航空发动机多变量自校正控制研究

针对航空发动机这一具有耦合和强非线性被控对象,采用基于带遗忘因子的最小二乘参数估计算法的最小方差多变量自校正控制,通过分析保证了闭环系统的可辨识性。仿真结果表明,控制器响应速度快,跟踪精度高,抗干扰和耦合能力强,估计参数能以较快的速度收敛。      

基于余弦基神经网络的FIR滤波器设计

提出了一种基于余弦基神经网络FIR滤波器的设计方法。根据线性相位FIR滤波器的幅频特性是有限项的傅里叶级数，构造了一个三层余弦基神经网络模型，并给出了最优隐层神经元的个数。经模拟仿真，滤波器性能非常理想，具有同时输出低通、高通、带通、带阻各种功能，通带、阻带无过冲无波动，边界频率可以精确控制。     

基于网络的大学英语“1+X”课程体系构建研究

构建科学、系统、个性化的大学英语课程体系是高校大学英语改革的关键因素。基于相关的外语习得与教学理论,结合本校的教学条件和本校学生的现实基础,对构建有利于改善大学英语教学效果和提高教学质量的个性化教学体系做了详细论述及深入探讨,期望能推动大学英语教学改革的纵深发展。     

航空活塞式发动机空燃比实时控制算法

采用比例-积分-微分神经网络(PIDNN)的控制算法,集合了传统PID控制及神经网络各自的优点,控制发动机在不同工况下的空燃比,实现发动机在不同工况间切换时,能够快速地控制空燃比至目标值.在AMESim软件中建立发动机模型,在MATLAB软件中建立PIDNN控制算法,进行模型在环仿真,仿真结果表明:在不同海拔高度下,PIDNN控制算法都能够准确地把空燃比控制在目标值,当发动机在不同工况间切换时,PIDNN能够在0.5s内把发动机空燃比控制至目标值,并且保证过量空气系数超调量在0.2之内,改善了发动机的动力性、经济性,提高了发动机的响应能力.     

柔性航天器姿态的在线神经网络控制

研究了由一个中心刚体带有一对柔性梁的航天器的神经网络控制问题。使用广义卡尔曼滤波训练算法对辨识神经网络和神经控制器进行在线训练,使用间接模型参考自适应控制算法对受控对象进行控制,提出了一种当被控对象的某些状态变量无法量测时进行在线辨识、控制的解决办法。仿真结果表明,此控制方案可以实现刚体由静止到静止的姿态机动,并且对附件振动有很强的抑制作用。     

基于神经网络与果蝇优化算法的涡轮叶片低循环疲劳寿命健壮性设计

在对涡轮叶片低循环疲劳寿命概率分析的基础上,将广义回归型神经网络(generalized regression neural network,GRNN)与果蝇优化算法(fruit fly optimization algorithm,FFOA)结合,利用果蝇优化算法的多点全局的快速搜索能力来优化影响疲劳寿命的随机变量,进行涡轮叶片低循环疲劳寿命健壮性优化设计.优化结果表明:疲劳寿命的概率区间减小17.9%,对随机变量的敏感度降低,从而可以更精确地对疲劳寿命进行估计.计算结果验证了该方法在工程应用中的可行性.      

抽吸对高超侧压进气道自起动性能的影响

针对某型高超侧压进气道设计了纵向槽、横向槽和圆孔等4种抽吸方案,对各方案的进气道流场进行了数值模拟.结果表明:抽吸可以显著提升进气道的自起动性能,且对进气道不起动流场的分离区进行抽吸的效果最佳,文中最优方案将进气道的自起动马赫数由4.6降至3.7.对进气道进行了马赫数为4条件下变攻角的风洞试验,验证了抽吸对提升进气道自起动性能的有效性.      

高压比离心叶轮自循环机匣处理扩稳研究

为了探索自循环机匣处理扩稳机理,利用全三维数值模拟方法对应用自循环上游槽封闭机匣和自循环机匣处理结构两种情况下的Krain高压比离心叶轮进行了详细研究.对比结果表明:自循环机匣处理能有效的延迟失速的发生并在近失速区域略微提高压气机的效率以及总压比.通过详细的流场分析表明:该机匣处理能有效地减小叶顶栽荷,从而降低泄漏流相对速度,抑制间隙泄漏涡在叶顶通道内的发展以减小低速气流在流道内的阻塞,提高转子通道的通流能力,从而达到扩大稳定工作范围的目的.     

基于NSCT与PCNN的图像融合

针对非下采样Contourlet变换(NSCT)变换的平移不变性、多尺度性和多方向等特点,结合脉冲耦合神经网络(PCNN)的全局连接性和神经元的脉冲同步性,提出基于NSCT变换区域特征与脉冲耦合神经网络相结合的图像融合方法。首先对待融合图像进行多尺度、多方向的分解,低频系数采用区域能量融合规则,高频系数作为脉冲耦合神经网络的输入,最后对融合后的系数经过NSCT逆变换得到融合图像。实验结果表明,融合结果在主观和客观评价上均优于其他对比方法。     

基于改进RBF神经网络的某型机载雷达电路故障诊断

RBF神经网络在故障诊断中的应用是一个十分热门的研究课题。但RBF神经网络用于故障诊断需要大量的隐含层节点,隐含层节点越多其训练时间越长。针对此问题,提出了一种改进的RBF神经网络故障诊断方法。通过仿真实例,可以看出隐含层的节点大大减少,训练时间缩短,该方法用于雷达故障诊断非常有效。