优化BP神经网络的光纤陀螺温度漂移建模与补偿

光纤陀螺(FOG)温度漂移误差是影响其输出精度的主要误差源之一。针对基于传统BP神经网络FOG温度误差补偿方案适用性较差的问题,提出了优化预测数据的BP神经网络补偿算法,利用最优线性平滑技术以及滑动平均技术对神经网络待补偿数据进行预处理,可以有效减小FOG输出白噪声对温度漂移网络模型补偿精度的干扰,优化神经网络模型的补偿效果。使用FOG温度漂移实测数据对所提出的优化算法进行验证,结果表明利用本文提出的两种建模及补偿方案进行补偿后的FOG温度漂移数据标准差相比传统BP神经网络补偿方法减少50%以上。     

神经网络在工程爆破应力波规律探讨中的应用

采用BP（Back Propagation)前馈人工神经网络模型，对工程爆破中柱状震源的自由场应力波传播规律进行了探讨。结果表明：利用人神经网络模型的非线性映射功能，可以较好地给出工程爆破引起的近区自由场力学规律，对于同类型问题的研究，也有着很重要的意义。     

高超声速飞行器助推段弹道快速计算方法

为提高机动发射高超声速飞行器助推段弹道计算速度和精度,提出一种联合BP神经网络和Levenberg-Marquardt(L-M)算法实现弹道精确快速计算的方法。首先综合考虑各项约束条件设计了助推段飞行程序和弹道优化模型;其次采用BP神经网络方法推导了发射点及终端入轨点状态量与弹道参数的映射关系;最后建立了基于BP神经网络和L-M算法的联合数值寻优计算模型,并采用联合算法对高超声速飞行器助推段弹道进行优化计算。仿真结果表明,基于BP神经网络和L-M方法的联合算法能够快速和高精度地完成机动条件下的高超声速飞行器助推段弹道计算,其终端高度、速度和弹道倾角的入轨精度可分别达到2 m、0.1 m/s、0.01°,并且弹道计算耗时在3 s以内。     

基坑支护结构水平变形预测的遗传神经网络方法

采用遗传算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,先用遗传学习算法进行全局训练,再用BP算法进行精确训练。就遗传算法过程中的选择、变异进行了探索,提出了用BP网络训练产生变异的遗传算法。作为实例,将该方法应用于预测基坑支护结构水平变形中。结果表明,该方法有收敛速度较快、预测精度高等优点。     

基于前向线性预测算法的光纤陀螺零漂的神经网络建模

在详细分析光纤陀螺零漂的基础上,提出了先用滤波算法对光纤陀螺信号进行预处理,然后采用RBF神经网络对滤波后的信号进行建模的方法。针对光纤陀螺信号特点分别采用FLP算法、小波滤波算法、解相关变步长LMS自适应滤波算法对其进行了预处理,比较三种滤波方法,小波滤波算法效果优于其它两种预处理方法,但针对基于预处理后的陀螺信号采用RBF神经网络进行建模时,小波滤波预处理后的信号在建模精度上却是最差的,而对FLP算法滤波后的信号进行RBF建模,建模精度提高了两个数量级。结果表明:基于FLP算法的RBF神经网络在光纤陀螺中的建模是有效的,可大大提高建模的精度。     

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．     

基于高阶补偿模型的新圆锥算法

分析表明传统圆锥算法的误差由常值漂移误差和截断误差组成。通常截断误差大于漂移误差,是误差的主项应优先补偿。而传统圆锥算法一般通过增加单次更新周期内的子样数来提高算法精度,但子样数的增加只能减少漂移误差,对截断误差并没有改善作用。从Bortz的旋转矢量微分方程出发,在不增加采样数的前提下,通过高阶误差补偿模型,对圆锥运动产生的截断误差进行了有效的补偿,提高了算法精度。从理论上比较了该算法和传统3子样圆锥算法、4子样圆锥算法的误差,证明算法精度一般优于传统3子样圆锥算法和4子样圆锥算法。通过仿真证明了上述结论的正确性。虽然新算法增加了一定的计算量,但随着导航计算机性能的不断提高,实测的结果表明仍能满足实时性的要求。     

改进BP网络的海底地形辅助导航算法

鉴于传统的迭代最近点算法存在着易陷入局部最优的缺陷和实时性不好的问题,提出了一种将BP神经网络引入迭代最近点算法中进行地形匹配的新方法。针对传统BP算法存在的局部极小和收敛速度慢等缺点,采用自适应学习方法、引入动量因子、可变化的学习率因子和可调激活函数等措施进行了BP算法的改进。仿真结果表明,改进后的算法可以在一定程度上克服由于局部收敛带来的匹配失效问题,能够获得很好的匹配效果,同时也解决了在实时性上存在的突出问题。     

海相沉积软土蠕变BP神经网络本构模型

海相沉积软土具有很强的蠕变特性,传统分级构建蠕变本构模型方法不实用,且很难真正反映岩土流变的非线性特性。为此,本文引入具有超强非线性映射和容错能力的BP神经网络模型,通过改进BP算法,根据江门软土的室内直剪蠕变试验结果,建立了海相沉积软土BP神经网络蠕变本构模型,避免了传统方法为满足试验曲线变化规律和蠕变特性而需要建立复杂的本构数学表达式。最后,利用上海地区软土蠕变实验结果对本文提出的方法进行了验证,并对BP神经网络蠕变模型在描述软土流变方面的特点进行了讨论。结果表明,本文建模方法简单,并能很好地描述软土的非线性蠕变问题。     

景像匹配定位中的图像边缘检测算法研究

研究了目前流行的14种经典与现代边缘检测算法,对这些算法在景像匹配定侠中的应用进行了仿真,根据战术飞机及巡航导弹的实战需求,提出了边缘检测算法的各项技术指标,进而探讨了这些算法在景像匹配定位中的可应用性及发展方向。仿真结果表明：小波算法是这些算法中定位精度最高,匹配概率最高的算法,实时性也较好,模糊算法与神经网络算法因其优良性能,也应给以充分重视。     

基于神经网络方法的包装件非线性特性识别的研究

结合模糊集合理论，将结构化神经网络方法用于包装件缓冲垫层非线性特性识别问题．对于两种典型的包装件缓冲垫层材料模型的模拟识别结果表明，据此方法可以较好地获得其非线性特性．模糊自适应技术的引入，提高了网络训练速度，减少了对于训练参数的人为干预，使得结构化神经网络方法更适于实际应用．     

采用两步优化器的深度配点法与深度能量法求解薄板弯曲问题

随着计算机技术的进步以及机器学习算法的进一步发展,深度学习方法逐渐被广泛引用于各行各业中。本文发展并比较了适应于工程计算的深度配点法与深度能量法并应用于求解薄板弯曲问题。深度配点法采用物理驱动的深度神经网络来,并将物理信息（偏微分方程强形式）引入到损失函数中,最终将求解薄板弯曲问题简化为优化问题。深度能量法则是采用系统总势能驱动的神经网络。根据最小势能原理,在所有的可能位移场中,真实位移场的总势能取最小值,因此我们可以使用总势能构造损失函数,从而求解薄板弯曲问题。对于边界条件,通过罚函数法将有约束最优化问题转化为求解无约束最优化问题。深度配点法与深度能量法的适用性基于神经网络的通用近似定理。由于物理信息跟总势能的引入,增加了神经网络训练的困难,为了解决这个问题,我们发展了两步优化器方法。数值结果表明,深度配点法与深度能量法很适合求解薄板弯曲问题,并且程序实现简单,实现了真正意义上的“无网格法”。     

FD-PINN:频域物理信息神经网络

物理信息神经网络(physics-informed neural network, PINN)是将模型方程编码到神经网络中,使网络在逼近定解条件或观测数据的同时最小化方程残差,实现偏微分方程求解.该方法虽然具有无需网格划分、易于融合观测数据等优势,但目前仍存在训练成本高、求解精度低等局限性.文章提出频域物理信息神经网络(frequency domain physics-informed neural network, FD-PINN),通过从周期性空间维度对偏微分方程进行离散傅里叶变换,偏微分方程被退化为用于约束FD-PINN的频域中维度更低的微分方程组,该方程组内各方程不仅具有更少的自变量,并且求解难度更低.因此,与使用原始偏微分方程作为约束的经典PINN相比, FD-PINN实现了输入样本数目和优化难度的降低,能够在降低训练成本的同时提升求解精度.热传导方程、速度势方程和Burgers方程的求解结果表明, FD-PINN普遍将求解误差降低1～2个数量级,同时也将训练效率提升6～20倍.     

基于神经网络改进WENO-Z重构方法

本文通过使用深度神经网络对WENO-Z格式的非线性权重进行改进,提出了一种新的WENO-Z-NN格式．新格式首先用神经网络去随机扰动有限体积系数集,然后用代表偏微分方程解的波形生成的数据,采用L2正则化来学习扰动的最优函数,最后引入测试函数并结合最小总变差和最小总偏差作为评估依据进行后处理,从而得到新的权重．一维波动方程和一维Euler方程的数值结果表明,无论是在粗网格还是在细网格,本文所提出的WENO-Z-NN格式的激波捕捉能力明显优于传统的WENO-Z和WENO-JS-NN格式．     

小口径超空泡子弹头部外形的优化设计

在水下高速运动时,小口径射弹周围的水会发生空化现象,阻力系数最优的弹头几何外形对应着射弹被空泡全包裹的超空泡状态。针对一种小口径射弹,可以利用计算流体力学（CFD）数值方法模拟含空化现象的气液两相流动,探究空泡形态和阻力系数与射弹头部几何外形的关系。选取三段锥形为基本射弹头形,采用分步优化方式对射弹头部外形进行了优化。同时,结合神经网络与序列二次规划（SQP）算法减少优化过程中的计算量,缩短了优化工作所需的总时间。优化后的射弹阻力系数比优化前的减小约30%,且能够形成包裹全弹体的超空泡。     

Crack detection in a rotating shaft using artificial neural networks and PSD characterisation

The diagnosis of cracks in rotating shafts using non-destructive techniques provides a route for avoiding catastrophic failure of these common components. This study measured the dynamic response of a full-scale rotating shaft with three different crack depths. A novel non-destructive system is developed and described. The system uses vertical vibration of the system measured over time and characterises its behaviour using elements of the power spectral density (PSD) gained from a fast Fourier transform of the time-history. The PSDs were used as an input into an artificial neural network (ANN) to detect the presence of cracks using changes in the spectral content of the vibration of the system. A novel method for reducing the amount of data input into the ANN is described. The Peak Position Component Method (PPCM) reduces data transfer by using statistical characterisation of the position of the peaks in the PSD. The peak positions represent a small fraction of the information contained in the total frequency range. The number of the PSD peaks used as input to the neural net is a small fraction of the total frequency range. The ANN was a supervised feed-forward network with Levenberg-Marquardt back-propagation algorithm acting on the PPCM results. The frequency spectrum for the three different crack lengths examined show clear shifts in the peak positions of the PSD and the results clearly demonstrate the feasibility of using the new system to detect cracks in-service.     

基于神经网络算法的建筑结构振动分散控制研究

针对地震作用下建筑结构振动分散控制问题,引入神经网络算法,研究结构振动分散神经网络控制策略,来解决分散控制中各子系统的耦合问题和神经网络算法的训练成本问题.利用径向基函数RBF(Radical Basis Function)神经网络模型并基于newrb函数构建了RBF神经网络控制器,对某20层Benchmark结构模型分别进行集中控制和多工况子系统划分分散控制的数值模拟分析,结果表明,提出的各子系统耦合的分散RBF神经网络振动控制策略考虑了子系统间的信息共享,可有效控制结构的振动响应,且子系统达到理想训练结果所需的训练次数与BP网络相比显著降低.     

兖州矿区立井井筒非采动破裂的非线性预测与判别方法

厚冲积层立井井筒非采动破裂工程地质灾害是人类工程与自然环境相互作用的结果,该灾害的发生给煤矿造成巨大的经济损失,本文采用神经网络及模糊神经网络的方法对立井井筒破裂进行了预测与判别,预测与判别的结果表明,采用神经网络与模糊神经网络方法能够很好适用于立井井筒破裂的预测与判别,准确性高,能够满足实际应用的需要。     

Nonlinear adaptive neural network control for a model-scaled unmanned helicopter

In this paper, a nonlinear adaptive neural network control is proposed for trajectory tracking of a model-scaled helicopter. The purpose of this research is to reduce the ultimate bounds of tracking errors resulted from small coupling forces (or small parasitic body forces) and aerodynamic uncertainties. The proposed control is designed under backstepping framework, with neural network compensators being added. Updating laws of neural networks are designed through projection algorithm, so that adaptive parameters are bounded. Derivatives of virtual controls are obtained through command filters. It is proved that, by using neural network compensators, tracking errors of the closed-loop system can be restricted within very small ultimate bounds. Superiority of the proposed nonlinear adaptive neural network control over a backstepping control is demonstrated by simulation results.     

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。