基于Hamming神经网络聚类分析的进化策略

本文提出了一种基于Ｈａｍｍｉｎｇ神经网络聚类分析的进化策略,模糊自适应Ｈａｍｍｉｎｇ神经网络各类族的权重矢量纪录被进化搜索过的区域,并相应妄下该区域内最优个体和它的适应度,因此通过Ｈａｍｍｉｎｇ神经网络对进化个体的聚类分析,进化策略具有搜索记忆性,可以充分保证下一代遗传群体中个体遗传基因的丰富性,从而避免早熟现象的发生,这种进化策略还可以避免在被搜索过的区域内的无用搜索,进而加快进化策略的收敛速度     

神经网络在模拟系统故障诊断中的应用

模拟系统的故障检测诊断对于电路设计,ＶＬＳＩ等具有重要意义。而元器件的实际值究竟是有效值还是故障值,以及如何在大规模电路中测量判定它都是一个研究课题。本文利用神经网络的鲁棒性及模拟故障分析中的Ｍｏｂｉｕｓ变换,提出了一种用神经网络帮助故障诊断的有效方法,解决了线性模拟系统的诊断问题。     

神经网络在未来超分辨雷达中的应用

最新的技术发展已为研制超分辨雷达创造了条件。它能够突破普通雷达基于匹配滤波原理的分辨能力,而实现超分辨。超分辨雷达的巨大计算量通常来自求解非线性最小二乘问题时的多维搜索。本文针对这一问题,研究了雷达信号处理中的两个典型例子:(1)利用阵列处理检测个数已知而方向未知的雷达目标;(2)对波音727飞机进行超分辨距离多普勒成像。说明Hop-field神经网络通过集体运算能够求解各种困难的最优化问题,因而在未来的超分辨雷达中有广阔的应用前景。     

基于深度神经网络的流场时空重构方法

针对流场粒子图像测速实验中时间和空间高分辨率测量代价高的问题,研究了数据驱动的流场时空重构方法。为了对实验测得的低分辨率数据进行时空高分辨率重构,提出了一种基于深度神经网络的流场时空重构方法,并构建了一种基于卷积神经网络和长短时记忆神经网络的混合深度神经网络。该混合深度神经网络能够学习流场的时空演化特征,训练完成后可实现对实验数据的时空高分辨率重构。测试结果表明:只进行流场空间高分辨率重构时,重构出的流场与真实流场之间的均方根误差为0.0065左右,流场数据点数是原来的51倍;同时进行流场时间和空间高分辨率重构时,重构出的流场与真实流场之间的均方根误差可保持在0.065左右,流场时间维度的密度是原来的5倍,可极大提高实验效率,节约实验成本。     

基于BP神经网络方法的民用航空发动机故障诊断

用航空发动机故障诊断的方法很多,各种方法在具体操作过程中有着不同的作用和意义。本文提出一种依靠人工神经网络方法研究民航发动机各种故障征兆影响因素的作用程度的方法,并利用其仿真数据进行分析,找出具体工作过程中作用相对较大的因素,从而在定时与视情维修过程中提出合理的建议,以便为相应维修方法的实施、改进和研究应用提供可靠的依据。     

基于RBF神经网络的非线性观察器设计

提出了一种新的非线性观察器设计方法。与一般方法采用神经网络逼近整个非线性系统不同，该方法用RBF神经网络逼近系统的非线性项，故提高了状态估计的精度。基于李亚普诺夫方法，证明了状态估计误差渐近稳定且渐近收敛到零。仿真结果表明，所提出的非线性观察器设计方法具有良好的性能。在故障检测、状态估计等领域具有广泛的应用前景。     

一种基于粗糙K-均值的椭球基函数神经网络

改进了一种椭球基函数神经网络,它与经典椭球单元神经网络的结构不同,而与径向基函数神经网络结构类似,即它有一个隐含层,并且隐层单元采用椭球基函数,区别于RBF网络的高斯函数。本文采用粗糙K-均值方法求取椭球函数的中心,并给出了该方法中确定初始阈值的步骤。这种改进方法不但使对输入空间的划分局部作用,而且划分区域封闭有界。因此,改进的神经网络具有较好的函数逼近能力和模式识别能力。仿真实验验证了该椭球基函数神经网络的正确性和有效性。     

确定无陀螺卫星姿态的二阶非线性滤波算法研究

应用基于二阶泰勒级数近似得到的非线性滤波技术,设计了利用星敏感器矢量观测信息确定无陀螺三轴稳定卫星姿态的二阶非线性滤波算法.结合矢量观测的特点,分别讨论了单矢量观测信息与多矢量观测信息的处理方法,并把QUEST算法作为矢量观测数据压缩技术有效地结合进姿态估计器中,使得多矢量观测情况下的滤波修正算法得到了简化.仿真测试结果证明,二阶非线性姿态估计器的滤波性能要优于传统的扩展卡尔曼滤波姿态估计算法.     

神经网络在下颌运动轨迹图测量中的应用

介绍了采用小型磁石测量下颌运动轨迹图Electrognathography(EGN)的方法。给出利用磁偶极子模型代替小磁石模型的理论及实际依据。利用神经网络解决由磁石产生的磁感应强度推定其空间参数的反演问题 ,并且采用了分割网络及修正网络的方法来提高磁石运动测量的推定准确度。     

基于CNN机翼气动系数预测

随着机器学习的快速发展和其突出的非线性映射能力,越来越多的学者将机器学习方法应用到流体力学领域。为克服传统数学拟合不能很好的解决系统非线性问题,以及现有文献中所提及的一些基于神经网络的气动参数预测方法,需要进行参数化处理而带来的不便,同时为实现多变量多输出气动参数快速预测的目的,基于卷积神经网络考虑机翼变迎角和浮沉建立了一种多变量多输出的机翼气动参数预测模型,实现了机翼气动参数的快速预测。结果表明：所建模型具有较高且稳定的预测精度,并且计算效率较计算流体力学(CFD)提高了40倍。