柔性机械手加速度反馈抑制振动的机理与稳定性分析

在柔性机械手的控制中,末端加速度反馈是一种抑制振动有效而简便的途径。但直到现在对其中抑制振动和稳定性的机理并不很清楚。本文深入系统地分析了其内在原因,证明其反馈稳定性,并在自行建立的柔性手实验平台上完成了实验证明,得出了几个确定性有实际指导意义的结论     

基于遗传神经网络的联合作战方案评估

遗传神经网络是处理不确定性和非结构化问题的一种有效工具。提出了一种基于遗传神经网络的联合作战方案评估方法,其基本原理是通过网络对已知作战方案样本的学习训练,对新样本进行模式识别。网络的输入为某型联合作战方案特征指标数据,输出为方案评估等级。仿真结果表明,该方法相比标准BP网络评估收敛速度更快,准确性更高;相比径向基网络计算精度有所改善,具有较好的适用性。     

基于深度学习的网络攻击检测模型

为提高复杂网络条件下网络攻击的检测检测精度、降低时间开销,提出一种基于卷积神经网络、双向长短时记忆网络和注意力机制融合的网络攻击检测模型GP-CABL。GP-CABL能够有效抽取网络流量的最优特征,并能够充分学习网络流量的空间和时序特征,有效提升了检测精度、降低了计算开销。实验表明,GP-CABL针对主要网络攻击识别精度可达99.87%,相较当前研究有较大性能提升,并具有较好的鲁棒性。     

大功率柔性互联设备的有功互济协调控制方法

针对以常规母联开关互联的交流电网线路变压器容量无法合理利用的问题,提出了依靠由背靠背电压源变流器组成的新型大功率柔性互联装置实现两侧交流电网有功功率互济的协调控制方法。介绍了新型柔性互联装置的拓扑结构与基本的控制原理,为实现两侧线路变压器容量合理的目标制定了一种生成有功功率参考的方法,并基于PSCAD/EMTDC搭建了一套仿真算例,对新型柔性互联装置的基本控制与所提出的有功互济的协调控制方法进行了验证。仿真结果表明,在柔性互联装置采用所提方法时能够实现两侧交流线路的有功功率互济,解决了线路变压器容量无法合理分配的问题。     

基于监测数据的电磁频谱地图构建与验证

提出基于广义回归神经网络拟合和聚类克里金的构建方法,通过趋势面拟合,将电磁频谱地图构建分解为路径衰减和阴影衰落分量的估计问题,以提升构建精度;设计监测数据聚类和自适应最优邻域选取机制,在保证构建精度的条件下减小计算数据量,以提升构建速度,从而利用数量有限的电磁环境监测数据,在不需要先验信息的条件下实现电磁频谱地图的准确、快速构建。设计并实现电磁频谱地图验证系统,搭建车载数据采集设备,利用实测电磁环境监测数据,验证所提方法的可行性及构建性能。     

前馈控制的神经网络实现

不依赖对象模型,在前馈-反馈定值控制系统中,借助神经网络构成前馈控制器,以反馈输出引导网络权值及输出的调整,使网络逐步学成前馈补偿功能,并最终在控制中占据主导地位,实现对主要可测干扰的补偿.文章分析了神经网络前馈控制器的作用效果,并与根据精确模型设计的常规前馈控制器的作用特性进行了比较.文中采用两种不同方式对神经网络进行训练,仿真结果证实了在模型未知的条件下,利用神经网络实现前馈控制的有效性.     

一种基于模糊理论和神经网络的水雷状态识别方法

介绍了一种基于模糊集合和神经网络的水雷状态识别方法 .该方法根据实际情况 ,将模糊集合和径向基函数神经网络结合起来 ,用于水雷状态的识别 .仿真结果表明 ,这种识别方法性能稳定 ,且有很高的识别精度 .     

“尼罗河魔鬼”长背鳍波动包络线的提取算法

"尼罗河魔鬼"采用长背鳍波动推进方式,属于典型的奇鳍/对鳍推进鱼类.在已有的理论模型中,细长体理论(Elongated-body theory)较为适合于分析该类游动方式的推进性能.长背鳍的波动包络线方程是细长体理论的必要参数.拍摄实验样本(MPC-I)的自由游动视频,从中选取多组平稳运动图像序列,经旋转校正、零点配准、尺度归一、小波去噪等预处理后,提取了柔性长背鳍波动推进时的顶端边缘轮廓样本曲线簇,进而给出了波动包络曲线的多项式拟合方程.实验结果表明长背鳍波动包络线提取算法是有效的,根据算法所提取的长背鳍波动包络线方程为后续的推进力及推进效率的分析奠定了基础.     

一种基于BP神经网络的极化干涉SAR植被高度反演方法

地面干涉相位估计偏差和植被散射模型偏差都将引起三阶段植被高度反演偏差,针对该问题,提出了基于BP神经网络的植被高度反演方法,该方法直接利用BP神经网络模拟极化复相关系数与植被高度之间的非线性映射关系,不仅可以避免地面干涉相位估计偏差导致的植被高度反演偏差,还能降低三阶段植被高度反演方法面临的散射模型偏差导致的植被高度反演偏差,具有比三阶段植被高度反演方法更高的反演精度。实验结果验证了新方法的优越性。     

基于RBF神经网络的直接自适应飞行控制器

设计了一种径向基神经网络(RBF NN)飞行控制器结构,并给出了相应的控制律和参数调节律。由于调节了RBF NN的全部参数(连接权、高斯函数的中心和宽度),得到了很好的控制性能。以F8战斗机为控制对象进行了仿真分析,仿真表明,在存在70%的模型误差的情况下,该控制器仍然能实现较好的跟踪控制,表现出很好的鲁棒性,远远优于传统的只调节连接权值的算法。