一种面向多无人机协同编队控制的改进深度神经网络方法

研究了多维度飞行数据下的协同编队控制问题,提出了一种基于改进深度神经网络的协同飞行控制方法。首先,使用深度神经网络在线整定PID控制器,设计了一种基于深度神经网络的PID控制器;其次,针对传统深度神经网络收敛速度慢、学习效率低的问题,同时为了满足多无人机编队飞行的实时性,在深度神经网络控制器中引入动量因子以提高网络的学习性能;最后,将所设计的改进深度神经网络控制器扩展到多无人机协同飞行任务场景实现协同编队飞行。对多无人机协同编队飞行进行仿真验证,仿真结果表明,所设计的改进深度神经网络编队控制器可以有效实现多无人机的编队生成与协同飞行。

水库群运行的改进深度神经网络模拟方法

流域大规模水库群的形成导致径流时空分布发生深刻变化,而不同水库群往往分属不同业主调度管理,上游水库群的下泄计划无法实时获取,给下游水库调度计划编制带来困难,并且影响下游水库运行安全。本文提出一种水库群运行自适应矩估计改进深度神经网络模拟方法,通过改善深度神经网络参数训练方式,从水库群历史运行数据中提取调度规则,在此基础上对水库群运行进行模拟,并结合实例研究,将结果与传统神经网络方法进行综合对比。结果表明,本文所提出的方法能够更好地模拟水库群运行,所模拟的观音岩、锦屏一级和二滩水库下泄流量平均相对误差分别为8%、11%和10%,均优于反向传播(BP)神经网络结果,可为探究调度计划未知情况下的水库运行规律提供新途径。

变转速工况下滚动轴承故障诊断——基于改进DCNN和GRU模型

针对变转速工况下滚动轴承振动信号变化大、故障诊断准确率低的问题,提出基于改进深度卷积神经网络(IDCNN)和门控循环单元(GRU)的诊断模型。使用原始振动信号作为输入,避免因人为提取特征而损失信息;引入批标准化(BN)和小卷积核对DCNN进行改进,加深网络深度,增强网络的辨别能力和稳定性;引入在处理时间序列信号上有着独特优势的门控循环单元(GRU),通过将GRU与IDCNN相结合来提高网络模型的性能。试验验证该模型效果显著且性能稳定。