试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明：得到的辨识模型输出参数,如燃气发生器转速n_g、输出轴转速n_r和涡轮后温度T₄都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。     

基于主成分的编队级网络对抗效能评估指标体系

分析建立编队级网络对抗评估指标体系的原则,用主成分分析法对指标进行处理,求得7个主成分.根据正交原则将20个指标分配到7个主成分中,赋予每个主成分以实际含义,最终建立了编队级网络对抗效能评估指标体系.     

电长度测量方法探究

从电长度的概念出发，主要介绍了使用网络分析仪来实现电长度测量的三种方法，分别是频域电延迟法、时域反射法和时域传输法；针对三种不同方法分别做了试验。     

基于分布式管理架构的应用型网管系统的设计与研究

根据当前IT应用的普及情况,分析了大中型企业中网络资源管理存在的问题,研究了网管软件的相关技术并设计了一套符合当前应用需求的分布式管理架构的应用型网管系统。该系统不但可监测各类操作系统的性能,还可对数据库、WEB服务等应用服务器的性能进行监控。结合网管软件的发展动态,展示了该应用型网管系统的工程应用价值。     

人工神经元网络在变压器分接头实时控制中的应用

本文提出了一种利用人工神经元网络实时控制变压器分接头的新方法。研究结果表明该方法具有快速准确等优点，适应电力系统高度自动化的要求，并为变压器分接头实时控制开辟了一条新途径。     

惯性推算误差抑制的神经网络自学习模型设计与验证

惯性推算误差抑制是提升复杂场景下组合导航定位性能的关键,现有采用运动约束或系统误差高阶建模的方法从运动学模型及传感器误差模型出发,通过经验确定参数及模型的最优解。深度学习隐式模型能够挖掘数据之间的隐含关系,进行自主化参数寻优,并在提升惯导误差建模精度方面具有一定优势。总结了现有主流网络模型设计的优缺点,通过对比不同的输入输出方案进行优选,最终利用卷积神经网络构建了一套惯性误差抑制的轻量化神经网络自学习模型,并利用实测车载数据验证了该模型的有效性。实验结果表明,在GNSS信号失锁300 s的路段I和失锁285 s的路段II,网络模型速度约束的算法相较于纯惯性推算和传统NHC算法均有一定提升,融合NHC及网络模型速度约束的算法在水平定位精度上分别改善了41.7%~47.4%和26.7%~36.6%,一定程度上抑制了惯性推算误差。     

应用神经网络模型评价社保基金运营效果方法研究

社会保障基金是社会成员普遍关注的资金,他的利用关系到全社会成员的公共利益。因此,社会保障基金运用效果的评价问题一直是社会各界争论的焦点,正确评价其运用效果是值得学术界探讨的问题。运用神经网络模型对社会保障基金运用效果进行评价是对神经网络模型的应用及对社会保障基金运用效果的评价进行尝试和探讨。     

基于线性神经网络的滑油金属含量预测

利用神经网络方法对某型航空发动机滑油监控系统中需重点监控的金属元素含量建立了网络，并根据该模型对其含量变化趋势进行了预测分析。某部队通过对不同实测数据的检验证明，可根据该模型的预测结果预报金属含量是否超标。     

基于Web技术的产品数据管理研究

将Web技术引入产品数据管理系统(PDM)的研究和设计,分析了PDM系统中原有构架的特点与存在的不足,利用Web技术所提供独到的网络、数据库和分布式处理技术,结合开发实例提出了在Internet/Intranet解决方案下开发和研究产品数据管理系统的基本构想,并给出产品数据管理应用的组织和底层数据模式,研究了其对产品数据管理技术应用前景的影响.研究表明,Web技术的引入,将有力地推进产品数据管理技术的发展和应用.      

神经网络方法在太阳质子事件短期预报中的应用

在大量统计结果的基础上,深入研究了太阳质子事件预报机理．总结了质子事件爆发与太阳活动区面积、位置、McIntosh结构、磁结构以及前两天活动区爆发耀斑事件数目之间的关系．然后,在神经网络的基础上建立了太阳质子事件短期预报模型,并对2000年以后12个未参加训练的样本进行测试,结果对事件预报的准确率为83％．此外,我们还利用该模型对2002年1-4月发生的几次质子事件进行了预报试验,结果发现,这期间发生的6次事件都被预报．其中3次质子事件系统预报提前了3天,两次事件预报提前了2天,一次事件提前1天预报．