基于单隐层神经网络的压电执行器非线性特征建模策略研究

研究了压电致动器的几种主要非线性特征的联合建模方案,其中包括迟滞、蠕变和温度漂移.提出了一个利用NARM AX模型的级联单隐层前馈神经网络以消除迟滞的影响,利用信息标准和误差缩减比算法确定对模型误差影响最大的几项回归因子作为网络的输入节点.实验表明,利用多网络泛化和正则化策略,网络在测试数据上的绝对误差可以下降到不高于±0.1 μm;通过将运行时间、温度传感器测量值和激励电压频率三项数据加入输入节点,可补偿蠕变和温度漂移导致的非线性因素,将最终在测试集上的绝对误差限制在±0.01 μm之内,且对于不同的激励电压频率具有良好的泛化能力.本文的研究成果对于多非线性耦合的压电执行器建模有一定的借鉴意义.     

基于学习的中段反导拦截时间和拦截点预测方法

弹道导弹实时、准确地预测拦截弹的拦截点与拦截时间，是实现中段突防的有效手段。针对弹道导弹中段突防中的拦截点坐标及拦截时间的预测问题，提出了一种基于监督学习的在线预测方法。以拦截弹的主动段关机参数和关机时刻为输入量，建立拦截时间和拦截点预测模型。在多层感知机神经网络的基础上构建有监督学习算法，通过攻防仿真获取拦截弹的参数制作训练数据集，在线下完成网络训练。仿真结果表明:神经网络能够有效在线预测拦截时间和拦截点坐标，预测结果的相对误差分别为0.124 3%和0.128 5%，拦截时间预测结果误差的平均值为0.224 0 s，拦截点预测结果距离误差平均值为2 016.48 m，均满足精度要求。      

面向林火持续侦察的多无人机分布式控制方法

为解决目前面向林火持续侦察多无人机（UAV）协同控制实用性与自主性不足的问题，基于蔓延速度诱导元胞自动机（SVICA）林火蔓延算法、无人机与传感器建模，构建了较为真实的三维多无人机火场侦察仿真环境与侦察效能指标，提出了一种面向林火持续侦察的多无人机双层分布式控制架构，在行动层基于强化学习训练的人工神经网络（ANN），实现了有风条件下无人机自主火场环绕与地形跟随功能，在策略层设计通过时域均匀分布算法进行各无人机空速的离散自主调节，最终达到多无人机林火持续侦察时域分布的均匀性与即时性目的。通过一系列数值仿真实验，验证了所提出的无人机分布控制策略在无人机损失和补充突发情况下的自适应性。基于无人机数量与侦察效能指标关系的实验与研究，定义了无人机出动阈值并验证了无人机长时间出动回收策略。最终实验结果表明，针对林火持续侦察任务，所提出的多无人机分布式控制方法具备一定的有效性与实用性。     

数控机床主轴热误差测点优化及建模技术研究

为了减少热误差对数控机床加工精度的影响,首先利用热成像仪初步找出机床温升明显的位置,然后利用灰色理论对16个温度测点的试验数据进行优化处理,找出与热误差关联度较高的测点;将优选出的温度测点数据和实测的Z轴热误差数据进行划分,采用GM (1,n)灰色预测和BP神经网络建立热误差预测模型,并在试验机床上进行验证。试验结果表明:采用灰色GM (1, n)模型预测结果与实际测量平均相对误差为10.17%,采用BP神经网络预测与实测结果平均相对误差为5.19%,优于灰色GM (1,n)预测,能起到提高热误差预测精度的作用。     

基于Faster RCNN的屏幕防手机拍摄算法的研究

智能手机强大的拍摄功能使得通过手机拍摄屏幕来获取敏感信息的代价越来越低,存在较大风险。在分析现有屏幕防拍摄方法存在的局限性基础上,针对屏幕防手机拍摄的特定环境,提出了一种基于Faster RCNN的识别手机拍照的新方法。首先,分析使用手机拍照的特点,建立了动静结合的Pascal VOC训练集;其次,在TensorFlow的框架下实现手机识别算法;最后,根据不同的影响因素建立训练集,分析各因素在不同的阈值下对识别精准率、准确率和召回率的影响。通过对算法的详细分析和与其他屏幕防窃拍方法进行对比,验证了算法的有效性。     

基于ABC-BP神经网络的航空发动机滑油金属含量预测

为有效监测发动机滑油状态,本文建立基于ABC-BP神经网络的滑油金属含量预测模型。在参数的初始化阶段,人工蜂群的适应度为BP神经网络的误差函数,神经网络的阈值和权值选定为适应度最优的一组参数。通过实验仿真对民航实际数据进行研究,实验表明模型预测效果理想,为实现健康管理和故障预测奠定基础。     

不确定航迹自适应预测模型

针对现有航迹预测技术中，存在无模技术缺乏理论分析支持、能力有限、适用范围窄、有模技术先验假设过多、前提条件严苛、通用性差等问题，通过理论推导，利用循环和多层神经网络结构，研究提出了具有理论严谨、先验假设少、适用范围广、通用性强等优点的不确定航迹自适应预测模型，同时给出了典型的实现方法。该模型克服了现有航迹预测方法的缺点与不足，并具有无模与有模两类技术的优点与长处，仿真和实测实验验证表明：该模型能很好地提取识别出数据中存在的模式，并基于模式，进行正确有效地预测，能有效解决不同实际环境中的航迹预测问题，效果明显。     

基于神经网络和人工势场的协同博弈路径规划

协同博弈路径规划是空战自主决策、机器人体育比赛等应用场景中的重要问题，其难点在于对环境对抗性反馈的实时自适应和多智能体的相互配合。提出一种基于神经网络和人工势场的协同博弈路径规划方法，使用反向传播（BP）神经网络自适应调整人工势场函数系数，并将人工势场作为神经网络输出端的特征提取。为解决真实样本质量和数量不足的问题，基于遗传算法仿真生成样本数据用于神经网络训练，并通过滚动时域的思路面向动态博弈优化样本性能。从样本数据中提炼出距离差与航向差以反映协同和博弈特性，利用神经网络的黑盒特性和学习能力解决协同博弈问题。应用于二对一反隐身超视距空战路径规划，比经典人工势场法有明显性能提升，且计算开销可接受，计算复杂度分析表明该方法可以较好扩展到多机对抗场景。     

基于态势认知的无人机集群围捕方法

无人机集群围捕是智能无人机“蜂群”作战的一种重要任务方式。现有集群围捕方法大多建立在环境已知的基础上，面对未知的任务环境时围捕策略经常性失效。针对此问题，提出了基于态势认知的发育模型，探索一种对环境适应性较佳的围捕方法。首先，对集群围捕行为分解，将围捕离散化；然后，基于深度Q神经网络（DQN），设计一种围捕策略的生成方法；最后，建立状态-策略知识库，并通过大量有效数据的训练，针对不同环境获得不同的策略，对知识库进行发育。仿真结果表明:提出的基于态势认知的发育模型，能够有效适应不同环境，完成不同环境下的围捕。