基于神经网络的零射程线闭路制导方法

对于固体发动机飞行器,在动力飞行段一般采用能量匹配闭路制导或者倾角约束的闭路制导方法,这种闭路制导方法的控制精度较高,但其精度受到发动机性能偏差的影响较大,为了减小发动机性能偏差对制导精度的影响,提出了基于神经网络的零射程线闭路制导方法。首先,建立了飞行器动力飞行段运动模型,对零射程线闭路制导进行了分析推导;其次,设计了多输入神经网络算法,确定了输入输出参数,对剩余能量、待增速度以及趋零射程线角度进行训练,将神经网络训练结果与零射程线闭路制导相结合,使得在不同的发动机偏差情况下,反馈不同的趋零射程线角度;最后,通过选择不同的偏差状态进行仿真验证,仿真结果表明该方法能有效地减小发动机偏差对制导精度的影响,具有较强的抗偏差能力,制导精度高。

改进Transformer在产油量预测中的应用研究

产油量预测有利于制定合理的采油策略。本文提出一种包含卷积神经网络、门控循环单元和Transformer的组合模型CNN-GRU-Transformer,可用于产油量预测。该模型应用CNN提取部分深层空间特征,GRU提取产油量数据的时序特征,并根据油井数据的特点,改进了Transformer原有结构。通过改进的Transformer,将提取到的特征与预测相结合。实验的结果表明,CNN-GRU-Transformer模型在预测产油量各项指标中均为最优值,在适应产油量基本趋势方面表现最佳。

脑卒中神经环路研究技术进展

神经环路由神经元之间通过突触结构相互连接而形成,是大脑信息传递和处理的基本单元,在神经功能调控中发挥重要作用。卒中后,脑梗死区域及梗死周围区域与远程区域的神经连接受损,导致患者出现神经功能障碍甚至残疾。然而,随着检测技术进步,越来越多研究已证实卒中患者在慢性期时能产生一定的功能恢复,可能与突触连接和神经环路的重新建立有关。因此,开发特定的技术来识别和操纵神经元活动模式,以及使用高时空分辨率成像策略解读这些神经变化过程,使我们能够了解卒中恢复的全脑网络动力学和神经环路重建的发生机制,从神经生物学角度理解卒中病理学发展到行为结果的闭环关系。目前研究神经环路的技术主要集中于光遗传学、化学遗传学、在体钙成像和功能磁共振成像技术。本文将介绍这4种主要技术的工作原理,重点总结各自在解析卒中后神经重塑研究中的应用成果,并简要分析了每种技术的应用场景、优劣性和未来发展趋势,帮助临床及基础研究人员利用这些技术发现新的治疗策略以及评估康复策略的有效性。

基于双环自适应滑模控制的高速列车运行追踪

针对列车高速运行跟踪控制问题,提出了一种基于双环结构的RBF神经网络自适应滑模控制算法。首先系统结构分为位移与速度控制子系统,防止列车因单个控制器故障而失控;在此基础上采用积分滑模控制,加强控制器的鲁棒性;同时在速度子系统中引入参数自适应算法与RBF神经网络自适应算法削弱列车受到基本阻力、附加阻力以及不确定性阻力带来的影响;最后通过Lyapunov稳定性分析证明系统的稳定性。通过仿真实验结果表明,位移误差在[-3.3×10^(-4),1.9×10^(-4)]范围以内,速度误差在[-2.1×10^(-2),3.1×10^(-2)]范围以内,该算法可以实现对列车的速度与位移精确追踪。

航天器流体回路泵智能故障诊断方法

开展了航天器流体回路泵智能故障诊断方法研究,将BP神经网络、粒子群优化(PSO)-BP神经网络、遗传算法(GA)-BP神经网络和模糊神经网络4种模型应用于故障诊断,以温度、流量、出口压力、转速4类状态参数作为神经网络输入,状态标志作为输出进行训练,通过均方误差、相关系数、模型训练评分对模型训练效果评价,从而实现模型优选,完成故障诊断。利用在轨遥测数据进行应用验证,结果表明可以准确识别流体回路泵的正常和叶轮卡死泵功能丧失两种在轨实际状态类型,且模糊神经网络相对其他3种神经网络具有更好的诊断效果。

脑机融合增强视觉表征:从“脑在环路建模”到“脑不在环路应用”

基于深度神经网络特征及恒河猴大脑视觉皮层脑电响应,提出了基于自适应信息融合方法的“脑在环路”图像表征模型,证明了脑机融合可以提供互补信息并提升深度神经网络模型性能;提出了基于大脑响应重建和共享表征空间的两种脑机融合计算模式,实现了“脑在环路建模,脑不在环路应用”,拓宽了脑机融合模型的应用场景;通过特征显著性可视化方法证明了共享表征有效性,为充分利用大脑视觉表征的神经响应提供了新思路。

基于轻量级CNN的视觉SLAM快速回环检测算法

传统基于卷积神经网络(Convolutional Neural Network,CNN)的视觉同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)系统回环检测目前准确率和召回率较高,但其存在特征提取时间较长和特征向量维度过高导致计算量较大等问题。针对上述问题,结合轻量级卷积神经网络MobileNetV3和PCA降维算法,提出了一种基于深度学习的快速回环检测算法。基于MobileNetV3进行特征提取并构建特征矩阵,运用PCA降维算法完成降维以提升运行速度,使用余弦相似度计算各个特征向量间的相似性,并取最大值与给定阈值比较判断是否构成回环。最后,使用New College和City Centre两个公开的数据集验证算法的性能。实验结果表明,相较于传统的CNN回环检测方法,提出的算法在保证准确率和召回率的同时,运行速度更快,较好的满足了视觉SLAM系统准确性和实时性的要求。

基于光遗传学技术的脑机接口研究进展

脑机接口作为一种大脑和外部设备之间的双向通信系统,在增强脑功能、人机交互和神经康复方面得到了广泛应用。基于光遗传学技术的脑机接口,弥补了电极刺激在生物兼容性、刺激精度与细胞类型特异性上的缺陷,成为神经工程领域的研究热点。综述了光遗传学脑机接口在动物实验中的应用,以及在闭环调控脑区活动、反馈虚拟感觉和脑-脑交互等方面取得的研究进展;介绍了集成化和微型化新型光遗传学接口的研究前沿;总结了光遗传学脑机接口面临的挑战,以及探讨在多模态脑活动监测和脑-机智能等方向的发展前景。

基于RBF神经网络补偿的ROV运动控制算法

针对作业型遥控水下航行器(ROV)在模型参数不确定和外部环境干扰下的运动控制问题,提出了一种基于径向基函数(RBF)神经网络的自适应双环滑模控制策略。首先,对于ROV外环位置控制采用改进趋近律的积分滑模控制方法,对于ROV内环速度控制采用指数趋近律的积分滑模控制方法;其次,为进一步改善滑模控制的抖振问题,引入双曲正切函数作为滑模切换项;然后,利用RBF神经网络控制技术对ROV模型的不确定参数和外部扰动进行估计与补偿;最后,利用李雅普诺夫稳定性理论证明了整个闭环系统的稳定性,并对作业型ROV的运动控制进行了数值仿真。仿真结果验证了所设计的控制器可以实现ROV航行的精确控制,并能够有效抑制模型不确定参数和外部扰动对ROV运动的影响。

基于神经网络的VSLAM综述

传统的基于视觉的SLAM技术成果颇丰,但在具有挑战性的环境中难以取得想要的效果.深度学习推动了计算机视觉领域的快速发展,并在图像处理中展现出愈加突出的优势.将深度学习与基于视觉的SLAM结合是一个热门话题,诸多研究人员的努力使二者的广泛结合成为可能.本文从深度学习经典的神经网络入手,介绍了深度学习与传统基于视觉的SLAM算法的结合,概述了卷积神经网络(CNN)与循环神经网络(RNN)在深度估计、位姿估计、闭环检测等方面的成就,分析了神经网络在语义信息提取方面的优点,以期为未来自主移动机器人真正自主化提供帮助.最后,对未来VSLAM发展进行了展望.

基于GRU-BP算法的高精度动态物流称重系统

针对动态物流秤测量精度对载重、采样频率、带速较为敏感的问题,提出了一种高精度动态物流称重系统。首先,采用三因素五水平正交试验法,结合皮尔逊相关性检验原则,使用低通巴特沃斯与卡尔曼滤波器对传感器压力信号进行了滤波降噪处理,并将加速度信号作为模型输入信号,进行了特征补偿;然后,基于深度学习算法,提出了一种改进的门控循环单元模型,在该模型采样区间内将压力与振动改写为时序化信号,并将其共同输入门控循环单元(GRU)模型;最后,对GRU模型进行了改进,对其结构输出了层堆叠误差反向传播神经网络(BP),有效加强了模型的非线性映射能力。研究结果表明:在各类传动速度及测试货物下,该模型的最大测量误差相对于同类型深度学习模型长短期记忆(LSTM)神经网络、循环神经网络(RNN)时序模型及传统数值平均模型的误差,依次降低了16.14%、27.14%、76%,可用于各类称重系统。

基于注意力机制和CNN-GRU模型的脱硫系统pH值预测

针对火电厂石灰石-石膏烟气湿法脱硫系统中所面临的浆液pH值测量不准确、时间长的问题,提出了一种基于注意力机制和CNN-GRU模型来预测吸收塔内浆液pH值。首先,对火电厂监测系统(SIS)数据库中的数据进行预处理,然后使用相关性分析来确定它们之间的关联性。接下来可使用注意力机制(ATT)来自适应分配与pH值相关联的输入数据的权重,并根据权重大小来区分强弱特征变量,以此来解决预测精度低和不准确的问题。其后利用卷积神经网络(CNN)来二次提取和降维这些特征数据,并对送入门控循环神经单元网络(GRU)中的数据进行优化,可大大加快神经网络训练进程,并且能够更准确地处理复杂的动态脱硫变化。对某电厂2×350 MW机组运行数据进行测试,并通过与其他主流算法对比得出所建pH值预测模型具备更高的精确度和稳定性。最后结合模型预测控制(MPC),验证了该模型的实用性。

基于MGAN环路滤波视频编码技术的监控系统设计

为提高变电站环境监测运行效率,提出一种改进的对抗神经网络环路滤波视频编码技术的环境监控系统。首先,根据系统功能性和非功能性需求,将系统分为视频采集层、边缘计算层、云平台层3大模块,并进行了详细设计;然后,基于生成对抗神经网络(GAN),重点设计了边缘计算层视频编码技术,提出一种多层次的GAN(记为MGAN)环路滤波视频编码技术;对系统功能和非功能进行了测试。结果表明,系统可实现实时监控、多路监控、智能保存和视频编码功能,满足安全性、稳定性、可靠性非功能需求,所设计的基于MGAN的环路滤波视频编码技术能有效提高视频编码质量,进一步提高变电站视频及环境监控系统的运行效率,具有一定的实际应用价值。

农网台区线路异常的自适应DBSCAN-PNN诊断方法

新型电力系统建设背景下,线路异常诊断对于实现农网台区的线损管理和线路健康状态评价意义更为显著。针对当前农网台区缺少数字化线路异常诊断手段的问题,提出了一种基于自适应DBSCAN-PNN的农网台区线路异常诊断方法。首先,获取异常用户的虚拟回路阻抗计算结果;其次,采用K近邻方法自适应选取DBSCAN参数,并结合各类阻抗异常形成的专家先验知识规律,构建典型农网台区线路异常样本数据集;进一步将样本数据集按照一定的比例拆分为训练集和测试集,送入PNN分类模型中进行训练与测试,输出典型异常分类结果。最后,以某地区4类典型异常案例为基础进行案例分析,结果证明该方法异常诊断准确率能够快速实现典型农网台区线路异常诊断的快速精准识别,辅助支撑农网台区线损的精益化运维管理。

基于边缘部署低功耗的神经网络加速器

卷积神经网络作为一种处理网络数据的深度学习模型,广泛的应用于自动驾驶、航空航天等行业。而随着数据量的增长,卷积网络的结构也变得越来越复杂,对于卷积网络这种计算和资源密集型网络如何部署在低功耗、资源少的边缘设备上就成为了一种困难。而FPGA由于其具有高的并行性和低功耗,可以作为一种边缘部署的设备。在这基础上,提出了一种针对于LeNet-5轻量网络的加速器,利用流水线并行加速和循环展开对FPGA的并行计算最大化,然后使用Vitis HLS将高级编程语言转变为硬件描述语言,再利用Vitis IDE进行软件驱动的编写。实验结果表明,相对于在CPU、GPU上进行网络推理,在ZYNQ上FPGA进行网络推理,在检测速率相近的情况下,功耗减少了8倍,这使得神经网络的边缘部署多了一种选择。

碳排放限制的混杂最优闭环电网经济调度

针对电网经济调度效率低下等问题,提出了一种碳排放限制的混杂最优闭环电网调度算法。算法在考虑火力发电机组和多分布式发电聚合体组合调度的同时,以电网实际需求响应和碳排放限制作为约束条件,建立电网经济调度模型;并将经济调度问题转化为混杂系统的最优控制,从而建立电网经济调度与混杂系统最优控制序列的等价一致性;推导混杂系统获取满足贝尔曼方程的最优代价函数,借助神经网络逼近最优值获得最优闭环调度序列。仿真实验验证了本调度算法的闭环有效性,能在不同初始条件和外部扰动下依然获得最优调度序列,同时仿真结果证实降低碳排放限额或提高碳排放交易价格都有助于减少电网系统的总碳排放量。

基于深度神经网络的数字化变电站继电保护二次回路监测研究

常规的变电站继电保护二次回路监测方法以虚拟场景监测为主,很难做到全面覆盖,影响二次回路监测的准确性。文章设计了一种基于深度神经网络的数字化变电站继电保护二次回路监测方法。通过识别数字化变电站二次回路的不平衡负荷电流,分析二次回路中电流的变化情况。基于深度神经网络监测继电保护二次回路的运行状态和运行规律,并实现二次回路运行状态的可视化展示,避免监测失误问题。采用对比实验证实该方法的监测准确性较高,能够应用于实际生活。

IGBT器件级物理模型的FPGA设计与实现及在环验证

基于硬件在环(HIL)仿真,研究了绝缘栅双极型晶体管(IGBT)器件级Hefner物理模型及其求解算法与优化方法,在现场可编程门阵列(FPGA)上设计并实现了Hefner优化模型,并基于PYNQ框架对其进行了在环验证。首先,分析并仿真了Hefner物理模型与其求解算法,提出并训练了一个前馈神经网络用以拟合模型中的一组非线性函数;接着,在FPGA上设计并验证了Hefner优化模型IP核,并使用基于PYNQ框架的FPGA在环验证方法对其进行了板级验证;最后,用IKW50N60H3和FGA25N120两种型号的IGBT器件对IP核进行了实例验证。结果表明,Hefner优化模型能准确地反映IGBT的开关瞬态特性;在Zynq 7020芯片的处理器系统(PS)端运行PYNQ框架,可编程逻辑(PL)端时钟频率为100 MHz时,实现60 000个时间步长的时间为212 s,是软件运行同样次数所用时间(341 s)的62%,FPGA加速明显。

基于FPGA的卷积神经网络硬件加速器设计

为了提高中小规模设备卷积神经网络的推理速度,提出一种基于FPGA的卷积神经网络硬件加速器设计方案。针对模型中的卷积运算单元,该硬件加速器采用输入、输出二维循环展开和循环分块的方法,设计128个并行乘法器单元。模型的输入输出接口采用双缓存设计,通过乒乓操作,降低数据传输带来的时间延迟。同时,采用16位定点量化模型中权重参数,偏置参数和输入输出特征图的像素值。实验结果表明,与通用CPU酷睿i5-4440处理器相比,在COCO数据集上准确率几乎不变的情况下,计算性能提高5.77倍。在系统时钟频率为150 MHz时,硬件加速器的计算性能达到28.88 GOPS。

Expert control strategy using neural networks for electrolytic zinc process

The most important parameters which control the electrolytic process are the concentrations of zinc and sulfuric acid in the electrolyte. An expert control strategy for determining and tracking the optimal concentrations was proposed, which uses neural networks, rule models and a single loop control scheme. First, the process was described and the strategy that features an expert controller and three single loop controllers was explained. Next, neural networks and rule models were constructed based on statistical data and empirical knowledge on the process. Then, the expert controller for determining the optimal concentrations was designed through a combination of the neural networks and rule models. The three single loop controllers used the PI algorithm to track the optimal concentrations. Finally, the implementation of the proposed strategy were presented. The run results show that the strategy provides not only high purity metallic zinc, but also significant economic benefits.