基于ARIMA和RBF网络组合预测的惯性器件故障预报

提出了一种基于ARIMA和RBF网络进行组合预测的方法,该方法综合运用ARIMA良好的线性拟合能力和RBF网络强大的非线性映射功能,将两种预测模型有机地组合在一起,综合各自优点,以期有效改善模型的拟合能力,获得最优预测效果。论文将该方法应用于某飞行器惯性器件的故障预报当中并进行了仿真实验。结果表明,这种方法相对于单项模型的预测具有更高的精度,对于复杂时间序列的分析和预测有很好的应用价值,在故障预报中具有广泛的应用前景。     

三阶灰色神经网络模型的建立及其在导弹故障预报中的应用

为了解决导弹武器故障数据量小,无法利用现有的方法对其进行故障预报的问题,在分析灰色预测模型与BP网络算法的基础上,对现有的一阶灰色神经网络模型做了进一步优化和完善,并在此基础上建立了基于时间响应函数的三阶灰色神经网络GNNM（3,1）模型,推导出了模型的理论算法。将此算法应用于导弹惯性器件故障预报中,通过实例证明了GNNM（3,1）模型对导弹武器故障预报的有效性。     

导航系统冗余惯性器件的结构配置与广义似然比故障检测

研究了冗余系统惯性器件的结构配置及其对广义似然比故障检测方法的影响，指出广义似然比故障检测的效果只与测量及其在奇偶空间上的投影大小有关，提出以测量空间上的投影阵的对角线元素相等作为冗余惯性器件的结构配置的优化条件，最后以五个惯性器件配置的冗余系统为例，说明了该系统是完全有必要的。     

基于时频分析和模式识别的惯性器件故障监测与诊断技术研究

利用时频分布检测信号的基本原理,提出了一种基于PMH分布和模式识别的惯性器件故障监测与诊断方法。实验表明本文所提出的方法能够辨识出惯性器件的故障类型,并且能够实现状态监测和故障分离。该方法在工程实际中具有很好的实用性。     

惯性器件环境模型建立方法

MEMS、FOG是近年来迅速发展起来的新型惯性器件,与传统陀螺仪相比,具有体积小、重量轻、价格便宜、可靠性高等特点。但其性能受环境条件影响较大。因此,在设计惯性系统时,建立惯性器件环境模型很有必要。本文从陀螺建模出发,分析了环境条件对陀螺输出的影响,并详细介绍了惯性器件环境模型的建立方法。     

微机械惯性器件

微电子加工技术和振动惯性技术相结合使惯性仪表技术发生了重大变革，惯性器件的概念已从宏观领域发展到微观世界，人们已能象生产集成电路那样来生产惯性器件，这类惯性器件被称为微机械惯性器件。文章叙述了微机械惯性器件的发展状况、技术趋势及市场预测。     

我国振动惯性器件的新进展

本文概略地介绍了近年来我国振动惯性器件新的进展情况及应用领域,展望了半球谐振陀螺和振梁式线加速度计的前景.     

惯性器件的现状与发展动向

本文介绍了对惯性器件的客观要求,以及国内外惯性器件的现状与发展动向.     

基于DDS的惯性器件特性测量转台控制系统设计

设计了一种能够对惯性器件特性进行测量的转台控制系统,该系统采用DDS数字调速系统和伺服电动机组合的方法来实现转台的自动控制;系统软件采用LabVIEW与MATLAB混合编程,完成惯性器件的性能状态评估曲线与转台监控曲线等功能,通过MCGS组态软件技术建立了PLC和上位机之间的通信连接,实现了现场设备的实时监测、数据控制和远程控制.系统运行稳定可靠、适应性强、性价比高,具有广阔的应用前景.     

基于模糊神经网络预报的抽油机节能控制研究

基于油田多数抽油机轻载运行的现状,提出抽油机"间歇启停"运行的节能控制方案,考虑采油为一复杂过程,选择模糊神经网络(FNN)预报方法给予实现.为了实现这一方案,首先介绍了T-S模糊神经网络的结构,结合抽油过程的特点和研究的需要,对其进行了简化和改进;然后运用采油现场的样本信息和专家知识对FNN进行训练;最后给出了实用的抽油机节能FNN预报算法,将该算法应用在智能抽油机控制器中,取得了满意的节能效果.     

基于二维LMBP神经网络的ISM频段预测算法

随着短距离无线通信技术的快速发展及应用,ISM (2.4 GHz)频段的电磁干扰问题日益凸现,而利用频谱预测来预先获知频段的占用信息,已成为解决设备间兼容共存问题的有效途径.在验证ISM频段时域频域相关性的基础上,提出了一种时频二维LMBP神经网络,并将其应用于ISM频段的频谱预测.通过仿真和理论分析得到了最佳的时频训练组合点(△t=5、f=2),在神经网络输入向量N=9的条件下,该点的预测准确度可达95％,相比Markov算法和时域LMBP神经网络分别提高了9％和4％的预测精度,且具有更优的训练收敛时间.     

基于情感神经网络的风电功率预测

风力发电功率预测对于风能并网具有重要意义.采用一种可用于复杂系统和模式建模的新型神经网络——情感神经网络,对风力发电功率进行预测.为防止ENN在训练时陷入局部最优解,提出采用遗传算法对其进行训练.采用预测误差的均方根和标准差衡量预测准确性、稳定性,对ENN性能进行了检验.结果表明,相比于人工神经网络、支持向量机和自滑动回归模型,ENN能够获得更高的预测准确率和预测可靠性.     

基于BP神经网络的温度预测方法

针对环境试验温度测量精度不高,测温延时较大的问题,提出了基于BP神经网络的温度预测方法。该方法通过测量瞬时温度变化率,利用BP神经网络的温度预测模型,对温度进行预测。在MATLAB中仿真表明,该方法对温度测量的精度有了明显的提高,对测温延时有了明显的改善。     

基于LMBP神经网络的MCM布局电磁场预测模型

通信微波多芯片组件(MCM)内不合理的芯片布局将会导致电磁干扰加剧。对具有不同布局的MCM多层布线基板的电磁场进行了仿真分析,并以仿真分析结果作为样本数据,建立了基于LMBP神经网络的MCM布局电磁场预测模型,然后用该模型对两种单面芯片布局下的MCM的坡印廷矢量数值进行了预测。结果显示,MCM电磁场的仿真与模型预测差值分别为0.332e–7W/m2和0.263e–7W/m2,证明了该预测模型的可用性。     

基于GA-BP神经网络的矿用刮板输送机故障诊断

针对矿用刮板输送机的故障诊断问题,提出一种基于GA-BP神经网络的故障诊断方法.为了避免BP神经网络易陷入局部最小值、隐含层节点数难确定等问题,这里首先根据经验公式缩小隐含层节点数范围,在小范围里寻找最优的隐含层节点数;进而根据遗传算法具有全局寻优的特点,用遗传算法优化BP神经网络训练的初始权值阈值.研究表明经经验公式...     

基于改进BP神经网络的脱机手写文字识别

在MATLAB中构建脱机手写文字识别系统,并利用Levenberg-Marquardt算法对标准BP神经网络的阈值和权值进行优化。经过仿真实验,证明该改进方法克服了在识别过程中BP网络存在的训练时间长、收敛速度慢等缺点,并且提高了系统的识别率,是一种有效可行的BP网络改进方法。     

基于包容性检验和神经网络的网络流量预测模型

网络流量具有高度复杂的非线性特征,采用单一预测模型往往难以达到理想的预测效果,为此,提出一种包容性检验和BP神经网络相融合的网络流量预测模型（ET-BPNN）。首先采用多个单一模型对网络流量进行预测,然后通过包容性检验,根据t统计量检验选择最合适的基本模型,最后采用BP神经网络对基本模型预测结果进行组合得到最终预测结果。实验结果表明,相对于单一模型以及传统组合模型,ET-BPNN更加准确刻画了网络流量变化趋势,各项评价指标均达到更优,为实现网络流量准确预测提供了更为科学的方法。     

基于萤火虫BP神经网络的轴承故障诊断研究

针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题,提出将具有全局寻优的萤火虫算法,结合BP算法共同训练神经网络。在本质上,萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练,避开局部极值点,得到优化后的神经网络初始权值后,利用BP算法的局部寻优特性对网络做进一步精细训练。轴承故障实验表明,萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升,故障识别率最高达到99.47%。     

基于遗传算法优化BP神经网络的风电功率预测

随着大量风电开始并入电网,风电场输出功率预测对接入大量风电的电力系统的运行有重要意义。针对神经网络在风电功率预测中结构和权值参数难以确定,预测精度不高等问题,提出利用遗传算法对神经网络的拓扑结构和网络权值进行优化,并将其应用于风电场功率预测,研究表明预测精度有一定程度的提高。     

基于简单递归神经网络的引信故障预测算法

针对现有基于前馈式神经网络的引信故障预测算法存在自适应能力差、故障预测误差大等缺点,提出了一种基于简单递归神经网络的引信故障预测算法。该算法把经验和简单递归网络在故障预测方面的优势结合在了一起,大大缩短了网络训练时间,提高了引信的故障预测精度,而且有很强的适应能力和良好的稳定性。用此算法对引信工作参数进行预测,仿真、计算结果表明当Elman网络中隐含层神经元节点个数为50个时,引信各个工作参数的预测结果值与实测值之间的误差不到±1％,预测误差最小,而且每次的预测结果之间波动很小,证明了此算法的合理性。