磁性薄膜电磁参数测试技术

介绍了近15年国内外在磁性薄膜材料电磁参数测试方法的概况及技术特点,这些方法主要包括带状线法、微带线法、波导法及共面波导法、终端阻抗及短路法和谐振腔法。     

连分式扩充的粒子群神经网络压气机特性重构方法

对航空发动机压气机原始二维等转速线的数据点进行连分式扩充,通过两次网络训练,增加转速特性数据,在三维空间中进行BP(back propagation)网络模型重构.根据压气机特性数据空间分布的特点,引入压力比函数,调整计算区域,定义网络的输入输出数据,利用试探法确定隐含层维数.采用基于趋利避害原则的粒子群算法对网络的初始权值和阈值进行优化,建立了压气机压比和效率特性的整体代理模型.最后以某型发动机的低压压气机为例进行了压气机特性模型的重构.通过模型的校核与验证表明:采用这种方法建立的模型精度较高,优于普遍采用的传统二维插值方法和普通BP神经网络模型.最终建立的重构模型对于采用选配法、坐标法和部件法等以压气机通用特性曲线为基础的发动机模型的求解,可提高计算精度和迭代速度,具有一定的工程应用价值.      

基于SCSO-BP神经网络的卫星姿态控制系统故障预测

近年来,随着人工智能的迅速发展,基于人工神经网络的卫星姿态控制系统故障预测方法得到了越来越多的重视。在反向传播(Back Propagation ,BP)神经网络中,权重和偏置是重要的可调节参数,与神经网络的预测性能密切相关。BP神经网络的初始权重和偏置为随机生成,设置不当容易导致网络在训练过程中陷入局部极值,进而影响预测性能。为了提高BP神经网络的预测性能,提出了一种将沙猫群优化(Sand Cat Swarm Optimization ,SCSO)算法与BP神经网络相结合的预测方法。在训练过程中,首先通过SCSO 算法对BP神经网络权重和偏置进行预训练,在此基础上,利用精调后的BP神经网络对卫星姿态控制系统周期渐变故障数据的未来趋势进行预测。实验结果表明,与原始BP神经网络预测方法相比,SCSO-BP预测方法能够有效减小预测误差,具有更好的预测精度。     

基于Bayes网络的多源信息融合方法在精度评定中的应用

提出了一种基于多源验前信息融合的Bayes精度评定方法。利用Bayes网络进行多源验前信息融合时,能够结合现场试验数据,对信息加权因子做出较为合理的推断。根据验前及验后数据,通过Bayes网络中的MC—MC方法可以快速地获取各变量的验后统计特性,达到估计现场试验精度的目的。因此,基于多源验前信息融合的Bayes方法可用于解决小样本下的精度评定问题,仿真结果表明了该方法的有效性。     

基于拉普拉斯矩阵的网络社区划分算法在电缆网测试中的应用

在低频电缆网导通绝缘测试中,对电缆网连接节点的划分是开展低频电缆网测试的基础。通过电缆网连接节点的划分,可以高效低成本完成转接电缆和测试方案的设计,将能够大大节省电缆网性能测试的周期和成本,为工程项目任务中电缆网快速、高效、准确测试奠定基础。目前,对电缆网的测试一般直接通过连接器进行转接电缆设计,这种方法由于转接电缆连接器芯点分配的问题,导致测试效率较低。针对以上问题,提出改进型的转接电缆设计方法,并针对改进型设计方法中子网络难划分的痛点问题,采用基于拉普拉斯矩阵的网络社区划分算法完成电缆网相关性大的子网络的划分。该方法解决了节点多、关联性强的电缆网子网络划分问题,经过仿真验证,使用划分后设计的转接电缆进行电缆网测试,测试效率得到提升。     

机器人动态受力感知及零重力运动模拟技术

针对航天器在轨服务任务的地面零重力模拟需求,研究基于工业机器人的零重力运动模拟技术。建立基于BP神经网络的受力感知预测模型,该模型采用机器人末端姿态、加速度、角速度和角加速度作为输入层参数,采用机器人末端六维力传感器数据作为输出层参数,实现了对机器人末端负载的高精度动态受力感知。设计正交试验方法确定机器人的运动路径点进行样本数据采集,实现了受力感知预测模型对机器人全工作空间的覆盖。进一步,基于对机器人末端负载的受力感知数据,应用动力学理论计算负载在失重状态下的运动速度,并控制机器人执行相应的运动,实现了对机器人末端负载的零重力运动模拟。     

基于BP神经网络的现役装备改进风险评价研究

与研制新型装备相比,现役装备改进具有成本低、周期短的优势,但仍存在一定的风险。采用BP神经网络评价方法,利用MATLAB的神经网络工具箱,把非线性的风险评价原理模型化,给出了评价的学习算法,并通过测试数据验证了模型的可靠性。采用BP神经网络模型,不但解决了非线性数据方面的问题,而且通过训练模型的训练和建立,找出输入与输出的对应关系,减弱了人的主观因素,相对于其他方法更客观可信。     

基于全连接神经网络的分层旋流火焰燃烧振荡预报

燃气轮机贫油预混低排放燃烧室容易发生燃烧振荡,在宽工况极端条件下燃烧主动控制有潜力成为抑制燃烧振荡的有效方法。然而主动控制系统依赖于对燃烧振荡的快速监测和准确预报,因此有必要针对不同的燃烧振荡预报手段开展研究和验证。本文以甲烷预混同心分层旋流火焰的图像为基础,采用降低图像分辨率和提取火焰结构特征参数这两种不同的方式对火焰图像信息进行简化处理,并使用全连接神经网络对燃烧振荡进行预报研究。结果发现,两种方式都可以较为准确地预报燃烧振荡,精度均达到90%以上。预报精度随着图像分辨率的增加而升高,在极低的图像分辨率(3*3)下,预报精度也能达到90%以上。此外,对根据火焰平均图像提取的结构特征参数进行了敏感性分析,捕捉到了系统稳定性的转变,但参数变化范围受训练集限制。本文提出的基于数据驱动方法对燃烧振荡的预报时间小于2 ms,为实现燃烧振荡实时在线预报提供了支持。     

基于网络效用的OFDM卫星移动通信系统呼叫接纳控制

在天地一体化网络中,OFDM卫星移动通信系统更有利于与地面无线网络融合。呼叫接纳控制是无线资源管理中的关键问题,本文针对OFDM卫星移动通信系统提出了一种基于网络效用和动态系统资源的星上呼叫接纳控制方法,采用集中式接纳控制,对卫星系统资源的集中管理可有效降低呼叫等待时延。所提出的接纳控制方法基于不同业务的网络效用函数,采用跨层设计思想,根据物理层卫星信道状态变化更新OFDM子载波传输能力,在呼叫接纳控制过程中动态调整分配业务带宽,实现整个网络效用最大化,同时保证业务的QoS要求。仿真结果表明,在系统业务负载饱和的情况下,该方法系统资源利用效率显著优于基于用户端最小阻塞概率的接纳控制方法和基于用户端业务QoS的接纳控制方法,非常适合于资源受限的卫星系统。     

An approach to multi-temporal MODIS image analysis using image classification and segmentation

This paper discusses an approach for river mapping and flood evaluation based on multi-temporal time series analysis of satellite images utilizing pixel spectral information for image classification and region-based segmentation for extracting water-covered regions. Analysis of MODIS satellite images is applied in three stages: before flood, during flood and after flood. Water regions are extracted from the MODIS images using image classification (based on spectral information) and image segmentation (based on spatial information). Multi-temporal MODIS images from “normal” (non-flood) and flood time-periods are processed in two steps. In the first step, image classifiers such as Support Vector Machines (SVM) and Artificial Neural Networks (ANN) separate the image pixels into water and non-water groups based on their spectral features. The classified image is then segmented using spatial features of the water pixels to remove the misclassified water. From the results obtained, we evaluate the performance of the method and conclude that the use of image classification (SVM and ANN) and region-based image segmentation is an accurate and reliable approach for the extraction of water-covered regions.