液体火箭发动机启动过程检测研究

建立了火箭发动机启动过程的RBF神经网络模型,将神经网络辨识方法与包络线方法结合,提出分层次检测方案,并根据大型液体火箭的故障仿真结果进行了仿真实例验证,较好地验证了检测方案及模型的有效性和实用性.     

基于马尔可夫链的多波次导弹作战研究

介绍了马尔可夫链方法可以有效地解决多波次导弹打击敌方目标效果评判问题,并可以较好地对导弹多波次作战做出筹划安排.在一定假设前提下,构建了基于马尔可夫链的多波次导弹作战数学模型,并对算例进行了计算分析,验证了方法的科学性和可行性.     

基于RBF神经网络的一种最优中制导律

对于中远程导弹中制导段,提出了一种基于RBF神经网络的最优中制导律,这种制导规律通过离线学习,能够在线实时工作.研究和仿真分析表明:这种基于RBF神经网络的最优中制导律与其他末制导律配合,可有效提高导弹拦截机动目标的性能.     

RBF神经网络在再入体气动参数辨识中的应用研究

基于神经网络逼近理论，利用自动增加隐节点的RBF神经网络对某再入体的气动参数进行辨识，提出了一种新的神经网络参数辨识结构，网络训练时，对初始权值就进行优化处理。仿真结果证明，提出了一种新的神经网络参数辨识结构。网络训练时，对初始权值就进行优化处理。仿真结果证明，严重的非线性状态方程中的气动参数用RBF网络进行辨识。取到了满意的结果，可以得到全局光滑的气动模型。在检验气动参数辨识结果时，不需重构弹道。     

几种基于神经网络的导弹惯性器件故障预报方法及其性能比较

研究了标准BP网络、改进的BP网络(带动量的自适应BP网络)、 L-M网络和RBF网络及其学习算法, 探讨了基于这四种神经网络的导弹惯性器件故障预报方法, 并通过仿真实验对四种网络的预测预报性能进行了分析比较.结果表明, L-M网络和RBF网络对惯性器件的故障预报比两种BP网络更准确, 收敛速度更快.     

履带车辆电传动系统发动机的建模，控制与仿真

履带车辆电传动系统是全电战斗车辆的基础，柴油机一发电机机组又是电传动中的重要部分。如何对柴油机进行建模与控制是很重要的问题。首先用RBF神经网络对发动机进行辨识、建模，其次以特定的“复合”功率一转速特性曲线为目标，对发动机进行模糊控制，最后对仿真结果进行了分析。得到的控制方法和结论对电传动系统有重要意义。     

基于支持向量机集成的导弹发动机压力预测

针对导弹发动机压力下降难以预测的问题,根据某型导弹发动机压力实测数据,首先将实测数据进行插值处理,然后利用前5组数据为输入数据,后一组数据为预测数据,采用支持向量机集成方法对导弹发动机压力进行模型辨识,实现导弹发动机压力预测.通过对3组发动机压力实测数据进行仿真分析,发现支持向量机集成预测误差最大为0.102%,满足导弹发动机压力预测要求,对导弹发动机压力预防性维修具有重要作用.     

基于RBF神经网络的一种最优中制导律

对于中远程导弹中制导段，提出了一种基于RBF神经网络的最优中制导律，这种制导规律通过离线学习，能够在线实时工作。研究和仿真分析表明：这种基于RBF神经网络的最优中制导律与其他末制导律配合，可有效提高导弹拦截机动目标的性能。     

基于改进RBF神经网络的激光陀螺温度补偿方法

针对温度及温度变化对激光陀螺仪温度漂移的影响,在RBF神经网络的基础上,文中提出了基于Kohonen神经网络和正交最小二乘(OLS)算法的RBF神经网络温度补偿方法。该方法可以快速、准确辨识激光陀螺的温度漂移。文中分别采用改进RBF神经网络法、传统RBF神经网络法及多元线性回归法,分别进行辨识与补偿试验。结果表明,经过改进RBF神经网络模型补偿后的陀螺零偏能够满足陀螺恒温测试精度要求,而且避免了陀螺输出受温度及温变速率的影响。     

基于RBF神经网络的导弹成本预测研究

分析了现代导弹成本估算中存在的问题.应用RBF神经网络建立了导弹成本预测模型,并采用该模型对某型导弹成本进行了预测.与多元线性回归和BP神经网络的预测结果对比,建立的新型导弹成本预测模型具有更高的预测精度.     

应用神经网络识别液体火箭发动机的故障模式

简要介绍了神经网络的基本理论和误差后向传播算法，给出了应用神经网络的液体火箭发动机故障诊断系统框图，分析了液体火箭发动机的故障模型，提出了数据训练神经网络，为网络训练提供了新的途径。最后，基于模型数据，应用神经网络识别液体火箭发动机的几种故障模式。     

基于RBF神经网络的空空导弹控制器设计

应用倾斜转弯（Bank to Turn，BTT）及推力矢量控（Thrust Vector Control．TVC）技术设计并建立了空空导弹六自由度模型。在此基础上考虑气动参数变化和建模不确定性引起的误差对导弹控制系统的影响，为消除误差影响，引入RBF神经网络分别对快慢回路进行补偿，利用李亚普诺夫（Lyapunov）稳定性定理推导了神经网络权值、中心及带宽的自适应规律，并证明了闭环系统的稳定性。通过对某型空空导弹大机动仿真研究，结果表明RBF神经网络自适应控制方法补偿作用显著，不仅改善了控制系统的动态性能，而且使系统具有良好的抗干扰和容错能力。     

带落角约束的导弹制导与控制一体化设计

对带有落角约束的导弹制导与控制一体化设计进行了研究。首先建立了俯仰通道的制导与控制一体化模型,利用自适应RBF神经网络对干扰进行在线估计,运用反演递推方法和滑模控制的方法设计了控制器,并且分析了闭环系统的稳定性。数字仿真表明所设计的控制器满足导弹打击精度和落角限制要求。     

液体火箭发动机参数计算及误差确定

以地面试验数据,建立了液体火箭发动机参数计算和误差确定的经验公式,在导弹飞行试验中,对发动机参数计算起到重要的作用。就发动机主要参数及误差的经验计算公式进行了推导和确定。     

神经网络在导弹贮存可靠性预测中的应用

为了更准确预测导弹贮存可靠性,提出基于全局逼近BP网络和局部逼近RBF网络对导弹贮存可靠性进行预测,给出了预测的基本步骤,分别基于BP网络和RBF网络对某型舰舰导弹的贮存可靠性进行了预测,结果表明:这两种网络都能够解决导弹贮存可靠性预测的问题,预测误差均满足要求;RBF网络预测精度略高于BP网络,具有更好的函数逼近能力。RBF网络更适用于导弹贮存可靠性的预测。     

导弹飞行过程中动态载荷识别方法

导弹在飞行过程中的外部载荷会导致结构振动,从而引发燃烧不稳定。为了更好地理解燃烧不稳定性,预测外部载荷是很重要的。该文提出了一种基于神经网络的动态载荷识别方法。首先,设计并加工了导弹模型,进行有限元模态分析与模态试验,提取典型模态振动频率,验证了所使用有限元模型的合理性。该方法基于有限元模型开展仿真计算,神经网络由仿真结果中的足够样本数据训练,从而使神经网络能够识别典型载荷。搭建地面试验系统,开展地面激励实验获取相关数据,首先进行典型载荷识别,相对误差可达1.21%,验证了所训练神经网络的准确性和试验系统的可行性。随后对随机载荷进行识别,结果表明,用所提方法识别随机动载荷相对误差小于1.82%,该载荷识别方法具有良好的识别能力。对于导弹结构设计和发动机燃烧不稳定的预测具有重要意义。     

Numerical Simulation and Performance Analysis on Windmill Starting Process of Small Turbojet Engine

A new simulation strategy is proposed for the starting process of missile turbojet engine windmill. The starting process of windmill before ignition is simulated using a radial basis function neural network (RBFNN) , and the acceleration process after ignition which model is a set of nonlinear equations is solved using a particle swarm optimization (PSO) algorithm. The introduction of PSO helped to tackle the problem of divergence caused by traditional iteration methods. The calculated result is in a great ...