基于动态神经网络非线性结构辨识的研究

利用Ｅｌｍａｎ动态递归神经网络,对非线性结构进行黑箱辨识,建立了它的非线性状态方程;提出了加快网络收敛速度的自适应学习算法。辨识结果表明,动态递归网络模型优于传统辨识模型,适于非线性、不确定结构的辨识。     

随机神经网络优化方法及其计算机仿真

研究了结构优化问题求解的随机神经网络方法,可较好地克服Hopfield网络方法容量陷入局部解的缺点,针对实例,对随机神经网络和Hopfield网络进行了动态仿真,直观地给出了两种网络的动态并行运行,能量函数的动态变化过程及两种网络的全局性的差异,同时也仿真出了网络并行运行至稳定优化解的时间。     

具有不同激活特性神经元的前向神经网络在捷联惯导系统对准中的应用

提出了一种基于H∞滤波的动态神经网络。该神经网络不仅运用H∞滤波理论在践调整网络权值，而且采用与调整权值相同的算法，对神经网络各层神经元的不同非线性激活函数的参数进行在线调整，替代传统神经网络中各层神经元相同的激活特性，并将其用于捷联惯性导航系统(简称SINS)对准的误差状态模型中。仿真结果表明：与采用相同激活特性的方法相比，这种方法不仅提高了系统状态估值运算的实时性，而且也提高了精度。     

电子器件隔振系统的神经网络杂交建模研究

对一个由四个钢丝绳隔振器组成的某电子器件隔振系统动力学特性进行了神经网络杂交建模.建立了隔振系统的刚体动力学方程,发展了一种根据实验数据间接确定隔振器恢复力的方法.通过网络训练获得了描述钢丝绳隔振器恢复力特性的神经网络模型,与系统运动方程结合构建了隔振系统的神经网络串连杂交模型.仿真结果表明,杂交模型在不同量级的简谐激励下,均能够较为准确地预测结构多点的稳态响应,因而具有较高的精度.此外,杂交模型包含了系统的物理参数,便于进行参数影响分析.     

基于神经网络的惯性平台温度场仿真模型修正方法

针对目前平台系统仿真方法计算效率低且精度不高的问题,提出了一种基于神经网络算法且考虑真实壁面条件的惯性平台系统仿真模型修正方法。从惯性平台三维仿真模型入手,使用神经网络算法修正后的对流换热系数作为惯性平台与外界的换热条件,建立系统与无限大空间进行热交换的仿真模型,利用该仿真模型得到了更高精度的系统内部温度分布。仿真与试验结果表明,修正后的仿真模型中网格数量减小24.61%,仿真精度提高了15.95%。所得到的对流换热系数修正系数可用于具有相似外壁面惯性平台的温度场仿真分析。     

基于并行卷积神经网络的地磁方向适配性分析

针对地磁方向适配性分析时人工特征提取主观性较强、所取特征难以表达深层的结构性特征的问题,并为了进一步提高方向适配性分析的准确率,提出了一种基于并行卷积神经网络的地磁方向适配性分析方法。首先,从不同角度建立了地磁场在6个代表方向上的适配性分析图;然后,从同一磁场的不同角度出发,利用卷积神经网络自动完成了特征学习,得到了更为全面的方向适配性特征描述;最后,在并行卷积神经网络所得特征的基础上,利用BP网络建立了地磁方向适配性的分析模型。仿真结果证明,该方法可以有效避免人工特征提取和计算等复杂步骤,实现了地磁方向适配性分析的自动化,而且可以获得优于传统网络和单路卷积神经网络的准确率。     

BP-Bagging模型在光纤陀螺温度补偿中的应用

为了消除光纤陀螺的温度效应并提高陀螺的精度,BP神经网络模型广泛的应用在光纤陀螺的零偏温度漂移辨识和补偿中。然而,单神经网络模型的泛化能力差,影响模型的预测结果。结合神经网络集成学习的思想,利用Bagging集成技术产生差异大、预测能力强的个体网络,提升模型的预测能力。建立光纤陀螺零偏温度的BP-Bagging模型,将其应用在温度补偿中。通过对某型光纤陀螺的零偏漂移数据进行仿真,结果表明:BP-Bagging模型相比线性回归模型、单BP神经网络模型的补偿效果更显著,有效改善了陀螺的零偏稳定性能。     

有杆抽油系统动态特性的计算机仿真

本文建立了有杆抽油系统动态特性仿真的综合数学模型．即应用数值积分法建立转子运动规律的仿真模型和应用差分法建立抽油杆柱纵向振动的仿真模型。本文提出了一种叠代方法较好地解决了两子系统之间相互耦合的问题，给出了一种便于应用的井下边界条件的仿真方法。     

基于复数神经网络的粘弹性材料动态模量拟合方法

固体火箭发动机药柱粘弹性材料除具有弹塑性特性,还具有粘滞性,这一特性使得材料变形具有明显的时间效应,本构关系复杂,进行动态力学分析时,动态模量难以有效拟合．本文提出了一种基于(Levenberg-Marquardt, L-M)算法的复数神经网络拟合粘弹性材料动态模量的方法．通过广义Maxwell模型推导得到材料的动态模量表达式,以此构造未定网络参数为复数的神经网络,从而提供了一种输入、输出样本均为复数的神经网络解决方法．将实数L-M训练算法进行改进,衍生到复数领域,提出复数L-M训练算法．通过粘弹性材料实验,将实验数据时温等效转换,获得复数神经网络的训练及测试样本．通过对神经网络进行训练,实现粘弹性材料动态模量的高精度拟合．数值算例表明,与传统神经网络拟合方法相比,所提方法在训练速度和泛化能力方面都有其优越性．     

干涉型光纤陀螺仪零漂建模方法

光纤陀螺仪零漂是衡量光纤陀螺仪精度的重要指标。文中对某光纤陀螺仪的零偏数据进行分析和预处理,采用时间序列分析法建立了AR（2）模型,同时基于BP神经网络建立了预测模型。建模结果分析表明：AR建模方法简单易行,但适用性不如BP网络模型,BP网络模型建模精度高,但算法复杂且收敛速度慢,容易陷入局部极小,因此采用了改进训练方法,改善了BP网络性能。     

基于Elman型神经网络的金川二矿地表岩移时序预测 模型

建立于煤矿开采基础之上的矿山开采沉陷理论和预测方法并不适用于象金川这样厚大、陡倾的金属矿床开采的岩移问题,因此,本文探讨利用神经网络来对地表岩移进行预测。根据Elman神经网络能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了利用Elman神经网络建立地表岩移时序预报模型的方法。利用金川二矿区GPS监测所得到的时间序列数据,通过对Elman神经网络模型预测值与GPS实测值之间的比较,结果表明模型预测显示了良好的准确性,特别是在时间步长较短情况下,应用于实际预测一定程度上可以弥补金属矿山岩移预测方法不足的缺憾。     

基于Elman神经网络和Kalman滤波的捷联惯导精对准

在采用Kalman滤波进行捷联惯导精对准时,当模型存在误差或系统噪声不能反映实际噪声时,会降低滤波精度甚至导致滤波发散.针对这个问题,提出基于Elman神经网络和Kalman滤波的捷联惯导精对准方法.首先对已知噪声统计特性的系统进行Kalman滤波,将稳定可靠的状态估值作为网络期望输出用来训练Elman网络,然后再用训练好的网络对未知噪声统计特性系统进行状态估计.利用仿真数据对该算法进行验证,结果表明该算法能够克服Kalman滤波精对准的缺陷,提高了对准精度,尤其是航向角的精度.     

基于改进BP算法的Elman网络在软基沉降预测中的应用

E lm an网络具有动态特性好,逼近速度快,精度高等特点,本文结合软基沉降的基本特征,建立了E lm an网络软基沉降预测模型。考虑到经典BP算法的缺陷,采用改进BP算法对网络进行训练学习。实例分析表明,本文所建立的E lm an网络模型具有一定的可靠性和实用性。     

Analyses on structural damage identification based on combined parameters

IntroductionServiceloads,environmentalandaccidentalactionsmaycausedamagetostructures .Whenthestructuraldamageissmalloritisintheinteriorofthestructure,itsdetectioncannotbedonevisually.Inspectionofexistingbuildingsandbridgesaftercatastrophicevents,suchasearthquakesandhurricanes,aswellasundernormaloperatingconditions ,isoftentimeconsumingandcostlybecausecriticalmembersandconnectionsareconcealedundercladdingandotherarchitecturaldecorations.Formanyimportantstructures,suchashospitals,firestations,mi…     

ANALYSES ON STRUCTURAL DAMAGE IDENTIFICATION BASED ON CIMBINED PARAMETERS

The relative sensitivities of structural dynamical parameters were analyzed using a directive derivation method. The neural network is able to approximate arbitrary nonlinear mapping relationship, so it is a powerful damage identification tool for unknown systems. A neural network-based approach was presented for the structural damage detection. The combined parameters were presented as the input vector of the neural network, which computed with the change rates of the several former natural frequencies (C), the change ratios of the frequencies (R), and the assurance criterions of flexibilities ( A ). Some numerical simulation examples, such as, cantilever and truss with different damage extends and different damage locations were analyzed. The results indicate that the combined parameters are more suitable for the input patterns of neural networks than the other parameters alone.     

Modeling of a magnetorheological damper by recursive lazy learning

Nowadays dampers based on magnetorheological (MR) fluids are receiving significant attention specially for control of structural vibration and automotive suspensions systems. In most cases, it is necessary to develop an appropriate control strategy which is practically implementable when a suitable model for MR dampers is available. It is not a trivial task to model the dynamic of MR dampers because of their inherent non-linear and hysteretic dynamics. In this paper, a recursive lazy learning method based on neural networks is considered to model the MR damper behavior. The proposed method is validated by comparison with experimental obtained responses. Results show the estimated model correlates very well with the data obtained experimentally. The method proposed learns quickly that it is only necessarily a learning cycle, it can learn on-line and it is easy to select the network structure and calculate the model parameters.     

GPS误差模型参数估计的Hopfield神经网络方法

本文首先建立了ＧＰＳ误差模型。然后，利用Ｈｏｐｆｉｅｌｄ神经网络（ＨＮＮ）方法对误差模型参数进行了估计，并给出了其硬件实现方法。将估计结果与传统的最小二乘（ＬＳ）估计进行比较，证明了神经网络方法的有效性。     

基于神经网络的组合导航系统状态估计

在干扰大的外界环境中,传统滤波法对组合导航系统进行状态估计的精度难以满足要求,为此提出了引入Elman神经网络。描述了它的状态估计的设计方法,对如何获取训练样本及网络的训练算法给予了详细的介绍,并把优化后的算法与原有方法进行仿真对比。最后以INS/GPS组合导航系统为例,分别用传统滤波法与Elman神经网络法进行状态估计。仿真结果证明了该法的有效性和实用性。     

结构试验机的神经网络内模自适应跟踪控制系统

针对结构试验系统的非线性和不确定性特性，研究了一种基于神经网络的非线性内模自适应加载控制方法。引入的神经网络内模可跟踪学习对象的时变动力学，控制器的设计较少依赖于对象的先验知识，控制参数的调整是基于被控过程的测量信息，利用导出的神经网络算法来实现的。实验结果证明该系统具有良好的控制效果。     

人工神经网络非线性动力学及应用

综述神经网络系统非线性动力学行为及其与网络性能的联系和在科学和工程中的应用；讨论了神经网络的权值动力学系统和状态动力学系统的动态过程，神经网络的稳定性和鲁棒稳定性，高阶关联网络的性能、张量描述、吸引性和复杂性，神经网络设计和综合的分叉理论；说明了神经网络动力学分析的意义和重要性．