一种基于神经网络的飞机载荷参数识别方法

提出一种经遗传算法优化的Kalman滤波神经网络(GA-KFNN)方法,对飞机特定机动下的载荷进行参数识别.首先,构建Kalman滤波神经网络(KFNN),设计了相关改进算法抑制滤波发散,提高了网络的预测精度和抗噪能力;其次,利用遗传算法(GA)优化KFNN的相关参数,使网络能迅速收敛,提高了运算效率.载荷识别结果显示,改进和优化后的GA-KFNN运行稳定,收敛迅速,具有良好的识别精度和泛化能力,满足工程实际需求.     

基于传声器阵列的航空发动机噪声源识别研究

为了实现新一代发动机的噪声源识别技术,对于测试所得到的民用飞机发动机的整体噪声数据,通过部件噪声分解方法,将其分解到各个部件,并且认识当代民用飞机发动机噪声源的基本特征.开发出利用发动机整机噪声数据的噪声源识别系统,采用反卷积法将波束成型法的结果作为中间声源,从中获取所需要的声源信息,使得最终的结果更加准确.通过获取的发动机整机噪声数据,验证传声器阵列技术的可行性,并且证明了系统的可行性和有效性.     

相关系数平稳序列的估计与识别

本文提出了通过观测序列确定不可直接测得的相关系数平稳序列模型参数的方法,详细讨论了相关系数AR(p),MA(q)和ARMA(p,q)序列状态方程的参数估计,为非平稳序列的滤波、预测和平滑提供了依据。文中还给出了观测系统参数的识别方法,与传统方法相比,本文方法考虑了测量噪声的均值和方差随时间变化情况,具有更高的识别精度。      

β Cep stars from a spectroscopic point of view

In this review we present the current status of line-profile-variation studies of β Cep stars. Such studies have been performed for 26 bright members of this class of pulsating stars in the past 25 years. We describe all these currently available data and summarize the interpretations based on them in terms of the excited pulsation modes. We emphasize that line-profile variations offer a much more detailed picture of the pulsational behaviour of pulsating stars compared to ground-based photometric data. The latter, however, remain necessary to unravel the often complex frequency pattern and to achieve unambiguous mode identification for multiperiodic β Cep stars and also to derive the pulsational properties of the faint members of the class. We highlight the statistical properties of the sample of 26 stars for which accurate spectroscopic studies are available and point out some future prospects. This revised version was published online in June 2006 with corrections to the Cover Date.     

模态参数识别的特征系统实现算法:研究与比较

以 GARTEUR飞机模型的飞行颤振和地面共振试验为例,对模态参数识别的特征系统实现算法的4种变形特征系统实现算法(ERA)、快速ERA(FERA)、相关ERA(ERA/ DC)和快速相关ERA(FERA/ DC),进行了深入的理论分析和仿真研究。结果表明:与ERA相比,ERA/ DC的阻尼识别精度在10%和30%噪声下可以提高6～60倍;FERA的识别速度可以比ERA提高4～1 0倍,且精度较高;而FERA/ DC的识别速度可以比ERA/ DC提高 3～5倍,并且精度不会降低。     

利用互相关差分模型在环境激励下提取模态参数

对于一些大型结构,难以采用人工激励进行模态识别,只能利用环境激励信息,单独从响应数据提取模态参数。针对这一实际情况,首先从经典差分模型入手,推导出了环境激励下的多参考点互相关差分模型,然后分别采用增广矩阵法和多项式特征值法求解模态参数。最后采用一飞机模型对多参考点互相关差分模型法进行了试验验证,并且将2种求解方法得到的结果进行了比较。结果表明,多参考点互相关差分模型能够有效地进行环境激励下的模态识别,并且多项式特征值法比增广矩阵法所得结果更好。     

自组织模糊CMAC神经网络及其非线性系统辨识

 针对CMAC的特点,提出了联想度的概念,并由此设计了一种自组织模糊 CMAC神经网络( SOFC-MAC)及其学习算法,证明了SOFCMAC能以任意精度对非线性特性一致逼近。该网络具有学习速度快,逼近精度高及局部泛化能力等特点。歼击机系统特征模型辨识仿真验证表明了该方法的有效性。     

基于动态RBF网络的发动机起动过程模型辨识

针对航空发动机在起动过程中各截面气流处于亚临界状态 ,难以利用传统的气动热力学方法进行建模的问题 ,本文利用发动机地面试验数据作为学习样本 ,采用动态径向基 (RBF)神经网络的方法 ,建立了航空发动机起动过程动态模型。仿真结果表明 ,利用该方法建立的发动机模型具有动态性好 ,精度高的优点 ,开辟了发动机中小转速建模的新途径     

某型发动机高原起动过程数学模型建立

针对某型发动机高原起动过程具有危险性大和变化规律复杂的特点,提出了一种变记忆长度的小波变换多分辨分析方法。该方法将辨识的数据分解到不同频段,然后针对各不同频段采用不同的记忆长度进行辨识,从而可以建立起该型发动机高原起动过程的数学模型,为高原起动试验提供理论参考。      

抗荷阀-抗荷服系统动态模型结构研究

 通过理论分析和系统辨识方法研究了 4种不同型式抗荷阀—抗荷服系统的动态响应特性 ,分别建立了机械式、混合式和电磁式抗荷阀—抗荷服系统的动态模型 ,并说明了三者模型结构之间的内在联系。