嵌入式大气数据系统人工智能算法及故障诊断

嵌入式大气数据传感(FADS)系统由于其诸多优势成为现在战斗机设计中的关键技术之一。开发了基于BP(反向传播)人工神经网络的FADS算法和基于随机森林算法的故障识别与处理算法。该嵌入式大气数据系统算法以迎角和马赫数为分段依据,分别计算大气数据。故障识别则采用随机森林算法自动识别出故障测压点,在将故障测压点剔除后,采用不含故障点压强的组合预测各大气数据。采用飞行数据测试开发FADS系统算法,结果表明:该算法计算大气参数较为准确,迎角误差小于0.2°,侧滑角误差小于0.3°,马赫数误差小于0.0105,静压误差小于300 Pa。采用单个测压点故障的压强组合测试了故障识别与容错算法的性能,测试结果显示该算法能够准确识别出故障测压点压强,采用的飞行曲线测试中准确度达到100%,且各大气数据计算精度可达上述无故障压强时的精度,有效降低了故障压强对FADS系统算法计算精度的影响。     

改造前向神经网络结构以求网络权值直接确定——Jacobi正交基神经网络实例

根据多项式插值与逼近理论,以一组零阀值特例Jacobi正交多项式(第二类Chebyshev正交多项式)作为隐层神经元的激励函数,构造一种基于Jacobi正交基的前向神经网络模型.该神经网络模型采用三层前向结构,其中输入、输出层神经元采用零阀值线性激励函数.为改进传统神经网络收敛速度较慢及其局部极小点问题,针对该Jacobi正交基前向神经网络模型,提出了一种基于伪逆的直接计算神经网络权值的方法(即,一步确定法),并利用该神经网络进行预测.计算机仿真结果表明,相对比传统的BP迭代训练方法,权值直接确定法计算速度更快、预测精度更高.     

基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪中,用于模型辨识和状态估计的非线性滤波器的合理选择和优化是提升滤波精度的关键.融合量测迭代更新集合卡尔曼滤波和交互式多模型(interacting multiple models,IMM)方法,本文提出了基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法.通过迭代更新思想的引入构建了一种量测迭代更新下集合卡尔曼滤波的实现结构,并将其作为IMM的模型滤波器实现对于目标运动模式和状态的辨识与估计.针对算法结合过程中滤波精度和计算量的平衡,设计了用于输入交互环节的状态估计样本,同时简化输入交互环节和输出交互环节中滤波误差协方差矩阵的交互过程.理论分析和仿真结果验证了算法的可行性和有效性.     

Fourier三角基神经元网络的权值直接确定法

根据Fourier变换理论,本文构造出一类基于三角正交基的前向神经网络模型。该模型由输入层、隐层、输出层构成,其输入层和输出层采用线性激励函数,以一组三角正交基为其隐层神经元的激励函数。依据误差回传算法(即BP算法),推导了权值修正的迭代公式。针对BP迭代法收敛速度慢、逼近目标函数精度较低的缺点,进一步提出基于伪逆的权值直接确定法,该方法避免了权值反复迭代的冗长过程。仿真和预测结果表明,该方法比传统的BP迭代法具有更快的计算速度和更高的仿真与测试精度。     

基于BP神经网络的有限元应力修匀的研究

以四边形平面应力等参单元为例,以高斯积分点为样本点,基于BP神经网络分别考察了以下两种训练模型：以高斯积分点的坐标为输入,Mises应力为输出;以高斯积分点的坐标和位移同时为输入,Mises应力为输出。通过与传统的有限元整体应力修匀比较,经过BP神经网络学习得到的结点Mises应力,不论是单独以坐标为输入还是以坐标和位移同时作为输入得到的结点Mises应力精度都比有限元传统的整体应力修匀高,并且第二种BP神经网络训练模型得到的结点Mises应力比第一种的精度要高。     

差压传感器非线性特性研究

介绍了一种智能差压传感器,针对影响传感器准确度的输出—输入非线性问题进行了研究。采用了BP神经网络来建立差压传感器的输出—输入模型,网络模型采用了三层结构,输出—输入层各自采用了一个神经元,将神经网络的均方误差目标值设定为10-6,并在MATLAB中进行了仿真,经训练得到的输出—输入模型的非线性误差可以达到±0.032%。通过与多项式拟合方法和最小二乘直线拟合方法所得结果进行比较,结果表明:采用BP神经网络方法对提高智能差压传感器的测量准确度具有参考价值。     

飞翼飞行器嵌入式大气数据传感系统算法研究

介绍了嵌入式大气数据传感(FADS)系统的测压孔布局和压力模型;分析了超定线性方程组的解法,并用广义逆矩阵A+计算其最小二乘解;建立了形压系数ε与马赫数M∞、迎角α和侧滑角β的确切的函数模型;提出了故障点的处理方法;并用神经网络实现对动压、静压的求解。计算结果表明:飞翼飞行器的FADS系统的算法能够满足设计要求。     

混凝土强度模糊神经网络检测系统

为了提高检测精度,建立了模糊神经网络来综合评定结构的混凝土强度,充分利用了钻芯法和回弹法这两种常用混凝土测强方法的特点以及模糊神经网络的自学习、泛化和模糊逻辑推理功能.根据回弹值与钻芯值之间趋于幂函数关系的专家经验,将回弹值和钻芯值分别取常用对数作为模型的输入和输出,以提高建模精度.同时,模型参数采用一种混合学习算法确定,可以提高学习速度.实验结果表明,模型预测结果的平均相对误差为10.316%,相对标准差为12.895%,满足工程实际要求.该方法可以有效地映射出钻芯、回弹数据间复杂的非线性关系,为混凝土强度检测评定提供了一种有效的途径.     

基于ELM和连续过程神经网络的抽油机工况诊断

普通神经网络进行抽油机工况诊断时存在诊断精度偏低的问题,提出选用连续过程神经元网络作为诊断模型,特征输入选取能直接反映示功图几何形态特征的位移和载荷两种连续信号。为提高模型学习速度,提出过程神经网络的极限学习算法,将训练转换为最小二乘问题,根据样本输入计算隐层输出矩阵,使用SVD法求解Moore-Penrose广义逆,最后计算隐层输出权值。通过诊断实验,模型学习速度提升5倍左右,与普通神经网络进行对比,诊断精度提高8个百分点左右,验证了方法的有效性。     

基于改进EGO算法的黑箱函数全局最优化

基于Kriging模型的EGO算法是一种适用于黑箱函数求极值的全局最优化算法,但该算法忽略了对Kriging模型精度的控制.针对该算法的不足之处,提出了兼顾Kriging模型精度与模型寻优的迭代函数,并将改进后的EGO算法应用于五个检验函数及一个存货模型,从Kriging模型精度及优化结果两方面对改进前后的算法进行比较.结果表明,改进后的EGO算法提高了最终Kriging模型的精度,并在对目标函数进行少量估值的情况下获得了更为全局化的最优解.     

微型智能低空速传感器的设计

利用大气中的两个物理参量大气静压力、大气动压力和空速的关系,分别用两个高精度压阻式绝对压力传感器对大气静压力和大气动压力进行测量,再用温度传感器对两个绝对压力传感器的测量值进行温度修正,将修正值作为多层感知机神经网络的输入,空速值作为输出.对标准或实验数据采用动批量法进行网络训练,得到网络各层的权值和偏置值,由此可以确定在任意静压力和动压力输入作用下,网络输出估计的空速值,最后借助数字信号处理器芯片实现微型智能低空速传感器的设计.实验结果表明通过训练、学习的传感器具有更高的精确度,同时能够很好地抑制时间漂移.并且很好地解决了低空速测量误差大的问题.     

基于DCNN和数据增强的固体发动机烧蚀预示方法

针对固体发动机烧蚀率的预示,现有传统建模方法存在复杂度高、计算需求大、试验数据少、样本不平衡等问题,提出了一种基于深度卷积神经网络和数据增强的固体发动机烧蚀率预示方法。将传感器数据处理为长度相同、特征相近的序列数据,并使用自适应高斯噪声和随机漂移这2种数据增强方法扩充数据样本,再将扩充后的试验样本和伪样本作为深度卷积神经网络的输入进行训练,将训练得到的模型与传统方法计算得到的烧蚀率预示值进行对比。结果表明,该方法下烧蚀率预示值误差低至0.013 5 m/s,预示精度可达95%。     

基于RBF 神经网络提高压力传感器精度的新方法􀀂

传感器的温度漂移普遍存在,提出了一种新的补偿方法.用智能温度传感器DS18B20作为辅助传感器,结合主传感器测量变量,利用径向基函数(RBF)神经网络构建双输入单输出网络模型,采用带遗忘因子的梯度下降算法实现了压力传感器高精度温度补偿,比普通补偿方法精度提高了2～5倍.     

基于GRU-Attention神经网络的空中群组态势识别方法

现代空中战场中，对敌方空中作战群组意图判定的结果将直接影响我方对局势的掌握和决策的下达，因此空中群组态势的评估识别是现代战场的重要任务。空中作战群组通常会根据飞行任务执行相应意图，监测相关过程并从获取的数据中挖掘相应的特征，再通过智能化的方法进行学习预测。基于此，本文提出一种基于GRU-Attention神经网络的识别方法，将获取的行为事件库预处理后输入门控循环(GRU)神经网络挖掘事件中深层特征；注意力机制(Attention)为深层特征自动计算相应的权重分配；最后利用softmax层对输入的信息进行态势意图分类。实验结果表明GRU-Attention态势识别方法的准确率达到96.10%，验证了该方法的准确性、高效性和稳定性。该方法的提出对丰富神经网络识别方法体系和提高空中群组态势的评估识别准确率具有重要的理论意义和实践意义。     

基于混沌RBF神经网络的汽油机进气流量预测研究

针对汽油机进气流量的多维非线性特性,提出了一种混沌径向基（RBF）神经网络的汽油机进气流量预测模型。证明了汽油机进气流量时间序列具有混沌特性,对采集的原始数据进行相空间重构,利用RBF神经网络对重构后的数据进行训练和预测,并利用混沌算法确定输出层连接权值和隐含层高斯函数径向基中心,使其达到全局最优,加快了RBF神经网络的收敛速度。仿真结果表明,与空气进气流量平均值模型、RBF神经网络预测模型比较,该模型具有更高的预测精度,为精确及时测试汽油机进气流量提供了一种全新的软件测量方法。     

一种利用多神经网络结构建立非线性软测量模型的方法

采用多种神经网络结构建立软测量模型。建模所用的样本数据经过Ｋｍｅａｎｓ聚类方法分成多组训练数据,每组数据建立一个单个神经网络模型,再通过ＰＣＲ方法连接起来得到整个模型的输出,从而显著地提高了模型的精确度和鲁棒性。仿真研究表明,采用该建模方法能够达到较好的建模效果。     

基于深度学习算法的无线传感器异常数据检测

提出了基于深度学习的异常数据检测的方法,精准检测到无线传感器异常数据并直观展现检测结果。基于无线传感器网络模型分簇原理,通过异常数据驱动的簇内数据融合机制,去除无线传感器网络中的无效数据,获取无线传感器网络有效数据融合结果。构建了具有4层隐含层的深度卷积神经网络,将预处理后的无线传感器网络数据作为模型输入,通过隐含层完成数据特征提取和映射后,由输出层输出异常数据检测结果。实验证明：该方法可有效融合不同类型数据,且网络节点平均能耗较低;包含4层隐含层的深度卷积神经网络平均分类精度高达98.44%,1000次迭代后隐含层的训练损失均趋于0,可实现无线传感器异常数据实时、直观、准确检测。     

Fast prediction of the quasi phase equilibrium in phase field model for multicomponent alloys based on machine learning method

The phase field model for multicomponent alloys are usually coupled with the thermodynamic database. But it will take much time to solve the quasi phase equilibrium equations. In order to reduce such time and keep the enough accuracy, we develop a new model to predict the quasi phase equilibrium based on the machine learning method. As an example, the quasi phase equilibrium during the isothermal solidification of Al-Cu-Mg alloy is studied in detail. A neural network model with 3 inputs, 4 outputs and a hidden layer of 150 nodes is constructed. The “training data” are prepared by solving the quasi phase equilibrium equations with least square method. The neural network model is trained by different amount of data set, which can fully cover the ranges of all the variables. The accuracy and performance of the neural network model are discussed in detail. Its high accuracy and fast speed demonstrated that this will be a convenient method to acquire the quasi phase equilibrium data in phase field model for multicomponent alloys.     

足式机器人腿部倾角传感器信号处理研究

足式机器人在自主行走时,一般通过倾角传感器来测量腿部转动角度计算足端位置,然而目前足式机器人腿部倾角传感器测量时易受噪声干扰、温度等因素的影响,导致测量精度低,足端位置估计不准确.针对以上问题,提出新的倾角传感器信号处理方法,首先利用卡尔曼滤波方法对倾角传感器输出信号进行滤波预处理,然后把滤波信号和倾角传感器输出温度值作为建立的双输入单输出RBF神经网络模型的输入变量,采用蚁群聚类算法的并行寻优特征和自适应调整挥发系数方法来确定RBF神经网络基函数位置.实验结果表明,提出的算法能很好地滤除倾角传感器信号中的噪声,实现了倾角信号的温度补偿,测量误差能够控制在0.75％以内,具有实际运用价值.