广义回归神经网络在煤灰熔点预测中的应用

为了提高估算煤灰熔点的精度,采用广义回归神经网络(GRNN)对求解煤灰熔点问题进行了建模.将煤灰组分作为网络输入,煤灰软化温度作为网络输出,采用实验数据训练网络,训练完成的网络作为模型预测煤灰熔点.仿真结果表明,GRNN的预测值与实验值的最大相对误差为2.81%,而反向传播神经网络(BPNN)预测煤灰熔点的相对误差为3.62%.由于GRNN可应用于小样本问题的学习,GRNN比BPNN对煤灰熔点具有更好的预测和泛化能力.GRNN具有设计简单与收敛快的优点,并提高了实时处理与反映最新运行工况参数的预测能力.     

直升机悬停状态下的振动计算

为降低直升机的共振危害,需要一种对直升机在空中悬停时振动特性快速计算方法.旋翼在离心力作用下,固有频率受应力刚化效应影响发生变化,同时存在旋翼桨叶/桨叶和旋翼/机身的耦合影响,动力学分析十分复杂,另一方面为提高计算效率,运动方程的低阶次、程式化成为迫切的需求.多体系统传递矩阵法(Transfer matrix method for multibody systems, MSTMM)同时解决了这两个问题.为准确快速计算悬停直升机固有频率,本研究基于MSTMM建立一种柔性四片旋翼与直升机机身耦合的动力学模型,推导出系统的动力学拓扑模型、总传递方程和特征方程.重点推导了空间旋转梁和旋转轴的传递矩阵,最终快速计算得出悬停直升机系统固有频率.研究表明:空间旋转梁MSTMM计算结果和ANSYS Workbench仿真结果对比,误差不超过2%,旋转轴MSTMM计算结果与参考文献结果基本一致;机尾固定的约束条件下,计算出36.651 9 rad/s转速下旋翼/机身耦合系统的前13阶固有频率,与ANSYS Workbench仿真结果一致,改为悬停无约束条件,计算得出悬停直升机系统前8阶固有频率,计算速度相较仿真速度提升了7.1倍,为直升机动力学分析提供一种新思路.     

旋翼/涵道风扇共轴式无人直升机操稳特性研究

考虑旋翼下洗气流影响及涵道环括作用,将Pitt/Peter动态入流模型推广到旋翼/涵道风扇升力系统建模中,结合风扇/涵道机身组合吹风试验数据,建立了实用的旋翼/涵道风扇共轴式无人直升机全量数学模型.以据非线性模型得到的小扰动模型为基础,深入研究了旋翼/涵道风扇共轴式无人直升机不同前飞速度下的飞行动力学特性,包括稳定特性、操纵响应特性及耦合特性,并与常规布局直升机进行了对比.分析结果表明,旋翼/涵道风扇共轴式在横航向运动模态的稳定特性及操纵响应的耦合特性上具有明显区别于常规布局直升机的飞行动力学特性.所得结论与该型直升机实际飞行特性一致.     

一种旋翼类飞机的架次分辨方法

针对旋翼类飞机回波中数据缺失和微多普勒调制干扰的问题,提出了一种旋翼类飞机的架次分辨方法.该方法首先利用平滑l0范数重构算法(SL0)将稀疏回波重构成原始回波;然后利用复数经验模态分解(CEMD)方法对旋翼类飞机回波进行分解,从中分离出旋翼回波和机身回波;最后在多普勒域对机身回波进行处理,分辨出目标架次.仿真结果表明,该方法能够有效解决回波数据缺失问题及去除旋翼回波在多普勒域产生的干扰,有效提高常规预警雷达对旋翼目标的架次分辨能力.     

变化风场中直升机阵风载荷分析

为精确计算直升机阵风载荷,建立了同时考虑变化风场时间导数和空间梯度的直升机非线性动力学模型.通过质心处过载系数的时域响应仿真实现直升机阵风载荷计算分析,并与工程估算公式计算结果进行对比.由于全面考虑了直升机旋翼、尾桨、机身、垂直安定面和水平安定面等部件对阵风载荷的影响,对比结果验证了该方法在小前进比前飞时具有更高的精度.分析表明垂直方向阵风载荷对直升机结构强度影响较大,且在相同前进比时阵风载荷与阵风强度呈近似线性关系,所发展的方法能够适用于直升机在不同飞行状态和变化风场中的阵风载荷分析.     

直升机旋翼叶片回波建模与特性分析

为提高直升机等具有微动特征目标的识别能力,对直升机旋翼叶片的微动特性进行了综合研究.首先基于旋翼叶片所有散射点都会产生回波这一事实,构建回波的散射点积分数学模型;其次基于该模型对回波在时域、频域的闪烁现象及原因进行了分析;最后对叶片数目奇偶性、初始旋转角、旋翼转动频率等参数和回波闪烁现象、微多普勒特征之间的关系作了理论分析和仿真实验.仿真结果表明,与矩形平板模型相比,散射点积分模型与目标闪烁情况吻合较好,更有利于提取微多普勒特征,为进一步识别直升机类目标提供了理论依据.     

基于改进BP神经网络的复杂系统故障识别

复杂系统的故障种类多样,成因复杂,依靠传统的数学建模方式对复杂系统的故障进行识别和研究比较困难。研究了BP网络的非线性逼近能力和多分类能力,在此基础上分析了BP网络的设计方法和存在的缺陷,提出了一种基于变学习速率法与共轭梯度法相结合的BP网络性能改进算法,将其用于复杂系统的故障进行识别并进行了实验验证。实验的结果表明,改进后的BP网络缩短了训练时间,提高了故障识别的准确率,增强了网络的泛化能力,取得了良好的效果。     

FPGA语音识别的四旋翼飞行器控制系统设计

以FPGA语音识别命令作为四旋翼的航拍遥控命令,将FPGA快速处理信息的能力与语音控制的简单、准确、灵活特点相结合。控制系统分为2部分,四旋翼飞行器利用单片机,采用模糊神经网络PID控制四旋翼螺旋桨的转速达到对机身的飞行高度和方向的控制;语音遥控命令利用FPGA,采用优化的隐马尔可夫模型完成对机身的飞行姿态的命令控制。经仿真验证语音控制四旋翼控制系统具有很强的实时性,能很好地控制四旋翼飞行器完成航拍任务。     

NPSO-GRNN在城市生活需水量预测中的应用

利用小生境粒子群算法(NPSO)的全局搜索能力,对GRNN的光滑因子进行优化,提高了广义回归神经网络(GRNN)的网络性能,建立了基于NPSO-GRNN的城市生活需水量预测模型。研究结果表明:利用该模型拟合和预测北京市1988-2012年生活需水量数据的平均相对误差绝对值分为别0.72%和0.36%,两者都比BP神经网络模型拟合预测的结果低;NPSOGRNN模型能更好的拟合北京市城市生活需水量的变化趋势,预测精度更高,泛化能力更强。     

基于神经网络的表面粗糙度识别算法

提出一种新的表面粗糙度识别算法,该算法利用从标准样块上通过采样得到的散射光强度分布数据,把表征光强分布的数据和样块的标称值分别作为神经网络的输入和输出,采用改进的ＢＰ算法对神经网络进行训练。训练后,把某一工件的散射光强度分布数据输入给神经网络,则网络的输出就是该样块的表面粗糙度数值。该算法充分利用了神经网络的泛化能力和学习能力,可正确识别Ｒａ在０．８μｍ以下的被测表面,并可避免误识别     

基于神经网络的表面粗糙度识别算法

提出了一种新的表面粗糙度识别算法,该算法利用从标准样块上通过采样得到的数学光强度分布数据,把表征光强分布的数据和样块的标乐值分别作为神经网络的输入和输出,采用改进的Ｂ 法对神经网络进行训练,训练后,把某一工件的散射光强度分布数据输入给神经网络,则网络的输出就是该样块的表面粗糙度数值,该算法充分利用神经网络的泛化能力和学习能力,可正确识别Ｒａ在０．８μｍ以下的被测表面,并可避免误识别。     

一种改进的卷积神经网络SAR目标识别算法

针对卷积神经网络在标签数据不足条件下易发生的过拟合现象及噪声条件下的合成孔径雷达目标识别问题,提出了一种改进的卷积神经网络目标识别算法．首先利用数据增强技术扩增训练集,以提高网络泛化能力;其次利用零相位成分分析对目标进行特征提取,得到一组特征集对卷积神经网络进行预训练．为优化网络结构,防止过拟合现象,在网络中采用了修正线性单元、Dropout、正则化、单位卷积核等稀疏性技术．实验表明,算法对各类目标及其变形目标子类具有较好的识别性能,并对噪声有较强的鲁棒性,是一种有效的目标识别算法．     

RS与FNN集成在焊接缺陷识别中应用

针对焊接图像缺陷识别中提取的特征受噪声干扰比较严重,以及现有的识别算法准确率低的问题,提出了一种粗糙集(RS)和模糊神经网络(FNN)集成的缺陷识别算法.首先使用模糊C-均值聚类算法对样本属性离散化,然后使用RS对离散化后的样本数据进行属性约简得到决策规则,并使用π函数根据聚类的中心和半径对属性进行模糊化,克服RS对噪声敏感问题;根据得到的精简模糊决策规则和模糊逻辑推理确定FNN的结构,使用依赖度和规则的条件覆盖度确定网络的初始参数,考虑到样本中数据的可信度问题,用加权代价函数调整模型参数.仿真实验表明,本算法解决了分类过程中样本数据受到噪声干扰引起的不确定性、FNN结构难以确定的问题,能有效地提高焊缝图像缺陷的识别能力.     

用径向基函数网络诊断氢发动机异常燃烧

消除异常燃烧是推进氢燃料发动机技术进步的关键之一,快速、有效、灵敏地获得异常燃烧信号是抑制异常燃烧的前提.分别对氢发动机正常燃烧和早燃压力信号进行时间序列采样,构造特征向量.将构造出的特征向量作为径向基函数网络的学习样本,利用径向基函数网络能逼近任意非线性函数的能力,对网络进行训练.结果表明:训练好的网络具有很好的泛化和学习能力,可以有效地诊断氢发动机的异常燃烧,并能灵敏地识别出异常燃烧故障的严重程度.     

基于深度学习的语音识别模型及其在智能家居中的应用

为了满足人们对智能家居设备控制便捷化的需求,提出了一种基于降噪自动编码器的深度学习语音识别模型,经过语音识别模型解析出短语控制指令,以实现家居设备控制。该语音识别模型主要包含两个部分:首先进行无监督学习预训练,预训练前随机将一些网络节点置为0,人工模拟噪声数据,然后采用限制玻尔兹曼机权重矩阵依次训练每一个隐含层,通过比较输入数据与输出数据的偏差修改权重,优化参数;然后进行有监督微调,把训练好的参数作为整个网络的初始值,采用误差反向传播算法对整个网络模型调参。实验结果表明:该语音识别模型与深度信念网络对比,在语音识别率和对噪声的鲁棒性都有明显提高。将该语音识别模型和智能家居系统相结合,从普通短语中判断出家居控制指令,实现人机交互非接触式、便捷式控制,从而使系统更加智能化。     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.     

基于深度残差网络的轻量级指静脉识别算法

提出一种基于深度残差网络的轻量级指静脉识别算法。首先,以ResNet34为基础,使用深度可分离卷积代替传统卷积,加入SE(Squeeze and Excitation)注意力机制模块来提取手指静脉空间域上的细节特征,并引入宽度缩放因子,进一步压缩网络;其次,在训练中引入教师-学生网络模式,对轻量级深度残差网络进行知识蒸馏训练,并使用知识蒸馏损失、CurricularFace和交叉熵损失对网络进行联合监督,解决了轻量级深度残差网络因学习参数量较少引起的性能下降问题。分别在FV-USM数据集、Lab-Normal数据集和Lab-Special数据集上进行仿真实验,结果表明,同基于轻量级网络MobileFaceNet的识别算法相比,提出的算法有效提高了零误识识别率和Top1排序性能。     

应用人工神经网络识别试井解释模型

对不同的试井解释模型，把压力导数曲线作为训练样本，应用ＢＰ网络进行训练，训练后的网络能根据现场的实际井数据识别试井解释模型，本文用模拟的数据，不完整的数据，有噪声的数据和一个现场试井数据对这个ＢＰ网络进行了测试，结果表明人工神经网络能够正确地识别试井解释模型，也能识别了不完整的，有噪声的数据，人工神经网络技术有效地改进了目前在试井解释模型吉广泛采用的模式识别方法，是一个非常值得推广和使用的技术。     

深广神经网络在变压器故障诊断中的应用

针对现有的变压器故障诊断方法无法同时实现对历史数据的记忆能力和对未知数据的泛化能力,且很少考虑故障特征之间交互对诊断结果的影响,提出一种基于深广神经网络的变压器故障诊断方法.在具有记忆能力的广义线性模型中加入离散特征的交叉特征,同时使用具有泛化能力的深度神经网络来捕捉连续特征之间的高阶交互,用联合训练的方法对二者进行参数优化.用优化后的模型处理变压器的油中溶解气体分析(DGA)数据,做出故障诊断,并将实验结果与采用支持向量机、逻辑回归、BP神经网络得到的结果进行对比,证明了所提算法对DGA数据的处理更优,且诊断结果准确率更高.     

基于BP神经网络对时滞系统的模型参数辨识仿真

主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.