基于掩膜经验模态分解和ELM 的风速预测

针对随空间、时间呈现非平稳、非线性变化的特征,提出基于极限学习机和掩膜经验模态分解的组合短期风速预测方法.首先,风速序列的非平稳性特征对风速预测结果有较大影响,利用掩膜经验模态分解的方法将风速序列分解成对平稳的不同频率的分量,解决其存在的非平稳性问题;其次,为处理极限学习机的输入维数随意性选取问题,对风速序列分解不同频率的分量进行相空间重构;最后,利用ELM神经网络方法对各分量建立预测模型.实验结果表明:该预测方法在短期风速序列预测中取得了理想的预测效果,提高了算法精度,具有先进性和有效性.     

基于粒子群优化极限学习机的雷达识别方法

针对相控阵雷达识别的问题,提出一种基于粒子群优化极限学习机(PSO-KELM)的识别方法.在核函数极限学习机(kernel extreme learning machine,KELM)的基础上,引入粒子群优化算法(particle swarm optimization,PSO),求得核函数参数最优解,提高相控阵雷达识别准确率.通过构建雷达数据库,使用粒子群优化极限学习机的方法对不同噪声情况下的雷达数据进行识别,并与核函数极限学习机、核函数支持向量机(kernel support vector machine,KSVM)和半监督式迁移学习(semi-supervised and transfer learning,SSTL)的方法进行对比.仿真结果表明:在不同雷达种类和不同噪声情况下,该方法识别准确率均高于其他方法.     

改进ELM的毁伤类电磁目标威胁评估

为解决毁伤类电磁目标威胁评估存在专家主观性不易避免、目标类型庞杂、影响因素复杂、时间约束性强等客观问题,建立了毁伤类电磁目标威胁评估指标体系,并提出了与之相适应的云极限学习机(Cloud ELM)威胁评估方法,该方法借助云模型方法对传统的极限学习机进行改进,有效解决了极限学习机在知识表示方面的缺陷.案例仿真验证了指标体系与评估方法在脱离专家条件下自主评估的有效性,同时利用云支持向量机(Cloud SVM)进行对照检验,说明了方法的高精确度与低时间复杂度优势.     

基于PCA-ELM的弹载组合导航智能故障检测算法

针对传统PCA-ELM(主元分析-极限学习机)算法分类效果稳定性差和准确率不高等问题,结合弹载组合导航系统卡尔曼滤波器,提出一种改进PCA-ELM故障检测方法。首先,分析了PCA算法负载矩阵与卡尔曼滤波新息协方差矩阵的关系,构造新的权系数矩阵,并引入极限学习机对权系数矩阵进行参数优化,将参数优化后的负载矩阵进行故障分析。最后,将该算法首次应用于弹载组合导航系统。仿真实验表明,在检测斜坡型故障方面,检测速度和检测正确率均优于传统PCA,MSS(多子集分离法)及AIME(自主完好性外推法)算法。     

基于相似时段和PCA-ELM 的超短期风电功率预测

为提高风电场输出功率的预测精度, 提出一种采用相似时段选取原则和基于主成分分析(principal component analysis,PCA)与多层自编码极限学习机(multi-layer auto encoder extreme learning machine,ML-AE-ELM) 组合算法(PCA-ELM)的预测模型。通过关联度分析明确待测时段的相似时段范围,结合天气数据、机组状态和历史 功率构建训练和测试样本,利用预测算法完成样本的训练和测试,得到输出功率预测结果并验证。实验结果表明： 与常见的算法模型相比,该预测模型在不同装机容量和不同工作状态的风电场中均具有较高的预测精度,表现出良 好的预测稳定性和泛化能力。     

基于卷积神经网络与长短期记忆神经网络的弹丸轨迹预测

针对弹丸非线性轨迹预测问题，提出一种基于卷积神经网络(CNN)与长短期记忆(LSTM)神经网络的混合轨迹预测模型。通过建立6自由度弹丸运动模型，并使用4阶龙格库塔法外弹道仿真，得到大量轨迹数据样本；提出CNN-LSTM神经网络的混合轨迹预测模型，并利用滑动窗口法和差分法构造输入输出的轨迹数据对，将预测问题转化为有监督的学习问题；将所提模型与LSTM神经网络模型、门控循环单元(GRU)神经网络模型和反向传播(BP)神经网络模型在同一数据集下进行仿真实验。研究结果表明，CNN-LSTM神经网络模型预测3 s后的平均累积预测误差在x轴方向约为14.83 m,y轴方向约为20.77 m,z轴方向约为0.75 m,且轨迹预测精度优于单一模型，为弹丸轨迹预测研究提供了一定的参考。     

基于MI-PCA 和ML-AE-ELM 的脱硝系统入口NOx 质量浓度预测

为提高脱硝系统入口氮氧化物(nitrogen oxide,NOx)质量浓度的预测精度,提出一种基于互信息的主成分 分析(principal component analysis,PCA)和多层自编码结构的极限学习机(extreme learning machine,ELM)组合算法 的预测模型。对输入变量的选取方式进行完善,并加入历史NOx 质量浓度,对预测算法的网络结构进行优化。实验 结果表明：与其他预测算法模型相比,该模型具有较高的预测效率,在不同工况下均具有较高的预测精度,表现出 良好的抗噪能力和泛化能力。     

基于极限学习机的杀爆战斗部末弹道参数优化研究

为研究末弹道参数与杀伤面积之间的复杂关系,以达到优化末弹道参数的目的,对破片飞散过程进行分析,为描述破片飞行轨迹建立了破片飞散模型,得到破片的落点,然后通过统计地面有效破片数,求解战斗部在不同末弹道情况下的杀伤面积,得到1 225种末弹道组合下的杀伤面积,最后基于这些数据,利用极限学习机(ELM)得到1 903 993种末弹道组合的计算结果。计算结果表明:当极限学习机的激励函数采用sigmoid函数,隐藏节点数在200个以上时,决定系数能够达到0.9以上,求解时间远远小于1 s,求解得到的最优末弹道参数对应的杀伤面积从优化前的438.1 m²上升至优化后的541.2 m²。     

ELM-AdaBoost 模型在光纤陀螺温度误差补偿中的应用

针对光纤陀螺零偏与温度之间复杂的非线性关系,引入极限学习机(extreme learning machines,ELM)模 型补偿光纤陀螺的零偏温度误差;针对单个ELM 在预测准确性和稳定性不足及其对奇异样本敏感的问题,引入自适 应增强算法(adaptive boosting,AdaBoost)建立ELM-AdaBoost 预测模型改善光纤陀螺性能,分析光纤陀螺的温度误 差机理及模型参数对预测精度的影响,给出ELM 算法隐含层神经元个数及AdaBoost 算法迭代次数的确定方法。仿 真结果表明：基于ELM-AdaBoost 预测模型的补偿效果优于多元线性回归模型和单个ELM 神经网络模型,并具有良 好的泛化性能和温度适用性,补偿后陀螺零偏均方根误差降低93%以上,显著改善了光纤陀螺零偏稳定性能。     

求解超高压筒形容器爆破压力的神经网络方法

将BP和RBF神经网络的理论和算法应用于预测超高压容器爆破压力的研究中。选用MATLAB神经网络工具箱建立预测爆破压力的神经网络模型,研究模型中影响爆破压力的主要参数,内外径比值和材料的强度极限,屈服极限,屈服强度与强度极限的比值;选用Faupel、Crossland和Bones等文献中的爆破实验数据对神经网络模型进行训练,用训练好的神经网络模型对爆破压力进行预测。预测结果表明,用BP和RBF神经网络方法建立的模型能够对超高压筒形容器的爆破压力进行较为准确的预测。     

一种深度强化学习的雷达辐射源个体识别方法

针对传统依赖于人工经验提取辐射源个体特征的不足,提出一种基于深度强化学习的雷达辐射源个体识别方法。利用发射机非理想信道造成的辐射源信号包络在信号变化时呈现的不同瞬态信息,以信号包络前沿作为深度神经网络的输入状态,以辐射源类别作为当前输入状态的可选动作,通过卷积神经网络自动提取辐射源包络个体特征,并拟合当前状态动作对的Q值,进而以强化学习模型完成雷达辐射源个体识别任务。讨论了深度Q网络模型、深度双Q网络模型以及Dueling Network模型3种深度强化学习模型在辐射源识别任务中的应用。实测数据仿真实验表明：传统机器学习算法的识别率不足80%,而深度强化学习网络的识别率高达98.42%.     

改进的离散小波-优化极限学习机在倾转旋翼机故障诊断中的应用

针对倾转旋翼机飞控系统的故障诊断问题,提出一种改进的离散小波-优化极限学习机（OMELM）的故障诊断算法。提出自适应启发式小波去噪方法对采集的信号进行消噪,定义了帕塞瓦尔能量用来提取测量信号经离散小波变换分解后的特征,并对OMELM进行了改进。将提取的故障能量特征进行归一化后输入到改进的OMELM多分类器中进行分类,以美国XV-15倾转旋翼机为例进行仿真验证。结果表明文中方法平均辨识率高,诊断时间短,对未来我国进行倾转旋翼机故障诊断的研究有一定参考价值。     

基于极限学习的弹丸阻力系数辨识

气动参数对弹丸的弹道特性起决定性作用,在无控弹丸研制过程中,准确获取弹丸气动参数是减小落点散布、提高打击精度的基础与关键.为了进一步提高弹丸阻力系数的辨识精度,基于质点弹道方程,通过数值仿真产生弹道数据,利用极限学习方法在多种噪声环境下实现弹丸阻力系数弹道大数据辨识.该方法随机产生输入权重以及隐含层神经元阈值,随机生成...     

基于极限学习机模型的粒子滤波无设备定位方法研究

在无线通信环境中,无线射频信号易受到干扰,强度波动较为明显。为定量描述和分析目标位置与无线信号强度之间复杂、多变的关系,更加精准地估计目标位置,提出了基于极限学习机（ELM）模型的粒子滤波（PF）无设备定位算法。该算法包括ELM模型构建（离线阶段）和目标位置估计（在线阶段）。在ELM模型构建阶段,建立目标在不同位置与链路（发射节点与接收节点之间的通信链路）信号强度变化的离线数据库,利用ELM构建目标位置与无线射频信号强度的映射关系。在目标位置估计阶段,通过映射关系结合PF实现目标位置的跟踪。实验结果表明,所提算法不仅有效地解决了目标位置与无线射频信号强度的映射关系,而且比高斯过程模型-PF、支持向量机-PF等现有算法显著提高了目标跟踪精度。     

基于多传感器信息的人体下肢步态识别

为准确识别人体下肢步态运动,设计一种识别下肢步态摆动相和支撑相的方法.通过4个姿态传感器和足底压力鞋垫采集人体下肢角度信息和足底压力信息,将数据信息进行归一化、比例化处理后提取特征;利用模糊原理将传感器信息进行模糊化,将双腿步态划分为4种情况;利用MATLAB对下肢角度信息和足底压力信息采用不同核函数的支持向量机(support vector machine,SVM)进行识别;以同一人在不同步态速率下直线行走的步态和不同身高腿长的人在速率为0.6 m/s下的直线行走的步态进行实验.结果表明:该算法是有效、适用的,识别准确率均在90％以上.     

基于性能退化指标的轴承剩余寿命预测及其应用

为确保系统可用性和降低维修成本,提出基于性能退化指标的轴承剩余使用寿命(remaining useful life,RUL)预测模型预测轴承的RUL。通过局部均值分解(local mean decomposition,LMD)将轴承原始振动数据分解为若干积性函数(PF)分量,并根据峰度准则选取有效的PF分量重构原始信号;提取重构原始信号的时域退化特征量,利用基于人工神经网络(artificial neural network,ANN)训练的注意力机制模型选择高质量特征;引入K_均值聚类算法与分段拟合获得健康的退化指标(health degradation indicator,HI),利用灰色回归模型(grey regression model,GM)评估轴承退化可信度范围,并建立基于HI的粒子群优化最小二乘支持向量机模型(particle swarm optimization least squares support vector machine,PSO_LSSVM)预测轴承RUL。实验结果表明,该方法在预测可靠性上取得良好的效果。     

神经网络在无线电近炸引信信号处理中的应用

本文给出了一种用神经网络实现的背景杂波实时抑制器,该抑制器根据对空引信的工作特点－目标尺寸小,信号持续时间短,背景回波功率高,信噪比低,利用神经网络,通过有效抑制背景杂波,提高信噪比,从而实现在强背景杂波中提取弱目标信号。本文采用具有分布结构的BP网络实现神经网络,既便于硬件实现,又可以提高收敛速度,减少学习时间,使抑制器有较高的信噪比增益及实时处理能力。     

仿尺蠖机器人曲面爬行步态分析与中枢模式发生器规划

风电叶片爬壁机器人的曲面爬行步态是研究难点。为此建立了含3个T型和2个I型关节的5自由度仿尺蠖机器人机构模型;通过几何关系分析机构对球曲面的适应性,基于吸附稳定状态建立关节角度幅值与曲率半径之间的函数关系,采用余弦函数设计翻转步态轨迹;基于反馈学习方法、自适应频率Hopf振荡器和Kuramoto耦合,设计关节中枢模式发生器(CPG)单元及其网络;通过学习平面翻转步态得到CPG网络参数初值,再通过在线调节关节角度幅值规划球曲面翻转步态。通过Matlab和Adams联合仿真分析了CPG网络的稳定性;进行了实物样机测试,测试了在叶片曲面上的翻转步态。研究结果表明,利用吸附稳定所需角度幅值可将平面步态调节为曲面步态,CPG在线调节步态规划方法有效。