弹性力学的实时神经计算原理与数值仿真

针对现代结构分析的特点，提出了基于神经网络结构的弹性力学分析原理；给出求解该问题的网络———改进的Ｈｏｐｆｉｅｌｄ和ＴＨ网络．提出用ＢＰ网络来实现单元刚度矩阵的实时计算．最后，对两个简单结构的弹性力学神经计算进行了数值仿真     

用灰色理论和神经网络理论建立陀螺漂移模型初探

本文就灰色理论和神经网络技术在建立陀螺漂移模型上的应用进行了初步探讨；介绍了这两种理论工程应用上的方法和特点以及相关的一些问题。     

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。     

神经网络算法及其在GPS导航中的应用

GPS导航解算中常采用最小二乘算法。由于导航解算中存在观测异常（粗差），采用的模型精度很难满足用户需求，而高动态用户需求的精度却不断提高，为此文中提出一种利用神经网络的非线性逼近能力，在顾及观测信息权阵的条件下，利用Hopfieid神经网络进行GPS导航解算的新算法。该算法具有很好的抗差性和自适应性，能较好地抑制观测粗差对导航解的影响。计算结果证明了该算法的有效性。     

埋入压电元件的自诊断智能结构的理论分析与实验研究

将压电元件埋设于复合材料层板结构中，可实现结构应变分布的在线监测。本文提出一种采用压电应变传感器阵列和人工神经网络模型的自诊断方法，对局部埋入压电应变传感元件的平板结构进行了分析，采用神经网络模型根据压电传感器组的输出识别结构承载位置和大小，对该方法进行了数值模拟和实验验证。     

神经网络的分叉理论设计方法

本文用分叉理论的规范形方程设计和综合期望贮存静、动态记忆模式的神经网络。对于期望贮存静态记忆模式的网络，该规范形方程为叉形分叉的；若期望贮存的记忆模式是周期振荡形式，该规范形方程为高余维数Ｈｏｐｆ分叉的，由满足设计约束的规范形系数得到的突触连接系数可以保证期望贮存的记忆模式都能成功地存贮于所设计的网络，且是网络仅有的吸引子，没有伪吸引子，吸引域的范围足够大。     

RBF神经网络在"薄管板"结构强度分析中的应用

叙述了RBF神经网络的结构和“薄管板”结构强度分析过程以及应用RBF神经网络对“薄管板”结构应力的非线性系统进行了系统辩识 ,网络输出值与计算值符合较好。说明基于神经网络的系统辩识方法在结构强度分析过程中具有一定的实用性。     

耦合时空混沌的模糊混沌神经网络鲁棒自适应控制

将模糊逻辑系统和混沌神经网络结合起来,利用模糊逻辑系统的逼近能力和混沌神经网络的时空混沌行为,对模型未知的耦合时空混沌系统提出了一种模糊混沌神经网络自适应控制方案;同时考虑系统扰动、未建模动态特性和建模误差的影响,设计自适应补偿器,增强时空混沌系统控制的鲁棒性;并用Laypunov方法证明了该方案的稳定性;仿真验证了方案的有效性和鲁棒性。     

基于布谷鸟算法与BP神经网络的煤灰变形温度预测

以120种煤样为数据基础,采用布谷鸟算法(CS)优化BP(Back Propagation)神经网络,建立了CSBP模型对单煤、煤掺添加剂和配煤等3类样本的煤灰变形温度(DT)样本进行预测。模型以煤灰化学成分及其组合参数等13个变量作为输入量,以变形温度(DT)作为输出量。CSBP模型预测结果与BP神经网络模型预测结果进行对比发现,无论是单煤、煤掺添加剂还是配煤,CSBP模型较BP模型对煤灰变形温度(DT)的预测都更加精准,平均相对误差分别达到了3.11%、4.08%和4.22%。另外,对比3类样本预测结果发现,无论是CSBP模型还是BP模型,相比单煤预测而言,煤掺添加剂及配煤的预测误差都有明显的增加。     

卷积神经网络在流场重构研究中的进展

近年来, 随着深度学习在图像处理、语音识别、自动驾驶、自然语言处理等领域迅速发展, 该技术也被越来越广泛地应用于处理具有复杂非线性、高维度、大数据量等特点的流体力学方向. 传统的方法无法有效地处理这些庞大的数据, 深度学习因其具有强大的函数拟合能力, 可以从大量的数据中挖掘有用的信息. 当前, 流体力学深度学习技术有了初步的一些研究成果, 在流动信息特征提取、多源数据信息融合及流场的智能重构等方面具有重要的工程价值, 其应用潜力逐渐得到证实. 如何利用地面风洞试验、数值模拟及飞行试验获取的数据进行深入挖掘, 快速智能感知及重构流场, 可为主动流动控制提供重要指导. 本文主要从深度学习不同类型的网络结构出发探讨了卷积神经网络在流场重构中的研究进展, 文章首先介绍卷积神经网络的一些基本概念以及基本网络结构, 之后简要介绍流场超分辨率重构网络、端到端的映射网络、长短期记忆网络的基本结构与理论, 并详细归纳出他们的改进形式在流场重构领域的一系列研究进展与成果, 最后对文章做出总结并探讨了流场重构深度学习技术所面临的挑战与展望.