基于PCA-RBF网络的储运过程管道堵塞故障诊断方法

针对现代储运过程管道堵塞故障诊断时,提取的过程参数多导致诊断速度慢、性能差等问题,提出了基于主成分分析（PCA）和径向基函数（RBF）神经网络故障的诊断方法。首先利用PCA方法对储运过程高维历史数据矩阵进行特征提取,提取的故障特征信息作为训练集,并给出故障特征信息的分类号;然后将其作为RBF神经网络分类器的输入输出进行故障模式识别。仿真实验表明：该方法应用于储运过程管道堵塞故障诊断,不仅大幅度地降低了诊断模型的训练时间,而且提高了诊断正确率。     

钢丝增强复合条带抗弹性能数值分析

为研究钢丝增强聚合物基复合条带的抗弹性能,基于冲击动力学理论分析其抗弹机理,再借助ANSYS/LS-DYNA软件和LS-PrePost前后处理器模拟有无增强钢丝2种工况下,条带对7.62 mm弹体的冲击响应。分析表明：条带的弹性模量、剪切模量和面密度会影响其能量吸收性能,能量吸收量随三者的增大而增大;由于聚合物基体的正交各向异性,应力云图显示出扁平椭圆状是合理的;在聚合物基复合条带中嵌入增强钢丝对条带整体的抗弹性能有积极的影响,但嵌入过量的钢丝会导致重量和成本的增加,因此需要对合理的钢丝配比率作进一步研究。研究结果可为钢丝增强聚合物基复合条带在野战防护结构中的应用提供参考。     

纳米SiO_2增韧改性环氧乙烯基酯树脂的性能研究

为了对环氧乙烯基酯树脂(EVER)进行增韧改性,采用KH570硅烷偶联剂对纳米SiO2进行表面处理,考察了纳米SiO2表面改性及其质量分数对EVER力学性能的影响。经过偶联剂处理的纳米SiO2复合材料在树脂基体中具备更好的分散性和相容性,力学性能明显优于纯EVER材料和未经偶联剂处理的复合材料。纳米SiO2质量分数为3%时,纳米SiO2复合材料的拉伸强度、断裂伸长率、冲击强度分别比纯EVER材料提高了42.10%,43.38%和91.91%;纳米SiO2质量分数为4%时,纳米SiO2复合材料的拉伸模量比纯EVER材料提高了34.57%。通过观察冲击断面的SEM照片,分析了纳米SiO2增韧改性的作用机理。结果表明:纳米SiO2增韧改性的关键在于诱发基体产生银纹,使其对裂纹扩展起到钝化、阻碍的作用。     

基于改进萤火虫优化算法的BP神经网络目标群威胁判断

以舰艇防空作战目标选择决策和规划需求为背景,针对萤火虫算法求解精度不高且收敛速度较慢的问题,提出可动态调整步长的改进萤火虫优化算法。在改进萤火虫优化算法的基础上,建立基于改进萤火虫优化算法的BP神经网络目标群威胁判断结构模型。通过改进萤火虫算法优化BP神经网络的初始权值和阈值,能够更好地预测测试集。实验结果表明,该方法可快速、准确地实现目标群威胁判断。     

潜射弹道导弹出水姿态分析

分析了潜艇深度、纵倾角、横倾角、海面风速、海面波长、平均波高等因素对潜射导弹的偏航角、俯仰角、滚动角、偏航角速度、俯仰角速度、滚动角速度的影响。由于实验数据比较分散,不适合神经网络的训练,所以首先对实验数据模糊化,并用以对神经网络的训练。用训练好的神经网络分析了潜艇单因素变化的导弹出水姿态。     

镶嵌式径向滑动轴承静特性分析

分析计算了镶嵌式径向滑动轴承中油膜的压力分布、承载量、摩擦系数和流量,得出镶嵌式径向滑动轴承具有不同于普通径向滑动轴承的静特性.     

基于人工神经网络的齿轮箱载荷识别研究

提出了一种基于实测结构响应识别作用在齿轮箱上激励的方法 ,该方法利用人工神经网络建立响应信号与激励之间的映射模型。通过单级齿轮箱上所做的试验数据表明 ,这种利用人工神经网络识别齿轮箱载荷的方法是可行的 ,并且 ,经过训练的网络模型在齿轮箱载荷识别的过程中显示了极快的收敛速度和很高的识别精度。     

基于改进Elman神经网络的SINS动基座传递对准研究

在运用Kalman滤波进行SINS动基座传递对准时,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,提出基于改进Elman神经网络的SINS动基座传递对准方法.首先通过增加输出层节点的反馈来改进普通的Elman神经网络模型,其次采用强跟踪滤波器对改进Elman神经网络进行训练.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滤波的缺陷,提高传递对准精度达100%～150%.     

弹炮结合武器系统效能评估方法研究

通过Matlab软件编程,建立了一个小规模的弹炮结合武器系统的作战仿真模型,进行蒙特卡罗仿真.通过对仿真结果的分析和参考相关文献,确定影响弹炮结合武器系统作战效能的主要因素.建立一个BP神经网络模型,该模型以这些影响弹炮结合武器系统效能的主要因素为输入,以弹炮结合武器系统对目标的拦截率为输出,利用大量仿真所得数据作为样本对神经网络模型进行训练,并验证了其有效性.     

基于自适应神经网络滤波的引信去噪声研究

设计了自适应神经网络噪声抵消系统,该系统不需要关于噪声信号的先验知识,非线性映射能力强,具有自学习能力,计算量小,实时性好.利用该系统对含噪声的非线性信号建模,达到消除噪声的目的.通过LMS算法,对不同信噪比(SNR)的含噪引信信号进行滤波,仿真结果表明,该滤波器能有效地抑制噪声.