方法在抵御高强度、多样化攻击样本效果也不理想。本文提出一种基于贪婪强度搜索的混合对抗性训练方法,实验结果表明,所提出的混合对抗性训练能够有效抵御多样化的黑盒攻击,性能优于传统的集成对抗性训练。     

基于声发射砂轮磨损监测系统的研究

磨削加工过程中砂轮出现磨损需要反复的修整,砂轮磨损状态的监测可以有效判别砂轮工作状态,减少砂轮修整次数。本文建立了一种基于声发射信号的砂轮磨损监测模型,提出了基于一种小波分解系数均方值统计分析的砂轮磨损状态特征提取方法。同时,采用BP神经网络对砂轮磨损状态进行识别,其输入为3种提取特征,输出为3种不同的砂轮磨损状态。通过磨削试验对监测系统进行评价。结果表明,所提出小波分解系数均方值统计分析的特征提取方法和砂轮磨损监测系统均具有良好的效果。