基于插值与神经网络的包装薄膜热封参数分析

目的研究塑料薄膜热封工艺中热封参数之间的非线性关系,建立一种可用于自动包装机热封过程的数学模型。方法通过实验采集样本数据,并用附加动量法训练BP神经网络,建立热封参数之间的非线性数学模型,最后通过神经网络预测热封时间,并采用插值算法建立目标热封强度下热封温度和热封时间之间的多项式数学模型。结果通过插值算法与神经网络的结合运用,较为精确地描述了热封温度和热封时间之间的数学关系,插值函数实现了神经网络模型的简化,两者误差较小。结论通过文中方法确定了包装材料热封参数之间的非线性关系,将其用于热封包装设备,可提高设备的智能化程度。     

轨道不平顺非均匀采样信号分析

目前的轨道谱分析是基于用等间隔采样数据描述轨道不平顺特征,而机车实际运行速度的变化必然导致采样的非均匀性,传统的谱分析方法必然产生原理误差。为提高非均匀采样信号分析的准确性,研究了平稳随机过程非均匀采样序列,导出了非均匀采样信号的功率谱表达式,应用该表达式分析了采样间隔服从正态分布的非均匀采样情况,证明了非均匀采样信号功率谱表达式包含了均匀采样这种特例,涵盖了经典理论,验证了新公式的正确性,并提出了进行轨道谱分析时用于求取功率谱表达式中所含有的采样间隔的概率密度函数等统计特征量的方法。     

基于BP神经网络的盲均衡器设计

为构建用于某语音信号传输系统盲均衡器的BP神经网络模型,编写了基于BP神经网络的盲均衡算法伪代码,计算了算法的时间复杂度,分析了BP神经网络输入层神经元个数、隐含层神经元个数和隐含层层数对盲均衡算法性能的影响,评估了基于Sigmoid的变步长算法、基于误差补偿的变步长算法和基于误差的变步长算法对基于BP神经网络的盲均衡器性能的改进效率,据此设计了一种含双隐层结构的BP神经网络盲均衡器,并对其性能进行了数值仿真分析,明确了其适用范围,为该语音信号传输系统设计提供了技术支撑。     

稀疏信号的周期非均匀采样研究

为了实现稀疏信号的有效采样,根据稀疏信号仅有部分频带有能量的特点,建立了周期非均匀采样与重构的模型;利用联合子空间理论将采样与重构转换为向量运算。借助多测量向量模式确定非零行向量的位置,并通过插值器实现信号完整重构,使其能够在数字系统中应用。实验与仿真结果表明该方法能够实现稀疏信号的采样与重构。     

基于迭代插值的实复转换频率估计算法

为消除实信号中负频率成分对频率估计的影响,提出一种基于迭代插值的实复转换频率估计算法。通过预估计采样信号频率,构造参考信号,并通过90°相移得到采样信号的正交分量;将采样信号与其正交分量合成为复信号实现实复转换,抑制负频率成分的影响;利用迭代插值算法估计复信号的频率,重新构造参考信号并生成正交分量与复信号,并对复信号进行频率估计,得到精确的频率值。仿真实验表明:所提算法消除了负频率成分的影响,改善了抗噪性,提高了估计精度,使得频率估计的均方误差更接近于克拉美罗下限。此外,在LFMCW雷达上进行了实测实验,验证了所提算法的有效性。     

采用BP神经网络优化的振动信号压缩感知方法

无线传感网络逐渐应用于结构健康监测,但是因能耗问题难以实现长期、高频的数据采集工作。压缩感知技术可利用少量的采样点重构原始信号,有望降低无线传感网络的能耗。实测振动信号因受到噪声干扰而导致稀疏性有限,常用于压缩感知的LASSO算法难以精确求解稀疏系数,进而影响振动信号重构效果。引入BP神经网络优化LASSO算法解得的稀疏系数,BP神经网络经ADAM优化算法训练后,可有效提升振动信号重构精度。用三层框架结构的模拟加速度数据和广州塔的监测加速度数据验证方法的有效性,并探讨了正则化参数和优化迭代次数的影响。结果表明,基于BP神经网络优化的压缩感知方法的信号重构效果在不同压缩率下均优于非优化的压缩感知方法。     

基于非均匀周期采样的随机共振研究

随机共振的参数调节过程比较复杂,而且一般要求采样频率不低于信号频率的50倍以上才能实现随机共振。该文借鉴非均匀采样的思想,提出基于非均匀周期采样的随机共振实现方法,对不同采样频率下的采样数据进行随机共振,并利用非均匀采样傅里叶变换进行频谱叠加分析,可以实现只需简单确定随机共振参数即可得到特征信号成分。此种方法还可以在采样频率小于50倍信号频率时,依然能够得到特征信号频率成分。数值仿真和故障模拟实验研究验证了该方法有效的应用性。     

神经网络和滞后变量回归的车载终端误差修正

针对现有车载定位终端存在定位误差大和更新速度慢的问题,深入分析了车载终端定位误差的影响因素,并提出了基于BP神经网络和滞后变量回归的车载终端定位误差修正方法。对比车载终端三次测量数据修正前后的定位误差,最大定位误差分别减小了88.2%、85.4%和85.8%。通过实测数据对比了车载终端修正前后的定位误差,证明了使用BP神经网络和滞后变量回归建立的车载终端定位误差模型是有效的,定位误差修正效果较好。     

使用合成滤波器组的SAS方位向非均匀采样信号重构

针对多子阵合成孔径声纳(Synthetic Aperture Sonar,SAS)在方位向上非均匀采样对后续成像处理带来的方位向失真的影响,给出了基于滤波器组的方位向非均匀采样信号重构算法.该算法利用SAS方位向周期性非均匀采样信号与经过分析滤波器组的信号之间的相似性,将周期非均匀采样信号通过合成滤波器组进行重构得到均...     

线性修正下的神经网络盲均衡算法

研究了一种利用横向滤波器对神经网络进行线性修正的盲均衡算法。在神经网络的输入层之前加入一个横向滤波器,以横向滤波器的节点输出作为神经网络盲均衡器的输入,利用常数模代价函数分别得到横向滤波器和神经网络盲均衡器的瞬时输出误差,将瞬时误差加权处理作为调节误差分别对横向滤波器和神经网络盲均衡器的权系数进行调节,算法实现了对非凸性误差曲面进行线性和非线性寻优的组合。计算机仿真证明提出的算法有效提高了神经网络盲均衡算法的收敛速度,降低了稳态剩余误差,具有更好的实用性和均衡性能。     

汽车四轮转向自适应模糊神经网络控制研究

为了实现现实车辆运动的多自由度和非线性,在Simulink环境下建立包含车辆侧倾运动和轮胎非线性的三自由度四轮转向模型,针对大多控制方法需要依赖被控对象为精确数学模型的缺陷,提出具有联想、自学习、自识别、自适应特性的自适应模糊神经网络四轮转向控制策略;通过以前轮转角及车速作为输入,并依此确定后轮转角的输出,建立获得训练样本的仿真实验模型,用混合法训练得到自适应模糊神经网络控制器,并分别与前轮转向、比例控制和横摆角速度反馈控制下的四轮转向控制器进行仿真比较分析．结果表明自适应模糊神经网络控制使车辆在低速到中、高速时质心侧偏角趋于零,具有较强的鲁棒性;在角阶跃、移线实验中,控制效果优于前轮转向、比例控制和横摆角速度反馈控制,较大地改善了车辆的操纵性能．     

一种大规模高速并行采样及校正技术研究

采用多ADC并行采样结构是迅速提高数据采集系统实时采样率的重要途径。首先提出了一种大规模并行采集系统的总体方案;然后重点阐述了大规模并行采样技术实现与校正的若干关键技术:高速并行采样时钟的产生技术、并行采样数据触发点定位技术和非均匀采样实时校正技术;最后给出了实验结果与分析。采用上述关键技术的高速数据采集系统具有实现成本低、性能指标可靠、实时性高等优点。     

基于卷积神经网络的超分辨率失真控制图像重构研究

目的 解决超分辨率图像重构模型中存在的功能单元之间关联性差,图像色度特征提取完整性不强、超分辨率重构失真控制和采样过程残差控制偏弱等问题。方法 通过在卷积神经网络模型引入双激活函数,提高模型中各功能单元之间的兼容连接性;引用密集连接卷积神经网络构建超分辨率失真控制单元,分别实现对4个色度分量进行卷积补偿运算;将残差插值函数应用于上采样单元中,使用深度反投影网络规则实现超分辨率色度特征插值运算。结果 设计的模型集联了内部多个卷积核,实现了超分辨率色度失真补偿,使用了统一的处理权值,确保了整个模型内部组成单元的有机融合。结论 相关实验结果验证了本文图像重构模型具有良好可靠性、稳定性和高效性。     

基于遗传神经网络的履带行驶系统载荷识别方法

针对煤矿掘进机器人履带行驶系统工作环境恶劣,载荷无法直接有效获取这一工程实际问题,提出了基于遗传神经网络的振动信号载荷识别方法。构建了遗传算法(GA)优化BP(back propagation)神经网络载荷识别模型,采用路试法试验采集了履带小车的5组振动加速度数据和单组应力载荷数据,探讨路面不平度频率和驱动轮啮频等对履带车振动和应力载荷的影响规律;借助快速傅里叶变换(FFT)对原始应力载荷数据进行去噪处理,依据履带小车行驶平顺性指标,利用sym8小波函数对振动加速度信号进行5层特征提取以提高载荷识别的精度,然后将5组小波变换分解的加速度数据和滤波后的应力载荷数据分别作为GA-BP神经网络的输入和输出进行训练及验证,揭示了履带行驶系统运动过程中振动与应力载荷之间的关系。研究结果表明,路面不平度频率、驱动轮啮频及转频为小车振动的主要频率成分,路面不平度引起的振动频率为13.765 Hz,驱动轮啮频为68.25 Hz,转频为3.25 Hz。多组试验得到的BP神经网络最佳隐含层神经元数为63,GA-BP神经网络识别的应力载荷与期望应力载荷具有较高吻合度,相对误差为4.5%,验证了该方法的有效性...     

基于径向基神经网络的谐波叠加法

风荷载的数值模拟在结构设计中起着非常重要的作用。在土木工程脉动风速时程的各种数值模拟方法中,谐波叠加法最为常用。而且,通过引入FFT和不同插值技术可以在不显著地影响模拟精度的情况下,大大地缩短模拟计算所花费的时间。本文提出使用径向基神经网络(RBF neural network)插值技术来改进传统的谐波叠加法。使用基于径向基神经网络和传统的谐波叠加法(未引入插值技术)来模拟一幢100米高高层建筑上10个点的脉动风速时程,通过均方根误差( Root Mean Square Error, )和相对误差系数( Error factor, )两项指标来评价改进的与传统的谐波叠加法相比较的模拟计算精度,并且记录各自所耗费的时间。结果表明：基于径向基神经网络谐波叠加法的精度令人相当满意,模拟计算效率大大提高。     

BP神经网络求解轮轨力作用点位置的研究

测力轮对(Instrumented wheelset)是测量轮轨力最直接最准确的方法。利用有限元法建立测力轮对的有限元模型,并通过计算机模拟研究载荷作用点位置对测力轮对辐板应力的影响,在此基础上,建立加载位置的BP神经网络模型。实践表明,采用BP网络模型仿真的结果可以得到更理想的输出波形,解决或减少了传统组桥过程中存在的一系列问题,证明了所设计的网络具有足够的精度,所建立的网络也是具有应用价值的。     

基于粒子群优化算法和BP神经网络的变频压缩机功率预测

本文针对变频压缩机的功率测量困难,测量误差大等问题,提出了一种仿真测量模型。利用粒子群算法寻找全局最优粒子,用它初始化BP神经网络的阈值和权值,测量变频压缩机的功率。本文共建立了3种仿真模进行对比,分别为BP神经网络模型、GA-BP神经网络模型和PSO-BP神经网络模型,然后分别通过3种模型的内插、蒸发温度外推和冷凝温度外推的测试方法对变频压缩机进行功率测量,对比分析其预测结果的平均相对误差和拟合程度。结果表明:基于粒子群算法优化的BP神经网络模型明显优于其他两个模型,特别是在冷凝温度外推测试中,较其他两个神经网络相对误差降低了1. 11%、2. 64%,3种测试方法下的平均相对误差均小于1%,拟合程度在0. 9以上,表明基于粒子群算法优化的BP神经网络模型对变频压缩机功率有较好的测量能力,而且有较强的泛化能力。     

Bird strike event monitoring in a composite UAV wing using high speed optical fiber sensing system

In this study, high speed bird strikes on a composite structure were successfully monitored using optical fiber sensors. Four multiplexed optical fiber sensors in a single cable were surface-bonded on the leading edge of a composite UAV wing box. In order to acquire those high frequency signals, a newly developed interrogation system was used to process strain signals from four sensors simultaneously at a sampling frequency of 100 kHz. Before the bird strike tests, pre-impact tests using a rubber hammer were performed to verify the suitability of the FBG signal acquisitions. The pre-test data were used in the neural network training procedures to estimate the bird strike locations. Then, the bird strike tests were accomplished using dummy projectiles and a pneumatic gun. The one-pound dummy birds, made of gelatin, hit the leading edge with a maximum speed of 201 km/h. The impact signals were successfully recorded during the tests and their frequency characteristics were then analyzed. Finally, the strike locations were estimated with the neural network which was trained through the pre-tests. The average error was 33.6 mm.     

枕式包装机包装材料供送速度控制

目的 为了提高包装袋的袋长精度,提升包装袋体外观质量。方法 提出一种基于神经网络PID自适应的三伺服枕式包装机包装材料速度控制方法,将传统的PID控制方法同神经网络控制相结合,设计一个神经网络PID控制器,包括控制器结构和学习算法,可用于解决相关非线性问题。结果 仿真和实验结果表明,采用神经网络PID控制方法,包装材料速度达到稳态时,所用时间约为2 s,最大超调量不超过2%,包装袋长误差能够有效控制在±1 mm以内。结论 所设计的控制方法与传统的PID控制相比,具有响应速度快、抗干扰能力强、控制输出稳定等优点,能够显著提高包装袋长精度。