| 【中文题名】 | 基于神经网络的系统稳定性判定方法及其在FBP中的应用 |
| 【英文题名】 | The System Stability Criterion Based on Neural Network and Its Application in FBP |
| 【学科专业】 | 环境工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-5-23 |
| 【中关键词】 | 神经网络,稳定性,颤振边界预测（FBP）,,, |
| 【英关键词】 | Artificial Neural Network （ANN）,Stability,Flutter Boundary Prediction （FBP）, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 | 作为一种建模理论，神经网络具有分布式、自学习等其它方法所不具备的人工智能优势。既然基于神经网络建立的模型能够表征所描述系统(或对象)，那么网络就应该存在能够体现系统稳定性的信息。如何从神经网络中提取这些信息正是本文研究工作的重点。
本文以三层BP网络为基础，系统研究了神经网络的模型及其工作原理，结合控制理论中的Jury判据，从数学上给出了一种从神经网络自身权值获得稳定性参数的方法。通过数字仿真，将其和基于时间序列建模的Jury判据进行了性能比较，验证了方法的合理性与有效性。
针对飞机颤振边界预测(Flutter Boundary Prediction，FBP)的数据特征及分析要求，论文从预测精度、抗噪性、短样本效应三个方面考察了所研究方法的适用性和可靠性。分别应用两种颤振试验数据，验证了方法在实际物理试验中的使用情况。结果表明，本文方法在预测精度和在线能力方面能够满足实际工程中对系统稳定性的监测与分析要求。 |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-5 |
|
目录 |
5-7 |
|
第一章 前言 |
7-12 |
|
1.1 神经网络简介 |
7-8 |
|
1.2 稳定性理论概述 |
8-9 |
|
1.3 颤振信号处理与边界预测 |
9-11 |
|
1.4 论文工作及结构 |
11-12 |
|
第二章 相关基础理论 |
12-21 |
|
2.1 神经网络的基本概念 |
12-16 |
|
2.2 多层感知机及BP算法 |
16-21 |
|
2.2.1 多层感知机 |
16-17 |
|
2.2.2 BP网络的学习规则 |
17-21 |
|
第三章 基于BP网络的系统稳定性判定方法 |
21-33 |
|
3.1 时间序列模型与稳定性判据 |
21-24 |
|
3.1.1 基本模型介绍 |
21-22 |
|
3.1.2 模型参数确定 |
22-23 |
|
3.1.3 稳定性判据 |
23-24 |
|
3.2 ARMA模型的BP网络描述 |
24-26 |
|
3.3 基于BP网络的系统稳定性判定方法 |
26-28 |
|
3.4 数值仿真 |
28-33 |
|
第四章 本文方法的应用性能分析 |
33-45 |
|
4.1 验证流程 |
33-34 |
|
4.2 仿真数据生成原理 |
34-36 |
|
4.3 应用性能分析 |
36-40 |
|
4.3.1 预测精度分析 |
36-38 |
|
4.3.2 抗噪性分析 |
38-39 |
|
4.3.3 短样本效应 |
39-40 |
|
4.4 BP网络的其它应用研究 |
40-45 |
|
4.4.1 BP网络用于非线性系统的参数估计 |
40-42 |
|
4.4.2 神经网络在信号拟合外推中的应用 |
42-45 |
|
第五章 试验数据处理及结果分析 |
45-56 |
|
5.1 软件设计与开发 |
45-47 |
|
5.2 3.5m×2.5m低速风洞颤振试验 |
47-53 |
|
5.2.1 实验简介 |
47-51 |
|
5.2.2 数据处理与结果分析 |
51-53 |
|
5.3 飞行颤振试验与数据处理 |
53-56 |
|
第六章 结论与建议 |
56-57 |
|
硕士期间发表的学术论文 |
57-58 |
|
致谢 |
58-59 |
|
参考文献 |
59-63 |
|
| 【DOI】 | LunWen.ID:2.2008.388497 |
