基于贝叶斯估计的漏磁缺陷轮廓重构方法研究

漏磁缺陷轮廓重构是指由检测到的漏磁信号重构缺陷轮廓及参数,是实现漏磁反演的关键。目前常用的反演方法包括神经网络法和优化法,但神经网络法的计算精度受噪声影响严重,优化法计算量大。针对这些问题,提出基于递推贝叶斯估计的漏磁缺陷重构算法。建立缺陷轮廓与漏磁信号的状态空间模型,将反演问题描述为基于状态和观测方程的典型的离散时间跟踪问题,对漏磁信号进行了反演,并在不同信噪比下对神经网络法和所提方法进行了反演效果的比较。结果表明：基于递推贝叶斯估计方法的漏磁信号反演算法精度高,同时对噪声具有鲁棒性,是一种有效可行的漏磁反演新方法。     

一种漏磁信号不变特征提取方法

为了提高漏磁缺陷的重构精度,提出一种基于径向基函数(RBF)的漏磁信号不变特征提取的方法。该方法在对漏磁检测过程中速度影响进行全面分析的基础上,建立二维有限元模型,采集不同速度下的漏磁信号,将速度影响下的漏磁信号作为RBF网络的输入,静态下的漏磁信号作为输出进行训练。实验结果表明:这种方法实现了速度效应的补偿,提取出了漏磁信号的不变特征,而且具有较高的精度,是一种有效的方法。     

基于稀疏化LS-SVM的漏磁缺陷三维轮廓重构

漏磁缺陷轮廓重构是指由检测到的漏磁信号重构缺陷轮廓及参数，是实现漏磁反演的关键。将最小二乘支持向量机( LS-SVM)应用于漏磁缺陷的三维轮廓重构中，并对LS-SVM采取了稀疏化处理，将漏磁信号磁通密度法向分量Bz作为支持向量机网络的输入，缺陷的几何参数长度、宽度、深度作为输出，由实验测量数据和三维有限元仿真计算得到的仿真数据组建样本库。建立了由缺陷的漏磁信号到缺陷三维轮廓图的映射关系，实现了缺陷三维轮廓的重构。实验结果表明：该方法具有很高的精度和很好的泛化能力，同时对噪声也有一定容忍能力。     

基于小波神经网络的火炮裂纹形状重构

介绍了漏磁无损检测的原理和漏磁场数学模型,提出了用小波神经网络对裂纹形状重构。在仿真试验中,用训练样本对小波神经网络进行训练逼近裂纹形状,训练采用随机梯度下降算法。训练样本来自漏磁场数学模型数据和测量的火炮漏磁信号,用测量数据重构裂纹形状。小波神经网络是多分辨率逼近,通过改变网络的分辨率控制输出精度。结果表明,小波神经网络能够精确地重构裂纹。     

基于BP神经网络的漏磁定量化检测

漏磁检测是由铁磁材料制作的兵器部件的常用无损检测方法之一,检测中的难点是根据被测漏磁信号反演缺陷的几何参数。将BP神经网络应用于漏磁信号的反演中,对神经网络进行训练,建立了漏磁信号与缺陷几何参数之间的数学模型,利用测量漏磁信号和仿真数据对模型进行了检验。试验结果表明,BP神经网络能根据漏磁信号精确地预测缺陷的几何参数,为漏磁定量化检测提供了一种可行的方法。     

基于三维有限元法的漏磁场分析

针对磁偶极子模型和二维有限元法在分析漏磁场过程中存在的不足,采用三维有限元分析漏磁场。根据麦克斯韦方程组和三维有限元分析原理建立了数学模型。利用数学模型对漏磁信号进行了仿真分析,得到了三维磁通密度矢量图和它的径向分量曲面图,直观地显示了缺陷附近漏磁场的特点。同时研究讨论了缺陷长度、检测路径位置和提离值对漏磁信号峰峰值的影响。为进一步对漏磁场的研究打下基础。     

基于磁记忆梯度张量信号的缺陷二维反演研究

金属磁记忆检测技术是一种能对铁磁材料早期微观损伤及应力集中进行有效诊断的无损检测方法,针对二维反演方法难以准确得到缺陷分布的问题,提出了磁记忆梯度张量分析方法。分析磁梯度张量的测量要素,设计了磁记忆梯度张量信号测量方案;将磁记忆信号水平梯度模量作为缺陷边界反演的特征量,通过水平梯度模量的极大值位置来确定缺陷的边界及分布。裂纹二维反演实验结果表明,该方法不受检测方向影响,可对缺陷二维分布进行准确反演。     

强剩磁条件下磁性目标三维正则化聚焦反演方法

针对强剩磁条件下铁磁物质反演中存在磁化方向发生改变的问题,提出了强剩磁条件下磁性目标三维正则化聚焦反演方法。对于孤立磁源,首先估计其磁化方向,然后利用磁化方向估计值对磁性体进行反演;对于多目标磁源,利用弱敏感于磁化方向的磁总场模量数据进行反演。在迭代过程中,通过深度加权矩阵和最小支撑矩阵对经典Tikhonov正则化框架下的反演模型进行约束并得到目标函数,有效解决了反演解的多解性问题。对目标函数进行迭代奇异值分解,根据无偏风险估计准则自适应地确定正则化参数,实现了迭代过程的自动化。仿真和实验结果表明：在强剩磁条件下,该方法能够准确还原磁性异常体的轮廓形态,具有较好的模型分辨率。     

基于RBF神经网络的SO2的预测

基于RBF神经网络的SO2的浓度预测,选取一定的历史数据建立径向基函数神经网络训练模型,进行拟合训练.将芜湖市1993年到2001年大气SO2的浓度历史数据用于径向基函数神经网络,建立训练网络模型,通过训练优化提高训练可靠性.再用该模型对芜湖市大气中SO2的浓度进行预测.     

沿临近空间机动弹道的扰动引力重构模型优化

以高超声速滑翔飞行器滑翔段弹道为研究对象,针对沿弹道的扰动引力快速计算问题,提出一种基于延拓逼近理论的扰动引力快速重构方法。基于多岛遗传算法,建立了重构模型的优化算法。在求解优化问题过程中,为降低计算规模,基于最优拉丁超立方试验设计方法和径向基神经网络构建了原始重构模型的代理模型。仿真结果表明,所提重构方法可适应机动飞行下的复杂环境,在满足弹载计算机存储量要求的前提下可有效地提高弹道精度。     

遗传小波神经网络故障字典在模拟电路故障诊断中的应用

以神经网络、小波分析和遗传算法等为代表的智能诊断技术,是故障诊断技术发展的一个重要方向。以传统故障字典法、BP神经网络、小波分析和遗传算法等基本原理为基础,将神经网络、小波分析和遗传算法与故障字典结合,用小波分解预处理故障信号提取故障特征,用遗传算法优化BP神经网络的结构和权值,对基于遗传小波神经网络的故障字典在模拟电路故障诊断中的应用进行研究,并结合实例验证其实际使用性能。     

选择性神经网络二次集成在火药近红外分析中的应用研究

针对建立近红外光谱定量分析的神经网络校正模型时,存在变量数过多以及容易出现过拟合等问题,采用小波变换对近红外光谱进行预处理,用以消除噪声,减少变量个数;并在此基础上,提出一种新的神经网络校正模型一基于改进贪心法的选择性神经网络二次集成,来提高神经网络的泛化能力。实验结果表明：在建立火药近红外分析的校正模型中,该模型不仅建立过程简单而且具有较好的泛化能力。     

基于特征融合的注意力增强卷积神经网络的航空发动机滚动轴承故障诊断方法

针对现有基于深度卷积神经网络的故障诊断方法只考虑对信息局部特征的提取、忽视全局信息的不足,将可以把握全局信息的注意力机制融入卷积层,使得注意力机制参数和卷积层参数参与网络的训练,提出一种注意力增强卷积神经网络的机械故障诊断方法。通过经验模态分解、变分模态分解和小波包分解的方法提取滚动轴承振动信号的高维特征模量;将特征模量组成多通道样本输入到注意力增强卷积神经网络中进行训练,利用网络对特征模量自适应地融合和选择,从而挖掘特征模量的隐式特征;使用Softmax分类器进行分类识别;通过训练好的网络对高转速下的滚动轴承进行故障诊断;利用不同信噪比的信号对所提方法进行测试,以验证网络的泛化能力和故障诊断效果。实验结果表明：该方法能准确、有效地对航空发动机滚动轴承不同故障的损伤程度进行分类识别。     

基于WNN-ADRC 的高炮交流伺服系统控制

为解决高炮交流伺服系统控制中外界扰动及非线性特性的问题,提出一种基于小波神经网络的改进型自 抗扰控制器(WNN-ADRC)。利用LM(levenberg-marquardt)算法优化小波神经网络,采用优化后的小波神经网络对 扩张状态观测器的误差校正增益系数进行在线整定,设计基于小波神经网络的自抗扰控制器,以实现对非线性特性 的准确估计并予以补偿,并通过仿真实验进行验证。仿真结果证明：该控制策略使系统具有较好的稳态性能,抗干 扰能力强。     

基于遗传小波神经网络的GPS/SINS 组合导航系统算法

针对GPS/SINS组合导航系统在实际应用中遇到的问题,将小波神经网络的非线性预测算法与遗传算法结合,提出一种基于遗传小波神经网络预测的SINS误差反馈校正方法。对基于遗传算法的小波神经网络学习方法进行研究,并确定该神经网络的结构模型;当GPS信号有效时,根据GPS/SINS组合导航输入输出信号获取神经网络的训练样本,进行在线神经网络训练,得到最优的神经网络模型参数;当GPS信号中断时,根据已经训练好的神经网络模块预测出GPS信号失锁时SINS的位置误差、速度误差和姿态误差,并对SINS进行误差校正得到较为准确的导航参数。仿真实验结果证明,该算法可有效提高GPS观测数据不可靠时导航参数的精度。