基于遗传神经算法的压力钢管外压稳定性分析

压力钢管外压稳定性分析是重要而难以解决的问题。用遗传-神经网络模型对压力钢管外压稳定问题进行仿真计算,模型具有神经网络强大的函数逼近功能,同时利用遗传算法克服传统神经网络方法易陷入局部极小点的缺陷。实例仿真结果表明,用实数编码遗传神经网络模型分析加劲压力钢管的外压稳定性,具有效率高、鲁棒性好的优点,精度满足工程要求。     

基于遗传小波神经网络的MEMS陀螺误差建模

研究了一种基于遗传算法改进的小波神经网络.该方法采用小波神经网络为主要逼近手段,并通过遗传算法优化网络的关键参数.由于小波神经网络兼容了神经网络的自学习特性和小波分析的时-频局部性,而遗传算法具有较强的全局搜索能力,二者结合形成的遗传小波神经网络因此具有较高的逼近与容错能力,从而弥补了传统的方差建模方法的不足.将该算法应用到某型MEMS陀螺仪的随机误差建模中,结果表明:遗传小波网络对原始信号的逼近精度误差在以内,较之传统的方差建模方法有了显著的提高,这一精度基本上可以满足MEMS陀螺工程化应用的要求.     

基于迭代估计的三轴加速度计温度模型参数外场标定方法

为补偿加速度计标度因数和零偏的热漂移误差,设计了一种可估计内场恒温环境下参数变化量的加速度计温度参数模型,并提出了基于迭代估计的温度模型参数外场标定方法。该方法不依赖精密的惯性测量设备和温箱,仅在重力场内对加速度计进行连续多组位置观测,充分利用加速度计冷启动过程产生的热漂移误差进行模型参数辨识,解决了加速度计温度误差特性和启动温度点相关的问题。针对加速度计测量信号为高斯白噪声的特点,建立了关于温度模型参数矢量和多组位置倾斜矢量的非线性准则函数,提出了两步迭代估计方法实现两组参数矢量的分离估计。根据不同位置下三轴加速度计输出信号粗略提取倾斜矢量,解决了迭代估计算法的初值问题。重力场内通过优化分析加速度计温度模型参数对重力值的灵敏度,设计了6组位置观测编排。实验结果表明,温度误差补偿前的重力值测量最大误差为3.62×10-4g,而温度误差补偿后重力值测量误差小于1×10-5g;同时,温度误差补偿前系统3 h纯惯性导航最大定位误差为1186 m,而温度误差补偿后最大定位误差小于600 m,从而表明提出的外场标定方法的有效性。     

基于动态特性补偿的冲击波测试数据处理方法

利用激波管对传感器进行动态标定,采用特殊白化滤波器广义最小二乘迭代法建立冲击波测试传感器的数学模型并对其动态特性进行分析,提出采用基于零极点相消原理补偿法来对传感器动态特性进行补偿。实际试验的测试数据处理应用表明,基于动态特性补偿的数据处理方法能够提高传感器动态特性和冲击波测试数据的准确度。     

改进单向搜索遗传算法的工程结构优化设计

本文基于规范规定的约束条件和各项技术标准要求，建立了离散变量结构优化模型。针对遗传算法在迭代过程中经常出现未成熟收敛、振荡、随机性太大和迭代过程缓慢等缺点，提出一种新的遗传算子单亲遗传算子，用于对遗传算法的改进。并提出一种离散变量结构优化设计的单向搜索算法与遗传算法结合在一起解决问题。优化设计结果表明，这种改进单向搜索遗传算法的收敛特性得到了很好的改善，即发挥了单向搜索算法局部搜索能力强的特点，又发挥了遗传算法全局性好的特点。该方法是一种有效的工程结构优化设计方法。     

基于小波最小二乘支持向量机的加速度计温度建模和补偿

针对环境温度影响加速度计测量精度的问题,给出了温度对石英挠性加速度计零偏和标度因数的影响机理,提出采用小波最小二乘支持向量回归建立石英挠性加速度计零偏和标度因数的温度模型的方法。为了验证模型的有效性,进行了多个温度点下的参数标定试验,所获取的各温度点下的石英挠性加速度计零偏和标度因数作为小波最小二乘支持向量机模型的训练数据;将石英挠性加速度计固定在某一位置进行了升温试验,通过对比未进行温度补偿、最小二乘温度补偿和小波最小二乘支持向量回归温度补偿下石英挠性加速度计的输出,计算结果表明采用小波最小二乘支持向量机补偿后的石英挠性加速度计的测量精度最高。     

基于LSTM深度神经网络的MEMS-IMU误差模型及标定方法

针对微惯性传感器受热、力学等环境的影响显著,传统的多项式误差模型补偿效果不理想的问题,建立一种基于长短时记忆(LSTM)深度神经网络的MEMS-IMU误差模型。模型输入信息为MEMS-IMU输出的角速度、加速度、温度,输出为角速度误差、加速度误差。同时,设计了基于长短时记忆神经网络的MEMS-IMU误差模型标定流程,构建了MEMS-IMU热、线运动、角运动等多维误差因素的综合激励训练集,对长短时记忆神经网络模型进行训练。对训练得到的模型进行验证,结果表明,相对于传统方法,采用所提出的模型对加速度和角速度进行误差补偿后残差均值减小约70%,均方差分别减小39%和64%,补偿效果更好。     

基于遗传神经网络的锚杆极限承载力预测的研究

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的锚杆极限承载力预测的遗传神经网络模型。该模型以低应变动测的5个变量作为输入变量来对锚杆极限承载力进行预测,并与BP神经网络预测结果进行比较。数值算例表明,遗传神经网络在锚杆极限承载力预测中具有较高的计算效率和识别精度。     

惯性-视觉-磁场传感器组合的低成本标定方法

针对一种融合了惯性-视觉-磁场信息的传感器组合,给出了一套低成本的标定和建模方法.对于传感器模型中的确定性项和非确定性项参数,分别采用了基于输入指令向量模匹配的方法和基于时间序列分析的方法来进行标定和建模,利用所得到的模型补偿之后的传感器输出误差的方差降为原来的1/3以下;对于摄像机坐标系和加速度计坐标系之间的相对旋转矩阵,提出了一种基于重力向量和铅垂线的标定方法,仿真结果表明,标定结果的相对误差小于7%.     

基于遗传算法的低压液压管路模型参数识别

为了合理预测伴随气泡和气穴的低压液压管路压力瞬态脉动,提出了用改进遗传算法对低压液压管路压力瞬态脉动模型进行参数辨识的新方法.给出了用来描述管路流动特性的瞬态脉动数学模型,建立了用来计算伴随气泡和气穴的液压管路瞬态下气泡体积和气穴体积的数学模型.构造了基于最小二乘法的适应度模型,探讨了遗传操作方式及算法终止准则,采用了算术交叉同线性逼近相结合的改进算术交叉算子进行交叉操作,给出了模型参数寻优的算法流程.实现了对低压液压管路压力瞬态脉动数学模型的参数识别,得到了参数优化后的低压液压管路压力瞬态脉动模型.仿真结果与实验数据的比较表明在低压液压管路瞬态模型中,用改进遗传算法来识别模型中的未知参数的方法是可行的、有效的.     

Explicit and implicit viscoplastic models for polymeric composite

The viscoplastic behavior of a carbon-fiber/polymer matrix composite was investigated through two different modeling efforts. The first model is phenomenological in nature and utilizes the tensile and stress relaxation experiments to predict the creep strain. The phenomenological model was constructed based on the overstress viscoplastic model. In the second model, the composite viscoplastic behavior is captured via neural networks formulation. The neural networks model was constructed directly from the experimental results obtained via creep tests performed at various stress–temperature conditions. The neural network was trained to predict the creep strain based on the stress–temperature–time values. The performance of the neural model is evaluated through the mean squared error between the neural network prediction and the experimental creep strain results. To minimize this error, several optimization techniques were examined. The minimization of the error when carried out by the Truncated Newton method outperforms the standard back-propagation and the conjugate gradient method in terms of convergence rate and accuracy. Using neural network with truncated Newton training algorithm, the prediction of the creep strain was very satisfactory compared to the phenomenological model.     

遗传优化小波神经网络在组合导航系统中的应用

实时性是组合导航系统的一个重要指标，而神经网络的优化学习问题是决定网络效率的关键技术。遗传优化小波神经网络不仅继承了小波分析良好的局部性及其神经网络的学习和推广能力，而且具有遗传算法全局寻优的特点，是多层前向神经网络学习的一种理想算法。将它应用于组合导航系统中并进行了仿真，结果表明，该算法能够根据实际情况自适应确定网络结构，实时性好，精度与常规方法相当。     

基于WOA-BP神经网络的超低温冻土抗压强度预测模型研究

为获得超低温冻土抗压强度预测模型, 探究超低温状态下冻土的物理性质及力学性质的变化, 对含水率19%, 22%, 25%和28%的低液限黏土土样进行?180 °C ~ ?10 °C的单轴压缩强度试验, 并测量?80 °C ~ ?10 °C土样的未冻水含量, 建立基于WOA-BP神经网络和BP神经网络的预测模型, 探究含水率、温度、未冻水含量与超低温冻土抗压强度关系. 预测结果表明: 含水率、温度、未冻水含量与超低温冻土抗压强度存在复杂的非线性关系, 特别是在?180 °C ~ ?80 °C区间内, 现有的线性拟合公式已无法准确预测该区间内冻土抗压强度; 基于WOA-BP神经网络预测模型的整体预测效果较好, 其绝对误差平均值为1.167 MPa, 相对误差平均值为7.62%, BP神经网络预测模型的绝对误差平均值为8.462 MPa, 相对误差平均值为47.99%. 基于鲸鱼优化算法的BP神经网络预测模型预测误差明显小于BP神经网络预测模型及线性拟合值, 更接近实测值. 该预测模型具有较高精确度, 能有效解决超低温冻土抗压强度与其影响因素间复杂的非线性关系, 可为人工冻结技术在地层应急工程中的应用提供参考.      

弹性关节空间机械臂级联智能滑模控制

谐波减速器和力矩传感器等柔性元件因其独特性能而广泛应用在空间机器人关节系统中，以获取高减速比．但同时这些柔性元件的存在为空间机械臂系统引入了关节柔性，使得对其稳定控制变得更为复杂．基于此，文中讨论了基于自适应回归小波神经网络(Self-Recurrent Wavelet Neural Networks, SRWNN)的弹性关节空间机械臂系统动力学建模及级联智能滑模控制．首先，利用级联系统理论及第二类拉格朗日方法推导出了由外环刚性臂子系统和内环关节电机转子子系统组成的系统级联动力学模型；其次，为两个子系统分别设计了内、外环自适应滑模回归小波神经网络控制．外环控制算法以期望轨迹为控制量，而其控制信号作为抑制弹性关节振动的内环控制算法的控制量，整个控制系统由内、外环控制系统叠加而成；而后，基于Lyapunov稳定性理论证明了整个控制系统的稳定性并设计了自适应回归小波神经网络的各权值参数在线学习算法．所提的控制算法有效地消除了模型不确定的影响，避免了复杂的求导计算和角加速度可测的要求，同时，控制系统设计过程中未涉及惯常奇异摄动双时标分解操作，在理论上适合任意大小的关节柔性刚度．最后，系统对比仿真试验证明了所提的级联智能控制算法优于惯常基于奇异摄动法和基于柔性铰补偿奇异摄动法的控制方案．     

基于神经网络的差分方程快速求解方法

近年来, 人工神经网络(artificial?neural?networks, ANN), 尤其是深度神经网络(deep?neural?networks, DNN)由于其在异构平台上的高计算效率与对高维复杂系统的拟合能力而成为一种在数值计算领域具有广阔前景的新方法. 在偏微分方程数值求解中, 大规模线性方程组的求解通常是耗时最长的步骤之一, 因此, 采用神经网络方法求解线性方程组成为了一种值得期待的新思路. 但是, 深度神经网络的直接预测仍在数值精度方面仍有明显的不足, 成为其在数值计算领域广泛应用的瓶颈之一. 为打破这一限制, 本文提出了一种结合残差网络结构与校正迭代方法的求解算法. 其中, 残差网络结构解决了深度网络模型的网络退化与梯度消失等问题, 将网络的损失降低至经典网络模型的1/5000; 修正迭代的方法采用同一网络模型对预测解的反复校正, 将预测解的残差下降至迭代前的10?5倍. 为验证该方法的有效性与通用性, 本文将该方法与有限差分法结合, 对热传导方程与伯格方程进行了求解. 数值结果表明, 本文所提出的算法对于规模大于1000的方程组具有10倍以上的加速效果, 且数值误差低于二阶差分格式的离散误差.      

基于动态神经元网络的激光陀螺输出误差模型

惯性敏感器误差补偿技术对提高武器装备的性能具有重要的意义,而误差补偿的关键在于误差模型的辨识。由于动态神经元网络是在前馈网络的节点引入前馈和反馈环节,理论上已证明其具有很强的动态逼近能力,可用来描述任意的非线性动态系统。根据惯性敏感器误差的动态特性,本探讨将动态神经元网络引入到激光陀螺误差建模中去,详细介绍了网络结构和对应的动态梯度算法。通过仿真算例说明,动态神经元网络在激光陀螺输出误差建模时具有一定的优点：网络收敛速度快、较好的跟踪性能、稳定性好。     

一种采用小波神经网络的GPS精密单点定位方法

针对GPS精密单点定位对高精度的需求,提出了一种采用小波神经网络的GPS精密单点定位解算方法。该方法利用小波变换和神经网络学习功能,无需准确系统先验信息,误差函数能够快速收敛,逼近真实误差模型,从而提高GPS精密单点定位精度。仿真结果表明,静态条件下与传统最小二乘法和卡尔曼滤波算法相比,该算法定位收敛时间缩短50%,定位精度分别提升90%和50%。动态情况下,较最小二乘法和卡尔曼滤波算法定位精度提高20%~80%。     

面内变刚度薄板弯曲问题的挠度?弯矩耦合神经网络方法

发展了一种求解面内变刚度功能梯度薄板弯曲问题的神经网络方法. 面内变刚度薄板弯曲问题的偏微分控制方程为一复杂的4阶偏微分方程, 传统的基于强形式的神经网络解法在求解该偏微分方程时可能会遇到难以收敛、边界条件难以处理的情况. 本文基于Kirchhoff薄板弯曲理论, 提出了一种直角坐标系下任意面内变刚度薄板弯曲问题的神经网络解法. 神经网络模型包含挠度网络与弯矩网络, 分别用于预测薄板的挠度与弯矩, 从而将求解4阶偏微分方程转换为求解一系列二阶偏微分方程组, 通过对挠度、弯矩试函数的构造可使得神经网络计算结果严格满足边界条件. 在误差的反向传播中, 根据本文提出的误差函数公式计算训练误差并结合Adam优化算法更新模型的内部参数. 求解了不同边界条件、形状的面内变刚度薄板弯曲问题, 并将所得计算结果与理论解、有限元解进行对比. 研究表明, 本文模型对于求解面内变刚度薄板弯曲问题具备适应性, 虽然模型中的弯矩网络收敛较挠度网络要慢, 但本文方法在试函数的构造上更为简单、适应性更强.      

基于提升小波与灰色神经网络的光纤陀螺振动误差建模

光纤陀螺在振动环境下的输出具有噪声大、漂移强的特性,必须建立合理的振动误差模型,以便使用精确的算法进行补偿,从而提高光纤陀螺的输出精度。文中首先使用Allan方差分析法分析了某型号的数字闭环光纤陀螺在振动环境下的输出信号,随后利用提升小波分离出了光纤陀螺误差模型中的白噪声及漂移误差,并提出了基于灰色理论和RBF神经网络的漂移误差建模方法。仿真结果表明,相较于传统的RBF神经网络模型,基于提升小波的灰色RBF神经网络的漂移误差建模方法能有效滤除白噪声,并将漂移误差模型的建模精度提高了一倍左右。该方法能够有效提高光纤陀螺在振动环境下的输出精度,对光纤陀螺在振动环境下的误差研究具有重要指导意义。     

基于自适应BP神经网络的结构损伤检测

描述基于人工神经网络的结构损伤检测的基本步骤以及该方法在实际5层钢框架结构损伤检测上的应用．提出了一种改进的BP神经网络方法，它能够解决传统BP神经网络在实际应用中存在的两个问题：收敛速度慢并存在局部极小．其基本思想是引入动态自适应算子加速传统BP算法的梯度下降速度，从而提高运算速度，通过自调节保证学习过程中每一时刻具有较大的sigmoid函数值，从而可以避免局部极小．数值仿真结果表明基于该自适应神经网络的结构损伤检测方法具有强的鲁棒性，而且与传统的BP神经网络相比，不仅提高了计算速度，并且具有很高的精度．最后，实例的应用也证明了该方法的有效性．