基于复合形与神经网络的机翼结构优化设计

从元件位置和元件尺寸两个方面考虑,提出了一种全局结构优化设计方法。利用NASTRAN完成尺寸优化,利用神经网络对NASTRAN优化结果进行映射,用复合形法进行位置寻优,最终完成了机翼结构的优化。算例表明利用神经网络来预测NASTRAN优化结果有较高的精度与适用性,本文所提方法可行、正确,具有很高的效率。     

基于深度强化学习的无人机栖落机动控制策略设计

无人机栖落机动飞行是一种无需跑道的降落方法,能够提升无人机在复杂环境下执行任务的适应能力。针对具有高非线性、多约束特性的无人机栖落机动过程,提出了一种基于模仿深度强化学习的控制策略设计方法。首先,建立了固定翼无人机栖落机动的纵向非线性动力学模型,并设计了无人机栖落机动的强化学习环境。其次,针对栖落机动状态动作空间大的特点,为了提高探索效率,通过模仿专家经验的方法对系统进行预训练。然后,以模仿学习得到的权重为基础,采用近端策略优化方法学习构建无人机栖落机动的神经网络控制器。最后,通过仿真验证了上述控制策略设计方法的有效性。     

神经网络宽度对燃烧室排放预测的影响

为研究神经网络宽度对航空发动机燃烧室排放预测的影响，基于录取的全环燃烧室排放试验数据，构建了以燃烧室进口空气温度、进口空气压力、供油流量和油气比为输入，CO和NOx排放指数为输出的神经网络预测模型，确定了最优网络宽度。结果表明，存在一个最优的网络宽度值，使得神经网络预测模型的拟合优度和预测精度达到最佳，本文最优的网络宽度为24。通过拟合优度、误差分析和敏感性分析验证了构建的神经网络模型的准确性和泛化性。基于最优网络宽度的神经网络预测模型能够很好地挖掘输入参数与排放指数之间的映射关系，可作为给定工况参数下燃烧室排放预测工具。最后，基于敏感性分析，结合燃烧物理机理和试验现象对构建的神经网络可解释性进行了探讨。     

基于数据驱动的复杂进气下风扇转子叶根损失模型

发展了一种基于数据驱动的复杂进气下风扇转子叶根损失预测方法。提取了影响风扇转子叶根损失的关键气动参数作为输入变量，熵损失系数作为输出参数；采用计算耗时小的单叶片通道定常模型，通过给定不同边界条件并进行组合来构建样本数据库，使得数据库中样本点尽可能覆盖更广的复杂进气工况；采用径向基神经网络训练并构建输入变量与输出参数之间的映射，实现叶根损失的快速预测。计算结果表明：该损失模型能够准确捕捉叶根损失的径向分布趋势，并且相比于传统损失模型能够大幅提升预测精度。在不同流量、进气旋流以及畸变强度工况下，叶根流动损失平均预测误差基本小于10%。     

具有神经元网络补偿的隐式广义预测控制的硬件设计与分析

针对隐式广义预测控制算法在被控系统复杂性增加时有效性降低、实时性变差的问题，本文将神经元网络作为该算法的补偿，提出了一种具有神经元网络补偿的隐式广义预测控制方法，并着重讨论了神经元网络的硬件设计和ＮＩＧＰＣ的实现。仿真结果表明：ＮＩＧＰＣ不仅保留了ＩＧＰＣ鲁棒性强等特点，更主要的是它提高了ＩＧＰＣ的的实时性，并使之具有良好的跟踪特性。     

基于神经网络的多模态故障检测

研究了使用RBF网络进行多模态辨识的结构和其在多模态故障检测中的应用。在信号满足持续激励的条件下 ,状态估计误差渐进趋向于零 ,辨识器的参数估计能够达到满意的效果。使用多个神经网络辨识器 ,对一非线性系统的多模态故障检测进行了仿真研究     

神经网络理论用于钢材含碳量无损检测

本成果是留学归国人员基金项目，1999年曾获得省教委科技进步一等奖。     

基于神经网络的旁路活门自适应控制

ＦＬ－７风洞旁路活门非线性控制系统稳Ｍ数神经网络自适应控制中的网络拓扑结构，权值调整，自构性学习，及其实现方法表明，整个系统控制性能优良，不仅控制精度高，而且节省燃油，可靠性性能良好。