基于IIR型滤波进气动态畸变飞行试验研究

开发集IIR型数字滤波器设计、滤波、紊流度计算为一体进气动态畸变数据处理工具,成功地应用于进气道/发动机相容性飞行试验中评定进气动态畸变。研究表明:1基于幅频特性考虑,采用巴特沃斯法对进气道动态压力滤波,紊流度计算结果比较准确;2滤波器阶数越高,平均紊流度计算结果越准确,建议选择4~6阶;截止频率越高,平均紊流度计算结果越大,截止频率过大或过小均不适宜,应根据实际采样率、发动机扰动频率等综合考虑选取;3飞行速度增大或发动机状态增大,导致进气道出口马赫数和紊流度增大,进气动态畸变程度严重,且呈现出一定的规律性。当飞行速度与发动机状态不匹配时,进气动态畸变会突增。     

基于4类神经网络的国债利率期限结构预测

以2011年1月至2016年7月的国债月度数据为样本,研究了在利率期限结构预测中,反向传播神经网络（BPNN）、小波神经网络（WNN）、径向基神经网络（RBFNN）和广义回归神经网络（GRNN）4种网络中相关参数的设定对精度的影响,并对预测效果进行实证比较。研究结果表明：广义回归神经网络预测效果较好,反向传播神经网络预测结果波动性较小,小波神经网络和径向基神经网络预测结果波动性较大。     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

基于LSTM神经网络的畸形波预测

采用长短时记忆(LSTM)神经网络预测方法对某岛礁地形模型的四个典型波浪试验数据进行预测分析,并建立了单步和多步预测模型.首先对波高时间序列数据进行归一化处理;然后建立了包括输入层、隐藏层和输出层的LSTM网络模型框架;最后对测试样本进行单步预测,将预测结果与支持向量机(SVM)模型和反向传播(BP)模型进行了对比.结果表明:LSTM神经网络预测精度有明显优势;多步预测中,提高预测时长其预测精度并无明显降低.     

基于行驶特征预测的HEV在线控制策略研究

现有控制策略未考虑实际行驶特征对油耗的影响,离线全局最优策略虽能获得理论最小油耗,但只能离线应用。文章提出了一种基于行驶特征预测的控制策略,实现了离线最优轨迹的在线运用。采用动态规划(dynamic programming,DP)算法获得了离线最优轨迹;研究了汽车的行驶特征(包括行驶工况和行驶模式),利用欧几里得贴近度实现了行驶工况的预测;利用反向传播(back propagation,BP)神经网络进行了行驶模式预测;采用BP神经网络对离线最优轨迹及相应的汽车状态进行学习,设计了基于行驶特征预测的在线控制策略。仿真结果表明,与基于规则的电机辅助控制策略相比,该文设计的控制策略燃油经济性提高了7.51%,且工况适应性良好,同时电池电量保持能力较好。     

基于概率神经网络的产品质量预测方法研究

对通过正交试验法采集样本数据、采用概率神经网络（PNN）对产品质量进行预测的方法进行研究．并将预测结果与反向传播神经网络（BP）预测结果进行比较。结果表明，在利用正交试验法采集的训练样本数据分别训练PNN和BP网络后发现，概率神经网络的预测准确度远远大于反向传播神经网络，显示了概率神经网络在模式识别领域的优势。     

某型航空发动机对插板式进气畸变的响应

为得到较为准确的发动机对进气畸变的稳定性响应模型,首先分析了由实验所得到的某型航空涡扇发动机进口扰流插板产生的稳态总压畸变和紊流分布。相对于压气机转子进口,将周向分布的稳态总压畸变和截面脉动压力处理成为一组不同频率的压力激励波形分布。通过频谱分析得到:在发动机失稳前,稳态畸变形成的波形频率最低,幅值最大,是引起发动机失稳的主要原因。对该组合畸变激励波用一阶响应模型进行动态修正并使用平行压气机分析模型,得到了经修正的压气机喘振边界和得到改善的发动机进气畸变响应模型。最后分别计算了高、低压压气机逐步失稳的工作点移动过程。结果表明:与压气机出口实验失稳波形十分接近,该模型准确可行。     

利用神经网络预测与控制丝杠螺纹磨削过程

研究了基于神经网络的丝杠螺纹磨削过程的智能预测与控制问题.基于误差反向传播的机制,针对连续制造过程的预测与控制,提出多层神经网络的逐个样本学习算法.对逐个样本学习算法和目前广泛采用的B-P算法进行了比较和讨论,实验结果表明,逐个样本学习算法比B-P算法具有更好的收敛性.最后,介绍了多层神经网络模型在丝杠螺纹磨削过程的预测与控制中的应用.     

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.     

基于负荷特性聚类的样本自适应神经网络台区短期负荷预测

 介绍了批量处理时间序列数据情况下,基于台区负荷特性聚类的样本自适应反向传播神经（BP）神经网络预测短期电力负荷的方法,通过对历史数据的预处理、初始聚类中心的设置以及最优聚类数目的确定,建立典型日负荷曲线的聚类预测模型。基于历史数据的聚类结果及待预测日的温度、湿度、气压、风速、星期等相关参数,使用BP神经网络算法得出待预测日负荷曲线预测结果。通过实例验证,基于台区负荷特性聚类的样本自适应神经网络短期负荷预测能够得到较为准确的预测结果。     

基于RBF神经网络的结构动力响应预测

介绍了径向基函数(RBF)神经网络学习速度快,动态仿真性强,具有较强的输入输出映射功能和全局最优逼近的结构特点.针对快速预测结构动力响应有助于克服结构振动控制中时滞效应的特点及BP网络存在的问题,应用RBF网络对结构的位移、加速度进行了预测,并采用BP网络作对比研究.仿真结果表明RBF神经网络训练速度快,精度高,可及时为主动控制建筑结构响应提供较为准确的优化性能指标,从而为实现在线实时控制结构响应提供优良的保证.     

IWOA和BP神经网络的压缩机故障检测算法

针对压缩机故障难以检测与分类的问题,传统的方法是采用BP神经网络的检测方法,利用从压缩机语音信号中提取的识别特征来预测压缩机故障类型,该方法具有良好的可行性,但是BP神经网络容易陷入局部最优值的情况,从而导致了预测精度较低和稳定性较差的问题。因此,本文提出了改进的鲸鱼优化算法(IWOA)和BP神经网络的模型,首先通过优化WOA中的搜索猎物被执行的概率和包围猎物向最优个体聚集的过程,从而提高了IWOA的全局搜索能力和收敛速度,其次将IWOA对BP神经网络的权值和阀值进行深度寻优,从而提高了BP神经网络的预测精度和稳定性,最后将该模型运用到压缩机故障检测实验中。实验结果表明,与其他模型相比,证明了IWOA和BP神经网络提高了预测精度,且具有良好的稳定性。     

蚁群算法优化RBF神经网络的网络流量预测

传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低。采用蚁群算法优化RBF神经网络参数来进行网络流量预测。利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力。实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,模型预测准确度更高,能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

BP网络在建筑物变形预报中的应用

为探索人工神经网络用于建筑物变形预报的可能性，采用BP网络代替传统的回归分析方法，处理变形观测数据．结果表明，当影响建筑物变形的因素较多，且各因素间存在非线性关系或关系不确定时，回归分析预报的结果存在较大偏差，BP网络有助于提高建筑物变形预报的精度．     

基于BP人工神经网络的含蜡原油触变应力计算

含蜡原油的流变性对其管道输送有着重要的影响.当原油温度逐渐接近凝点时,原油表现为非牛顿流体,其流变性表现出异常复杂的触变性.利用人工神经网络较强的非线性逼近、良好的自适应和预测性能,采用误差反向传播算法(即BP算法)对含蜡原油的触变剪切应力进行了计算,计算结果与实验结果和采用R-G模型方程计算的结果进行了对比.结果表明,BP网络计算的精度高于R-G模型方程计算的精度,BP网络和R-G模型的计算结果与实验结果的最大相对误差分别为5.0%和12.7%.     

美元/欧元汇率的趋势与波动分析及区间预测

对美元/欧元汇率进行趋势与波动分析并作出区间预测。利用BP神经网络提取趋势,对残差分别运用自回归移动平均模型和广义自回归条件异方差模型分析波动性,将趋势与波动性结合给出区间预测。对2001年7月至2017年10月美元/欧元汇率的研究发现,BP神经网络具有很好的非线性刻画能力,但只有合适的预测精度才能得出较好的预测区间,同时也发现,广义自回归条件异方差模型对波动性的分析效果优于自回归移动平均模型。因此,BP神经网络模型与广义自回归条件异方差模型的组合模型(BP-GARCH模型)更适合时间序列的中长期区间预测。通过调节BP神经网络的参数、误差及预测精度提高组合模型的精度。     

神经网络在光栅系统动态测量精度分析中的应用

设计了一种基于计量光栅的光栅全系统动态测量精度分析装置。针对实验所得的此光栅系统在五种不同速度下的动态测量误差，对误差特性进行了分析，并应用ＢＰ神经网络进行其误差分布特性的预测及动态测量误差的预报，结果表明ＢＰ神经网络可用于动态测量中的误差预报，从而可为动态测量误差预测、修正与补偿提供有效的手段和依据。     

城市用水量预测模型及其应用

利用径向基函数神经网络,建立了城市用水量预测模型,并根据阜新市近些年来影响城市用水量的主要影响因素的数据对该网络进行训练,用训练好的网络模型预测今后的城市用水量,拟和预测结果表明该模型有较高预测精度,并具有一定的通用性和客观性等优点.     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.