卫星MIMO通信系统抗移动无人机集群干扰的在线BSS算法

移动无人机(UAV)集群可以对卫星多输入多输出(MIMO)通信系统下行链路近距离实施压制式恶意干扰,导致接收信号的信干比(SIR)很低,严重影响通信质量。由于移动无人机信号的传输具有快衰落特性,因此此类扰信混合不仅具有时变性,而且存在突变性。采用盲源分离(BBS)算法实现扰信分离,提出一种部分回溯自适应变步长动量项等变自适应盲分离(PR-V-M-EASI)算法。算法以自适应变步长动量项EASI算法为基础,将串音误差作为分离性能指标自适应调整步长和动量项因子,加快算法的迭代速度,以适应混合矩阵的时变性。此外,算法还通过部分回溯分离的方式提升混合矩阵突变阶段的分离性能,降低分离算法的复杂度。仿真结果表明,PR-V-M-EASI算法能够在不影响收敛速度的前提下改善混合矩阵突变导致的分离精度下降,可有效对抗移动无人机集群施放的强恶意干扰。

A Study on the Convergence of Gradient Method with Momentum for Sigma-Pi-Sigma Neural Networks

In this paper, a gradient method with momentum for sigma-pi-sigma neural networks (SPSNN) is considered in order to accelerate the convergence of the learning procedure for the network weights. The momentum coefficient is chosen in an adaptive manner, and the corresponding weak convergence and strong convergence results are proved.

基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究

机械钻速(rate of penetration,ROP)是钻井作业优化和减少成本的关键因素,钻井时有效地预测ROP是提升钻进效率的关键。由于井下钻进时复杂多变的情况和地层的非均质性,通过传统的ROP方程和回归分析方法来预测钻速受到了一定的限制。为了实现对钻速的高精度预测,对现有BP (back propagation)神经网络进行优化,提出了一种新的神经网络模型,即动态自适应学习率的粒子群优化BP神经网络,利用录井数据建立目标井预测模型来对钻速进行预测。在训练过程中对BP神经网络进行优化,利用启发式算法,即附加动量法和自适应学习率,将两种方法结合起来形成动态自适应学习率的BP改进算法,提高了BP神经网络的训练速度和拟合精度,获得了更好的泛化性能。将BP神经网络与遗传优化算法(genetic algorithm,GA)和粒子群优化算法(particle swarm optimization,PSO)结合,得到优化后的动态自适应学习率BP神经网络。研究利用XX8-1-2井的录井数据进行实验,对比BP神经网络、PSO-BP神经网络、GA-BP神经网络3种不同的改进后神经网络的预测结果。实验结果表明:优化后的PSO-BP神经网络的预测性能最好,具有更高的效率和可靠性,能够有效的利用工程数据,在有一定数据采集量的区域提供较为准确的ROP预测。

动量项盲源分离算法及其性能优化策略

动量项技术是用来改善自适应盲源分离算法分离性能的有效手段,但算法在融入动量项后,其收敛特性对于动量因子的选取数值较为敏感,且算法的稳态性能仍要受到步长参数的限定.本文首先给出了动量项盲源分离算法的设计原理,分析了现有算法存在的两个缺陷性问题;然后利用梯度下降法构造了具有在线调整特性的动量因子自适应迭代规则,通过对动量因子的实时更新以消除固定动量因子算法的性能缺陷;在此基础上,基于凸组合理论设计了不同步长参数下两个变动量因子算法的自适应优化组合方案,从而在一定程度上缓解了步长参数对于算法性能的限定.在不同环境下进行的仿真实验表明,本文针对动量项盲源分离算法所设计的优化策略能够有效消除其所存在的缺陷问题,在确保快速收敛的同时,又能获取较小的稳态误差.

基于随机梯度的变动量因子自适应白化算法

针对自适应白化技术中算法的收敛速度问题,通过融入具有变动量因子特性的动量项,提出了一种快速的自适应白化算法.该算法利用动量项来加速系统的收敛速度,并基于随机梯度方法对动量因子进行自适应更新,有效提升了白化系统的整体性能.仿真实验表明本文算法在平稳和非平稳环境下具有良好的性能.

一种BP网的学习速率与动量项自适应算法

针对BP网络学习速率和动量项参数较难选取以及学习过程中学习效率较为低下的问题,提出BP网络的改进算法模型—AB网络模型,来选取学习速率和动量项的参数值,即通过一个为给定先验知识的A网,动态调节另一个执行实际应用的B网中的学习速率和动量项的参数值,并以此提高整个网络的学习效率.实验结果表明,通过AB网络自适应调整参数的算法比普通BP算法的学习效率大大提高.在实际应用中,我们可以通过AB网络自适应调节的方法,对学习速率参数和动量项参数进行合适的选取.

加入动量项的改进盲分离算法

在盲信号分离算法的推导过程中,常采用最速下降法、自然梯度和牛顿法等对代价函数进行最小化,推导过程复杂.文中仿照在BP神经网络算法中加入动量项使算法得到改进这一方法,提出在互累积量迫零算法的推导中加入动量项.加入动量项的改进算法尽可能地保持了输出分量之间的独立,并在保持和原算法一样简单迭代的前提下,提高了收敛速度,且使训练避免陷入局部极小.仿真结果表明该算法的分离误差减小,能有效分离源信号.

CSP焊点焊后残余应力分析与预测

该文建立了芯片尺寸封装(CSP)焊点有限元分析模型并对其进行了再流焊焊后残余应力应变分析。以焊点直径、焊点高度、焊盘直径和焊点间距为输入参数,焊后残余应力为输出参数进行了灵敏度分析。选取灵敏度分析结果中对残余应力影响显著的因子作为输入,建立了带动量项神经网络预测模型,对CSP焊点焊后残余应力进行了预测。结果表明,置信度为95%时,焊点直径、焊盘直径和焊点间距对CSP焊点残余应力影响显著,灵敏度从大到小的排序为:焊点直径>焊盘直径>焊点间距。所建立的带动量项神经网络预测模型对CSP焊点焊后残余应力预测最大相对误差为7.93%,平均误差为3.19%,实现了对CSP焊点焊后残余应力准确预测。

提高BP神经网络学习速度的算法研究

本文在深入分析BP人工神经网络学习算法的基础上,研究了采用增加动量项,成批训练及综合法来提高BP网络的学习速度,取得了显著效果。

前飞旋翼三维湍流场的数值模拟

采用计算流体力学CFD(Computational Fluid Dynam ics)方法,分析正常前飞和近地前飞时直升机的流场与性能.在直角坐标系中,采用有限体积法和压力耦合方程的半隐式法SIMPLER(Sem i-ImplicitMethod for Pressure-Linked Equations Revised)算法求解三维定常不可压的湍流N-S(Navier-Stokes)方程.在分析中,旋转的螺桨被描绘成沿螺桨桨叶展向分布、与本地流动参数相关以及时间平均的动量源项.计算方法还包括K-ε湍流模型和壁面函数法等措施.流场分析和性能预测同实验测量数据的良好的一致性表明,这种CFD方法可以有效的分析直升机的具体设计问题.

共轴式双旋翼气动力特性的计算研究

将在Ｎ－Ｓ方程中加入动量源项以取代桨叶作用的思想应用于共轴式双旋翼的气动力计算。尾迹是用Ｎ－Ｓ方程求解的，故能更好地模拟两旋翼的干扰。计算结果与实验比较表明，该方法能较好地预估共轴式双旋翼的气动特性。

涵道尾桨的CFD模拟与验证

采用CFD(计算流体力学)方法分析在悬停和侧飞时直升机涵道尾桨的流场与性能。在轴对称的圆柱坐标系中,用有限容积法和S IM PLE(压力耦合方程的半隐式法)算法求解定常不可压的湍流N-S方程。在分析中,旋转的螺桨被描绘成沿螺桨桨叶展向分布的、与本地流动参数相关的、时间平均的动量源项,通过在N-S方程中加入此动量源项来替代螺桨对流体的作用。计算方法还包括涵道壁的阶梯型近似,原始变量的交错网格,k-ε湍流模型和涵道壁上的壁面函数法等措施。涵道尾桨的流场分析和性能预测同实验测量数据的良好的一致性表明,这种CFD方法可以有效的分析涵道尾桨的具体设计问题。

纵列式及横列式双旋翼流动的N-S方程模拟及气动特性的研究

通过求解带动量源项的Ｎ－Ｓ方程，模拟了纵列式和横列式双旋翼的流动，给出了两旋翼相互干扰时的流场，特别是桨盘处的下洗速度分布；通过与单旋翼下洗速度分布的比较，分析了双旋翼流场的干扰特性；讨论了此２ 种双旋翼的气动性能。

摇摆作用下矩形流道内单相流动与换热数值模拟

采用Fluent计算流体力学软件,通过修正动量方程考虑摇摆所造成的附加惯性力的影响,对摇摆竖直矩形窄流道内单相流动与换热过程进行了数值模拟。附加惯性力的影响通过用户自定义函数(UDF)在动量方程源项中实现。模拟结果显示,在摇摆作用稳定后,流量和温度都会在静止值附近正弦波动,且波动周期和摇摆周期一致;流量和温度波动的极值都出现在系统从最大摇摆角度向平衡位置运动的过程中;摇摆、流量和温度波动三者之间存在相位差;摇摆周期减小和最大摇摆角度增加都会使波动幅度增加。模拟得到的结论与已发表文献结论相吻合。若将系统关于摇摆轴心对称布置,则可降低摇摆造成的参数波动。

一种引入动量项的自适应谐波检测算法

基于自适应噪声对消原理的谐波电流检测方法,得到了广泛研究并且已被验证是可行的。针对传统定步长最小均方自适应算法无法解决收敛速度和稳态误差这一矛盾,在研究最小均方算法基础上,提出一种引入动量项的变步长自适应谐波检测算法,采用动量项加快权值收敛,并且采用当前误差信号和上一次误差信号的自相关估算来调整步长迭代,使得谐波检测在实时性和精度上有显著提高。该算法计算量比较小,易于实现,具有良好的工程应用前景。仿真结果验证了该算法的有效性。

基于亚像素配准的神经网络非均匀性校正

红外焦平面存在严重影响成像质量的非均匀性,本文使用基于亚像素配准算法和动量项BP神经网络的非均匀性校正算法进行校正。对短波红外相机成像过程中,由于相机视轴与成像目标位置的相对偏移(由相机安装平台晃动所致),使用基于矩阵乘法的亚像素配准算法进行配准;为了加速算法收敛,采用两点法来对校正系数进行初始化;为了改善BP神经网络容易陷入局部最优值,采用增加动量项的方法来改善校正效果。通过仿真实验可以看出提出的算法消除了传统神经网络校正方法存在的鬼影和边缘模糊等问题,获得了良好的校正效果,同时提高了算法的收敛速度。为短波红外图像数据后期处理提供了良好的基础。

基于主因子分析的改进BP神经网络瓦斯涌出量预测

为提高回采工作面瓦斯涌出量预测效率和准确率,基于反向BP神经网络,采用主因子分析法对变量进行降维处理;结合遗传算法(GA)和附加动量法,采用遗传算法优化BP神经网络初始权值和阈值,建立基于主因子分析的GA—BP神经网络预测模型,并在权值反向更新过程中引入动量项。选取开滦矿业集团钱家营矿井瓦斯涌出量监测数据作为标签数据与输入数据,对不同网络模型进行了仿真与分析,结果表明:改进的GA—BP神经网络模型在603个时间步长里达到收敛,平均相对误差约为0.58%,预测精度和效率均优于其他神经网络模型,能更有效地实现瓦斯涌出量的准确预测。

基于BP神经网络的实验室计算机故障率预测模型

随着信息化技术在各个学科领域的渗透,高校中越来越多的课程要求学生在计算机实验室完成相关操作,随着上机人次陡增,计算机的损耗也随之增大。为了更好地对实验室进行维护,以湖北大学知行学院计算机系2005年计算机实验室210台计算机的历史故障率为样本,采用JAVA语言,利用BP网络训练模型预测该批计算机的故障率,然后对照历史数据发现一定的误差,再利用增加动量项法对该BP算法进行改进,改进后的样本训练预测结果与历史数据基本保持一致。

动量方程瞬态项对单相受热管仿真模型的影响

给出了一个单相受热管模型,以某电站锅炉过热器受热管为对象,通过仿真研究了忽略动量方程瞬态项对模型性能的影响。研究发现,忽略动量方程瞬态项会显著降低单相受热管模型的动态精度,在各种阶跃扰动下忽略动量方程瞬态项都会使模型焓-温通道的动态响应速度加快近4倍,在入口蒸汽流量阶跃扰动下忽略动量方程瞬态项会改变模型压力-流量通道的动态特性类型;忽略动量方程瞬态项所换来的计算耗时下降不足7%;并且忽略瞬态项后模型保持数值稳定的能力也有所降低。