光栅信号鉴相细分模块的设计与Simulink仿真

根据光栅输出位置调制信号的性质,提出了一种鉴相细分方法,将正交的位置调制信号细分为正交编码脉冲信号(QEP).建立了光栅测量信号细分及测量的Simulink仿真模型,利用Staeflow设计了正交解码(Quadrature Decoder)计数器模型.通过模型仿真对鉴相细分模块进行功能验证,证明该细分方法能够有效地提高光栅的分辨率.仿真结果还表明鉴相细分模块的最大细分倍数与信号的噪声,光栅的运行速度,ADC的精度等有关.     

基于粗糙神经网络的航空电子传感器故障诊断

针对航空电子传感器系统是由多个子系统所组成的复杂大系统且很难量测系统输入,传统故障诊断方法难以评估这类系统的问题,提出了一种基于粗糙神经网络的航空传感器故障诊断方法。该方法首先运用Kohonen网络对航空电子传感器测量得到的连续数据进行离散化,然后用粗糙集理论进行知识规则的提取,最后用提取的知识作用于一步预测神经网络,用该网络预测结果与航空电子传感器实际输出进行阈值比较,进而进行故障检测。仿真实验和实际应用表明,该方法可行并能有效地检测传感器故障,且故障诊断率高。     

前向神经网络学习速率的自适应算法

学习速率是控制神经网络学习过程的一个重要参数,影响神经网络的稳定性和快速性。提出了一种能够满足实时性要求的神经网络学习速率的自适应算法,并证明了在该学习速率下,神经网络的学习过程是Lyapunov意义稳定的。该方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误差的影响,从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真,结果证明了该方法的有效性。     

前向神经网络学习速率的白适应算法

学习速率是控制神经网络学习过程的一个重要参数，影响神经网络的稳定性和快速性．提出了一种能够满足实时性要求的神经网络学习速率的自适应算法，并证明了在该学习速率下，神经网络的学习过程是Lyapunov意义稳定的。试方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误盖的影响，从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真，结果证明了该方法的有效性。     

基于概率神经网络的故障诊断方法及应用

针对智能大厦空调系统中发生的各种传感器故障问题 ,提出了一种基于概率神经网络 (PNN)的传感器故障诊断改进方法。该方法采用贝叶斯分类决策理论建立系统的数学模型 ,以高斯函数作为激励函数 ,具有非线性处理和抗干扰能力强等特点 ,可获得对空调系统中各种传感器硬故障和软故障的有效识别和诊断。给出了该方法的理论分析 ,故障特征量的选取 ,神经网络设置和训练的具体步骤。通过仿真和空调系统模型试验证明了该方法在网络训练速度 ,抗干扰能力及各种传感器故障识别准确率等方面的有效性。     

基于混淆矩阵的证据可靠性评估

在基于证据理论的融合识别系统中,对证据可靠性进行评估进而对证据进行修正是解决证据冲突的有效途径。在传感器混淆矩阵的基础上定义了后验概率向量,通过分析后验概率向量与传感器输出的证据之间的关系来对证据可靠性进行评估,充分考虑了传感器的静态可靠性与动态输出。最后将该方法运用于基于证据可靠性评估的融合识别中,算例表明该方法可以有效降低可靠性证据的影响,得到较好的融合效果。     

基于GANN的机翼盒段试验件传感器的优化配置

对机翼盒段试验件进行了结构分析,采用有限单元方法,建立了其结构的有限元模型,并进行了冲击压电响应数值仿真。构造了一种基于损伤检测的压电智能结构传感器优化配置的遗传神经网络(GANN)方法,采用该方法对机翼盒段试验件压电传感器进行了优化配置,得到了传感器对应于其初始布置模式下的最优配置,为该结构试验件的实际压电传感器的优化配置提供指导依据。仿真结果也表明,对于更多传感器的初始布置模式,采用该遗传神经网络方法可有效减少更多传感器的数量,从而降低成本。     

高精度陀螺稳定跟踪系统神经网络预测控制

针对高精度陀螺稳定跟踪系统，提出了一种基于小波基函数神经网络的非线性系统的一步超前预测控制算法。该方法利用小波网络学习非线性系统，利用小波神经网络模型作为系统的预测模型，控制信号直接通过极小化期望输出值与预测输出值之间的偏差来获得。通过对陀螺稳定跟踪控制系统的仿真，表明该算法具有优良的控制品质。     

短期电力负荷的小波——混沌时序预测

提出了一种基于2层小波分解的混沌时序相空间重构预测模型.该模型利用小波分解原始负荷时间序列为周期项、趋势项和随机项,采用不同的混沌相空间重构高低频信号,再分别用相应的小波神经网络工具箱拟合混沌吸引子,将其输出进行信号重构得到最终预测结果.该方法兼有频率特征提取和相空间重构的优点,使短期电力负荷时序列的动力学系统得到更加细致的恢复.通过对欧洲电力负荷竞赛数据的实验证明了所提方法的有效性,仿真结果表明方法预测精度优于常规混沌时序预测方法.针对神经网络预测不稳定的问题给出了一种种解决措施,并提出了一种小波神经网络工具箱,该方法比编程实现的小波网络可以大幅度提高训练速度,尤其适合于大批量数据的训练,对小波神经网络的推广应用和混沌时序预测具有重要意义.     

基于虚拟仪器技术的结构健康监测系统开发

基于虚拟仪器技术建立了一套结构健康监测系统,介绍了各子系统的功能、特点和实现方法.建立了基于LabVIEW平台的数据采集系统,实现了光纤光栅传感器与传统电力式传感器的同时测量,通过LabVIEW和MATLAB混合编程实现了小波消噪和结构的损伤诊断,研究了LabVIEW与SQL Server 2000相结合的数据库开发技术.以一个二层的钢框架结构为例对系统进行了测试,结果表明系统运行稳定,损伤识别准确有效.     

粗糙集-神经网络集成在编队空战中的应用

为了提高空战决策的实时性和准确度,将粗糙集理论和神经网络引入到编队协同空战战术决策研究中,提出了应用SOM网络—粗糙集—BP网络集成进行编队协同空战战术决策的方案:应用SOM网络离散化决策系统输入数据的连续属性值;利用粗糙集数据分析方法,从数据中提取出规则将输入映射到输出的子空间上;在这个子空间上用BP网络进行逼近。2∶4编队空战实例仿真结果验证该方案的可行性,在数据充分的条件下,该方案可以推广应用于其它空战决策系统。     

漏入汽轮机真空系统空气量的软测量

针对目前汽轮机真空系统漏气量的直接测量一直没有好的方法的问题，文中提出一种基于真空系统严密性试验，并结合BP网络的漏入真空系统空气量的软测量方法。该方法以影响真空下降速度的凝汽器各运行参数以及真空下降速度作为网络的输入，以常规测量方法得到的漏入真空系统空气量作为目标输出，实现对漏入真空系统空气量的软测量。数值仿真结果证明该方法可以较准确地实现在真空系统严密性试验中对漏入真空系统空气量的测量。     

用模糊BP神经网估算小卫星成本

提出了用BP神经网对卫星成本进行二维估算 ,即先求出样本点集扩散到控制点集中的模糊数 ,然后将对应同一控制输出变量的控制输入变量的模糊数作为学习样本 ,让BP神经网进行学习。学习后的BP神经网就能在给定输入变量的情况下 ,估算出输出变量。最后 ,给出了小卫星成本的质量和定点精度模糊BP神经网估算的实例 ,取得了满意的结果。     

基于生成对抗网络的高端装备研制数据脱敏方法

针对高端装备研制数据的保密性和重要性,提出一种基于生成对抗网络(generative adversarial networks, GAN)的高端装备研制数据脱敏方法。面对高端装备研制数据在数据挖掘和数据共享时可能面临泄露的风险,利用GAN进行数据脱敏。在随机生成的高斯数据集上进行实验,通过比较源数据和脱敏数据的统计特征,证明GAN的数据脱敏方法能够有效实现数据脱敏过程中所要求的数据安全性、数据有效性和成本可控性。最后,在Yeast数据集上进行验证, GAN输出的脱敏数据同样在现实世界数据集上表现出色,能够准确地预测Yeast的分类,为高端装备研制数据的管理和分析提供了一种新的思路。     

面向回采工作面的人工神经网络模型

应用人工神经网络方法，以30个工作面的实际资料为样本，建立了面向回采工作面的人工神经网络模型，用来选择工作面的回采工艺方式，预测其单产和工效。     

小波-神经网络在模拟电路故障诊断中的应用

小波变换具有时频局部化、多尺度分析等特性，而神经网络具有非线性映射、学习推理等优点，将二者结合起来，提出基于小波-神经网络的模拟电路故障诊断方法。采用正弦信号仿真模拟电路，应用小波变换对模拟电路响应的采样信号进行故障特征提取，建立故障字典，然后利用神经网络对各种状态下的特征向量进行分类决策，实现模拟电路的故障诊断。对标准电路仿真结果表明：该方法能够实现故障检测及定位，具有准确率高的特点。     

一种用于软组织变形仿真的动态质点弹簧模型

针对可以用面模型近似表示的软组织，提出一种俺单可靠的软组织变表仿真的质点弹簧建模方法，虚拟体弹簧动态地产生一种约束力表现软体的体特征，准静态方法求解模型使仿真效果更好；用修改的蝶形细分方法把比较粗糙的表面网格模型先细分成若干细节层次，仿真时依质点所受力的大小动态细分，以提高模型仿真的精确度，实验表明：所提出的方法确实增强了软组织变形仿真的体积感；局部动态细分模型与粗网格模型的计算量相差甚少，但其计算精度却提高多倍。     

Adaptive tracking controller using BP neural networks for a class of nonlinear systems

An BP neural-network-based adaptive control (NNAC) design method is described whose aim is to control a class of partially unknown nonlinear systems. Making use of the online identification of BP neural networks, the results of the identification could be used into the parameters of the controller. Not only the strong robustness with respect to uncertain dynamics and nonlinearities can be obtained, but also the output tracking error between the plant output and the desired reference output can asymptotically converge to zero by Lyapunov theory in the process of this design method.And a simulation example is also presented to evaluate the effectiveness of the design.     

基于分段线性逼近网络的直接自适应控制

对一类单输入单输出系统的控制问题进行了研究 ,设计了对这类系统的直接自适应控制方案。控制方案的一部分是采用分段线性逼近神经网络逼近给定的非线性系统 ,利用已经发生的实际数据对网络的权值进行训练 ;另一部分是结合神经网络的一步预测输出和系统的参考输出 ,通过梯度优化器计算得到系统的控制输入。数值仿真结果表明 ,控制效果比较理想