船舶结构建模及水下振动和辐射噪声预报

船舶动力系统的振动通过壳板向水下辐射的噪声的预报一直是非常关键的问题。船舶的声学设计建立在一体化的概念下，本文基于船体与周围声学流体介质耦合作用，建立了带有浮筏结构的动力装置的整个双层壳体船舶的FEM／BEM数学模型。首先利用有限元软件ANSYS建立了水下船舶结构的振动和声场耦合的模型，计算在模拟动力设备激励下船舶壳板的振动，然后利用边界元软件SYSNOISE，对轻外壳面上的法向声强进行预报。     

基于RBF径向基神经网络的摩擦学模型

建立了润滑油摩擦学特性影响规律的径向基神经网络模型,可以较准确地计算和预测润滑油摩擦系数与负荷及相对滑动速度之间的关系.试验结果表明这种网络具有很好的准确度和预测性,为摩擦学设计和程序化计算和分析提供了一种方便且有效的工具.     

基于径向基函数神经网络的编织复合材料结构脱层损伤监测研究

鉴于传统的BP网络的速度慢和局部极小值问题，以及针对基于实验数据训练神经网络存在样本不足的缺陷，文中提出了利用径向基函数（Radial Base Function，简记为RBF）神经网络通过有限元方法对含有脱层损伤的复合材料试件进行数值模拟，把前五阶弯曲模态频率进行修正，以修正后的前五阶弯曲模态频率再经过归一化处理构建训练样本的新思路，将实验模态分析结果经归一化处理后送入训练好的RBF神经网络进行预测，从而实现对编制复合材料梁的脱层损伤定位和损伤程度评估。最后给出了编织复合材料结构损伤大小伤识别及定位的算例，仿真结果表明RBF神经网络速度快，稳定性好，精度高，在复合材料结构损伤监测中具有光明的应用前景和重要的工程应用价值。     

基于径向基函数神经网络的滚动轴承故障模式的识别

径向基函数（RBF）神经网络是一种3层前馈性神经网络，它具有较强的函数逼近能力和分类能力。鉴于径向基函数神经网络的优点，在对滚动轴承振动信号特征分析的基础上，提出了采用时序方法对其建立AR模型，利用AR模型参数建立径向基函数神经网络，并用该网络对滚动轴承的故障模式进行了识别。理论和试验证明了该方法的有效性，且具有较高的识别精度。     

基于表面振动法的柴油机辐射噪声测量和分析

以4120SG柴油机为研究对象，提出基于激光测振的表面振动法测量柴油机辐射噪声。重点讨论了结构辐射系数的确定及其影响因素，提出了不同结构部件计算辐射系数的方法。利用表面振动法计算了柴油机主要部件的声功率，识别了主要噪声源。通过与噪声测量结果的对比，验证了方法的准确性。     

螺旋桨激励水下壳体振动噪声数值研究

为真实模拟壳体噪声的激励源特性,建立螺旋桨-轴系-壳体耦合系统有限元模型,以CFD计算得到的螺旋桨非定常载荷作为激励源,采用模态叠加法计算耦合系统强迫振动响应;分别以桨叶表面偶极子声源和耦合系统表面振速作为边界条件,采用声学直接边界元法计算螺旋桨直接辐射噪声和耦合系统振动噪声。数值计算结果表明:两种噪声的声压级都随螺旋桨转速的增加而增大,其中振动噪声增幅较小;耦合系统振动噪声声压级随轴承刚度的增加而增大;两种噪声的声压级在量级上较为接近,在频谱及声压分布上具有各自的特征,在预报耦合系统水下辐射噪声时应综合考虑两种噪声的影响。     

水下目标辐射噪声宽带谱级的距离折算

1引言舰船和水下目标辐射噪声的测量,是水声研究的一项极为重要的工作。按我国海军舰船辐射噪声测量规范的要求,应对测量距离进行折算。传统的距离传播损失折算方法,是基于"点声源和波阵面球面     

基于自适应小波特征提取一体化神经网络的空调电机振动噪声识别

正确识别空凋电机的噪声类型是改善其噪声效果的重要前提，采用一种集特征提取与识别于一体的神经网络来解决这种识别问题。此网络利用Mexican hat小波作为母小波，同时将基于小波变换的特征提取过程融人为神经网络的一部分，网络学习时可针对输入信号对小波尺度和平移参数进行自适应调整，以实现对信号特征信息的充分获取。给出了此网络的学习算法。利用这一网络对空调电机的三种噪声信号即电磁噪声、不平衡噪声、轴承噪声信号进行了学习和识别，结果表明，学习后的网络以很高的可靠性准确地识别出了电机的不同噪声类型。     

水下航行体辐射噪声的线谱分析及建模

分析水下航行体辐射噪声,特别是线谱噪声的形成机理,分别给出动力装置和螺旋桨旋转产生的线谱的频率预报公式。在此基础上,以周期信号为模型建立了水下航行体辐射噪声的数学模型,并应用该模型对水下航行体线谱频率进行了预测。     

基于径向基函数神经网络的轮轨力检测

用测力轮对检测列车轮轨作用力时,由于轮轨作用力与轮辐贴片点处应变是非线性映射关系,同时作用的垂向力和横向力还会产生相互耦合,导致测量电路复杂,测量精度不高.本文在轮对有限元计算基础上,采用径向基函数神经网络拟合轮轨力与贴片点处应变的非线性关系,通过学习消除横向力与垂向力之间相互影响,简化了测量电路,提高了测量精度,达到很好效果.     

基于模糊RBF神经网络的水下机械臂控制研究

针对水下复杂工作环境下机械臂控制性能易受影响,而传统控制方法效果不佳的问题,提出了一种基于模糊RBF（radial basis function,径向基函数）神经网络的智能控制器,用于精确、稳定地控制水下机械臂。考虑到在水扰动环境下,机械臂通常受到附加质量力、水阻力和浮力的影响,运用拉格朗日法和Morison方程,建立包含水动力项的二杆机械臂动力学模型,通过模糊RBF神经网络对水下机械臂动力学方程中的水动力不确定项进行总体识别并拟合,利用模糊系统启发式搜索和RBF神经网络推理速度较快的优点,使水下机械臂系统具有较高的控制精度和较强的自适应性。考虑到水动力项,采用Lyapunov稳定性理论验证了水下机械臂系统的稳定性。最后利用MATLAB对二杆机械臂进行轨迹跟踪控制仿真实验,并对比模糊RBF神经网络与常规RBF神经网络识别方法和传统模糊控制方法的控制效果。仿真结果表明：与常规RBF神经网络识别方法相比,模糊RBF神经网络控制下二杆机械臂关节1的响应时间缩短了91%,相对误差减小了88%,关节2的响应时间缩短了92%,相对误差降低了77%;与传统模糊控制方法相比,关节1的相对误差减小了65%,关节2的相对误差减小了10%。研究结果表明模糊RBF神经网络的控制效果优于常规RBF神经网络识别方法和传统模糊控制方法,可为水下机械臂的控制提供一种精度较高、较有效的方法。     

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(ConvolutionalNeural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。     

基于RBF神经网络的商场建筑空调能耗预测

商场建筑夏季空调能耗占总能耗的50％以上,鉴于空调能耗较高,对空调能耗进行预测有利于提升运行经济性.针对商场建筑空调系统非线性、多变量等问题,提出一种基于RBF神经网络空调系统能耗预测模型.该方法将日最高温度、日最低温度、日平均温度、日最高湿度、日最低湿度、日平均风速和空调能耗作为RBF神经网络的输入,建立空调系统能耗...     

基于波叠加方法的水下声源辐射声场预报及实验研究

根据基于波叠加方法的声全息技术研究了水下声源的辐射声场预报问题,通过水听器阵列测得的复声压预报三维空间声场的声特性。数值仿真分析了一有限长圆柱壳模型在不同频率力激励作用下的声场预报精度,发现测量阵列尺寸与结构尺寸相近即可准确预测声场。水池和湖上实验分别对柱形换能器声源和加肋双层圆柱壳受激辐射声场进行了预测并和实测值进行了对比,结果表明该方法是一种稳健有效的声场预报方法。不同频率下,二者误差一般在3dB以内,能够满足工程需要。为实际水下大型结构的空间声场预报和降噪性能预估提供了工程参考。     

A novel RBF neural network for radar emitter recognition based on Rough Sets

With the spreading of radar emitter technology, it is more difficult for traditional methods to recognize radar emitter signals. In this article, a new method is proposed to establish a novel radial basis function (RBF) neural network for radar emitter recognition based on Rough Sets theory. First of all, radar emitter signals describing words are processed by Rough Sets, and the importance weight of each attribute is obtained and the classification rules are extracted. The classification rules are the basis of initial centers of Rough k-means. These initial centers can reduce the computational complexity of Rough k-means efficiently because of a priori knowledge from Rough Sets. In addition, basis functions of neural units of an RBF neural network are improved with attribute importance weights based on Rough Sets theory. The novel network structure makes the RBF neural network more effective. The simulation results show that novel RBF neural network radar emitter recognition can recognize radar emitter signals more effectively than a traditional RBF neural network, because of the improved Rough k-means and the network structure with attribute importance weights.     

水声信号预测的神经网络方法

水声信号的局部可预测性在水声信号处理中具有重要作用,它是解决非平稳信号检测问题的基础。基于非线性时间序列局部可预测性原理,采用人工神经网络技术,研究了水声信号的神经网络预测,讨论了预测模型的建立和网络结构参数的设计。分别采用BP网络和RBF网络对实际舰船水声信号进行预测,通过对仿真数据和实际舰船辐射噪声数据预测的结果分析,得出了两种网络预测模型的误差分布,提出了减小预测误差的有效方法。为今后进一步开展水声信号预测研究奠定了基础。     

车内噪声声品质的神经网络预测

鉴于车内噪声声品质评价的复杂性和非线性的特征,分析了BP神经网络方法在车内噪声声品质预测中的应用,阐述了其基本原理和模型并结合实例提出了完整的实施流程。该预测方法具有很强的学习能力,各连接权重由网络通过学习自主生成,因此预测结果更具客观性和准确性。同时将用此种方法与现有的预测方法得出的结果进行比较,得出结论：神经网络用于车内噪声主客观评价数据处理可以得到更好的预测效果,从而在很大程度上提高评价者的决策水平,对现代汽车噪声的评价、分析与控制都具有重要意义。     

基于BP和RBF神经网络对静电纺丝工艺参数的优化研究

针对静电纺丝在制备过程中易受到如聚合物含量、电压、推进速度和接收距离等工艺参数影响的问题,提出一种静电纺丝工艺参数的优化方法,以提升纳米纤维制备效率。以聚乳酸纳米纤维膜为研究对象,采用纤维直径为性能评价指标,设计实验获得训练和测试样本,借助BP(Back Propagation)和RBF(Radial Basis Function)神经网络构建不同工艺参数下的预测模型。结果表明：BP和RBF神经网络模型均能较好的对纤维直径进行预测,但RBF神经网络模型预测精度更高,其平均绝对误差(MAE)为12.125 nm,相对误差不超过7%。RBF神经网络建立的预测模型具有更高的稳定性,模型泛化能力更好,综合预测性能更加优越。所建立的模型可以帮助研究人员制备具有确定纤维直径的静电纺丝纳米纤维膜,实现对工艺参数的优化。     

主动隔振与水下声辐射控制的实验研究

建立一个包括有机玻璃水箱和主动隔振器的实验系统,研究主动隔振对降低结构振动及其声辐射的有效性。实验模型的建立是基于流固耦合系统的有限元分析和局部模态测试,通过数值分析确定辐射面的振动模态以及辐射声场分布。扰动源的干扰频率接近辐射面固有频率,在水中形成共振状态下的辐射声场。扰动源采用四点主动隔离,四个电磁作动器同时控制并采用自适应对消算法,抑制扰动源周期性干扰引起的振动。实验结果表明主动隔振能够明显降低平板的辐射声压。     

伴随型非线性系统的自适应RBF神经网络补偿控制

为了抵消伴随型非线性系统中的非线性项,可以设计控制器对非线性系统精确线性化.通常由于系统中存在外界不确定性因素导致系统模型的不确定,而不能直接设计控制器.利用"RBF神经网络能以任意精度逼近连续函数"的原理,对系统模型中的不确定项进行自适应辨识,并将辨识结果提供给控制器,从而实现伴随型非线性系统的神经网络自适应补偿控制.将控制器应用于起重机吊重摆角子系统,对摆角进行控制.实验结果表明:吊重摆角及其角速度约在5s后,得到了很好的控制,并且控制器对系统模型的不确定项的逼近误差约在5s时达到0;控制器对系统的不确定性因素和系统参数变化均具有很强的鲁棒性.