大地电磁人工神经网络反演

为提高大地电磁非线性反演的计算效率和精度,将人工神经网络引入大地电磁数据反演。神经网络输入为已知地电模型的视电阻率数组,输出为地电模型参数。采用BP算法(back propagation algorithm)进行学习训练,通过信息正向传播和误差反向传播,迭代计算得出神经网络连接权值的最优值;再将训练好的神经网络对未知模型的视电阻率进行反演。对2层和3层大地电磁模型分别建立神经网络并测试反演,研究结果表明:该反演方法能实时准确地逼近真实模型,验证了该方法的可行性和有效性。     

基于BP神经网络结构的图像压缩技术研究

采用BP(back propagation)神经网络方法进行图像数据压缩处理.通过输入信号的正向传递和误差信号的反向传播算法,直接为图像提供数据压缩的能力.仿真实验表明,通过合理调整BP神经网络模型隐含层神经元的个数,可使图像压缩效果最佳.     

安徽省土壤湿度时空变化规律分析及遥感反演

为获取安徽省的土壤湿度时空信息,采用克里金法将站网实测多层土壤湿度数据插值为网格数据,分析其时空变化特征;进而建立遗传算法优化的BP(back propagation)神经网络模型进行土壤湿度反演。该模型以风云3B卫星的亮温数据为主要输入,训练后对该模型验证并进行预测。结果表明:安徽省土壤湿度月均值波动较频繁,淮北平原和大别山区较其他区域干燥;随着深度的增加,土壤湿度增大且季节和空间差异变小;所有分区平均模拟值与实测值的日序列相关性达到0. 605,均方根误差为0. 056 m~3/m~3,说明该模型能够较好地反演安徽省土壤湿度。     

基于状态观测器的多无人机编队跟踪控制

针对一组欠驱动四旋翼无人机在编队飞行中仅有部分无人机可以直接获取领机状态信息的问题,提出了一种基于状态观测器的分布式有限时间编队跟踪控制策略.根据四旋翼无人机系统严格反馈的结构特点,将四旋翼无人机的动力学模型划分为位置子系统和姿态子系统,然后分别进行位置控制器和姿态控制器的设计.首先,考虑到在分布式的编队控制策略下,并非所有的无人机都能直接与领机进行通信并获取领机的状态信息.对每架四旋翼无人机分别设计分布式有限时间状态观测器估计自身与领机的相对状态信息,稳定性分析表明所设计的状态观测器的观测误差能够在有限时间内趋近于零;其次,在四旋翼无人机状态观测器观测结果的基础上设计了有限时间位置控制器,稳定性分析表明位置控制器能够在有限时间内实现对领机位置的稳定跟踪;然后根据位置环控制量解算出期望的姿态角,基于滑模控制方法设计了姿态控制器,稳定性分析表明各架无人机的姿态角能在有限时间内跟踪上期望的姿态角;最后,从仿真结果中能够看出所设计的状态观测器的观测误差能够在有限时间内趋近于零,即每架无人机的状态观测器能够在有限时间内观测到自身与领机的相对状态信息.从无人机飞行轨迹中能够看出各架无人机能够在有限时间内形成并保持期望的队形.     

风速对小型旋翼无人机螺旋桨的影响分析

为研究风速对小型旋翼无人机的气动特性的影响,在中国民航大学风洞试验室模拟不同来流下无人机的飞行状态,通过动力测试系统测量螺旋桨的拉力、扭矩、系统效率、桨力效等参数,并分析了风速对螺旋桨性能参数的影响。并进行了计算流体力学(computational fluid dynamics, CFD)数值模拟,计算了T-MOTOR直径558 mm的碳纤维螺旋桨,并与试验结果进行对比验证模型的有效性。通过试验与数值模拟分析风速影响下小型旋翼螺旋桨不同风速与不同转速的参数变化。结果表明,数值模拟与风洞试验具有一致性,其中扭矩误差在5%以内,拉力误差在13%以内,且风速对小型旋翼无人机动力系统参数具有极大的影响,对无人机飞行的安全性具有严重的威胁。通过研究可为小型旋翼无人机的优化与风速对适航安全提供参考。     

基于BP神经网络的电网线损率预测模型分析

为了提高电网线损的预测精度，提出一种基于误差逆传播算法训练的多层前馈（back propagation,BP）神经网络的电网线损率预测模型。通过对BP神经网络模型的结构和学习算法进行分析，提出了线损数据质量校核方法。试验结果表明：此模型可提高预测效果，对于线损异常诊断具有较好的诊断效果。     

基于误差分级迭代法的基坑变形预测

BP(back propagation)神经网络算法在变形预测方面存在收敛速度慢、学习效率低、容易陷入局部最小值等问题,直接影响预测结果的精准性,利用误差分级迭代法优化的神经网络能够更好地降低误差,提升预测性能.通过对比分析误差分级迭代法与BP神经网络的优势,建立误差分级迭代法模型并编制误差分级迭代法变形预测程序.采用基坑工程实测数据,经过误差分级迭代法优化后神经网络的最大误差为0.96％,与径向基神经网络预测精度相比提高3.5％,利用误差分级迭代法预测基坑变形结果其精准性较高,具有一定的实用价值.     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

基于AP-BP神经网络的建筑能耗分析与预测

建筑行业对能源的节约是当前节约能耗的重要途径之一,在对能源浪费现状和建筑物能源绩效调研和分析的基础上,提出了一种基于affinity propagation（AP）聚类的back propagation（BP）神经网络建筑能耗分析与预测方法。通过AP聚类算法对影响建筑能耗的多维因素进行聚类分析,得到影响建筑能耗的主要因素并作为BP神经网络的输入,然后将建筑能耗指标热负荷和冷负荷作为BP神经网络的输出,建立建筑能耗分析与预测模型。均方根误差（RMSE）和平均相对泛化误差（ARGE）评价指标分析结果表明,本文所提方法对能耗值预测的拟合程度优于经典的BP神经网络,且通过建筑能耗输入输出的结构调整能够节约能耗,提高能效。     

电磁兼容的人工神经网络预测技术分析

电磁兼容预测是实现电子设备或系统电磁兼容性(electromagnetic compatibility,EMC) 的必要步骤.提出了应用人工神经网络对电磁兼容问题进行快速预测的方法.通过选择有效的电磁干扰参数作为输入预测因子,用误差反向传播的神经网络 (back propagation,BP)构造输入预测因子与敏感设备骚扰响应之间的映射关系,并用电磁场数值计算方法获得的训练样本集和测试样本集对构造好的BP网络进行训练,建立了基于BP网络的电磁兼容快速预测模型.最后以导线间的串扰问题为预测算例,表明了该方法的有效性.     

基于随机森林的大迎角非线性非定常气动建模方法

提出了一种新的大迎角非线性非定常气动力和气动力矩建模方法.传统的依据物理机理分析、实验观测等来建立飞机气动系数与飞行状态之间的建模方法在大迎角非线性非定常气动力和气动力矩建模中存在着局限性,导致模型精度不高,针对这个问题,提出了随机森林建模方法.根据风洞中飞机大迎角俯仰机动的特点,结合随机森林模型的原理,确定了与大迎角随机森林模型相关的输入特征,通过误差分析实验确定了随机森林模型中决策树个数和内部节点随机选择属性个数等关键参数的取值,利用F-18缩比模型在低速风洞中实验数据进行实验,结果表明,与经典的多项式模型相比所建立的随机森林模型得到的预测结果与真实数据之间的误差更小.      

基于BP神经网络的隧道下穿既有运营地铁线注浆施工参数预测——以广州地铁18号线隧道注浆工程为例

新建隧道下穿既有运营地铁线施工过程中极易对既有运营地铁线产生不利影响,而广泛采用的超前预注浆尚处于以经验性选取注浆施工参数的阶段,导致工程事故频发。为此,首先以开挖段地层物性参数、地层位移变化值作为输入层,注浆施工参数为输出层,构建了基于BP(back propagation)神经网络的注浆施工参数预测模型;其次,以MAPE(mean absolute percentage error)作为预测精度评价指标,采取试算法对BP神经模型参数(隐含层节点数目、学习率)进行了探讨;最后,将提出的BP神经网络用于指导工程实践。研究结果表明：当BP神经网络预测模型隐含层节点数为9、学习率为0.01、训练次数为20 000以及精度目标值为1×10^-4时,模型适用性评价显示预测值与监测值之间最大相对误差为19,平均相对误差均低于13,说明提出的BP神经网络预测模型可行;进一步的工程应用结果表明：采用预测的注浆施工参数进行注浆后掌子面稳定、开挖过程中未发生隧道塌方等事故,满足相关规范要求。研究成果也可在隧道下穿其他结构或建筑物灾害防控注浆工程中得到推广应用。     

基于BP神经网络的悬垂绝缘子串风偏角预测模型

利用有限元方法模拟不同导线型号、导线初始应力、档距、高差等结构参数的输电线路在随机风作用下的动力响应,得到悬垂绝缘子串的风偏角.进而基于有限元模拟结果和BP神经网络构建风偏角的预测模型,将导线型号、档距、高差、导线初始应力、基本风速、保证系数作为模型的输入,悬垂绝缘子串的风偏角作为输出,通过机器学习,并采用评价指标评估其准确性,对模型进行优化.该模型可以方便快捷地预测悬垂绝缘子串的风偏角,为线路塔头绝缘设计提供依据.     

二维扩压器叶片形线的神经网络设计

提出了一种人工神经网络方法,用于在给定叶片表面速度分布条件下,求解离心压缩机扩压器叶片形线的逆命题设计,所使用的神经网络具有４层前馈网络结构,在扩压器叶栅基本结构尺寸（如进出口直径,进出口安装角,高度,叶片数等）由气动计算公式确定后,人为均构造一定数量的叶片形状,通过现有ＣＦＤ分析程序,对其表面速度进行分析计算,将由此得到的叶片速度分布和叶片形状作为样本,采用标准ＢＰ算法对神经网络进行训练,实际平     

大跨平屋盖结构风压分布特性的神经网络模型

影响大跨平屋盖结构风荷载分布特性的因素很复杂，且具有不确定性，仅靠风洞试验难以完整的描述其风荷载分布的整体特性，针对这种情况，本文中提出用改进的BP神经网络和模糊神经网络两种方法来建立反映大跨平屋盖结构风压分布特性的模型，并用试验数据进行了验证．结果表明，这两种模型都能很好的逼近和预测大跨平屋盖结构风压分布的特性，相比之下，改进的BP神经网络稳定性较好，但逼近速度慢，精度也不高；而模糊神经网络由于结合了模糊系统和神经网络的优点，其稳定性好，逼近速度快，且精度高，这表明模糊神经网络方法是预测大跨平屋盖结构风压分布特性的有效途径，在结构风工程中具有广阔的应用前景。     

基于BP神经网络的桥梁移动荷载识别精度

为了识别作用于桥梁结构上的移动荷载,基于反向传播神经网络方法,开展了输入参数对荷载识别精度影响的分析.首先利用ANSYS模拟移动集中力通过简支T梁桥,得到了主梁跨中位移、速度和加速度时程曲线;其次基于MATLAB建立反向传播神经网络结构,分别将桥梁结构的位移、速度和加速度动态响应数据作为反向传播神经网络的输入参数,移动荷载大小作为输出参数,研究不同输入参数对荷载识别精度的影响;然后分别选取位移和速度、位移和加速度、速度和加速度以及三者组合的工况进行多参数输入的优化设计;最后,以某4跨预应力混凝土连续T梁桥工程为背景,以重车下的竖向加速度实测数据验证了该反向传播神经网络用于识别实桥上简单移动荷载的可行性.结果 表明:利用反向传播神经网络进行移动荷载大小识别时,单输入参数的识别精度由高到低依次为加速度、速度、位移,建议在实际工程中采用较易获取的加速度数据作为输入参数进行荷载识别;多参数组合输入可以提高移动荷载的识别精度,其中速度和加速度组合可以实现较优的识别效果;实测数据证明了该反向传播神经网络用于简单的实桥荷载识别是可行的.相关研究结果可为桥梁载荷识别及桥梁结构的性能评价提供参考.     

中国粮食多因子灰色关联神经网络预测研究

针对BP神经网络多变量输入难以确定的缺点，提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型，并给出了灰色关联神经网络BP预测模型的建立方法，对我国粮食生产影响因子多因子预测实证研究结果表明，用该网络建立的模型经过训练后，可得到影响粮食产出的主要影响因子及其之间的非线性关系，网络模型新颖，具有较好的预测精度及较好的预测效果，可广泛应用于各种预测研究，有较高的推广价值。     

基于神经网络的尾流激励叶片气动力辨识方法

发动机中存在上下游干涉作用,上游叶片的尾迹流会引起下游叶片发生强迫振动。针对这一现象,提出了采用神经网络模型的方法辨识尾流激励下的叶片气动力。通过计算流体力学（CFD）方法获得时域尾流压力波及其叶片气动力作为训练信号和测试信号,分别用BP神经网络和NARX神经网络建立尾流激励下的叶片气动力辨识模型,对测试信号的叶片气动力进行辨识,并与CFD结果进行比较,探究这两种辨识模型的计算精度。算例结果表明基于NARX神经网络的叶片气动力辨识模型较基于BP神经网络的叶片气动力辨识模型计算精度更高,泛化能力更强。基于NARX神经网络的尾流激励叶片气动力辨识模型,可以快速准确地辨识不同振幅的随机尾流激励和周期尾流激励下的叶片气动力。     

基于人工神经网络的卫星姿态信号处理

地球遥感卫星的技术难点之一是保持有足够的姿态控制精度．通常卫星的姿态由单一传感器获得,为得到高的姿态精度,需要对多个传感器信息进行综合处理．针对由惯性基准、红外地平仪和太阳敏感器组成的卫星姿态测量系统,提出并设计了带反馈的ＢＰ人工神经网络进行信号处理．研究表明,该方法可以抑制红外地平仪轨道周期误差和卫星进入阴影区时对测量系统的影响,从而使系统的测量精度得以很大提高．