-
题名基于非线性加权法的航空发动机总体性能优化设计
被引量：1
- 1
-
-
作者
杨显赵
向鑫
薛燕
孙禄祥
明新迪
-
机构
西北工业大学动力与能源学院
南昌航空大学飞行器工程学院
-
出处
《航空发动机》
北大核心
2024年第6期19-25,共7页
-
基金
国家级研究项目资助。
-
文摘
为了解决发动机改型或性能优化时设计者主观性干扰、权重系数难以确定的问题,以燃气涡轮发动机为研究对象,将净推力FN、耗油率sfc和喷管最小截面积A8作为优化目标参数,采用敏感度分析法求解客观权重,并结合熵值法计算得到综合权重,基于非线性加权法开展总体性能优化的研究。结果表明:S_(FC)、F_(N)、A_(8)的综合权重分别为0.5204、0.26125、0.21835,其中sfc所占的综合权重最大,说明对SFC进行优化能更充分地发挥发动机的性能,同时SFC优化起来相对容易,成本较小。发动机总体性能参数(S_(FC)、F_(N)、A_(8))的设计值分别还有5.32%、0.67%、3.25%的优化空间,说明在推力变化不大的前提下,可以按照大幅降低耗油率,并减小A8的思路来进行优化。优化结果既克服了以往设计者主观因素干扰的缺点,又满足了该发动机的当前部件设计水平和节省优化成本的要求,可为设计者在发动机方案设计阶段进行目标权衡处理提供有效依据。
-
关键词
总体性能设计
航空发动机
多目标优化
熵值法
非线性加权法
敏感度分析法
-
Keywords
overall performance design
aeroengine
multi-objective optimization
Entropy Weight Method
nonlinear weighting method
sensitivity analysis method
-
分类号
V231
[航空宇航科学与技术—航空宇航推进理论与工程]
-
-
题名动态神经网络分类器主动学习算法及其智能控制应用
被引量：2
- 2
-
-
作者
任红格
李冬梅
李福进
-
机构
河北联合大学电气工程学院
-
出处
《计算机应用与软件》
CSCD
2016年第7期247-251,共5页
-
基金
国家自然科学基金项目(61203343)
河北省自然科学基金项目(E2014209106)
-
文摘
针对动态神经网络分类器训练时采样时间长、计算量大的问题,提出一种动态神经网络分类器的主动学习算法。根据主动学习AL(Active Learning)算法中一种改进型不确定性采样策略,综合考虑样本的后验概率及其与已标记样本间的相似性,标注综合评价得分值较小的样本,将其用于对网络分类器的训练。通过Sobol’敏感度分析法,神经网络适时地增加敏感度值较大或删减敏感度值较小的隐层神经元,以提高其学习速率,减小输出误差。分类器训练仿真实验结果表明,与被动学习算法相比,该算法能够大大缩短网络分类器训练时间,降低其输出误差。将该算法用于液压AGC系统中,实验结果表明,该算法可实现系统中PID控制器参数的在线调节,提高了厚度控制精度,以此验证了该算法的适用性。
-
关键词
主动学习
动态神经网络分类器
Sobol’敏感度分析法
改进型不确定采样策略
液压AGC
-
Keywords
Active learning
Dynamic neural network classifier
Sobol’sensitivity analysis
Improved uncertainty sampling strategy
Hydraulic AGC
-
分类号
TP13
[自动化与计算机技术—控制理论与控制工程]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于半监督学习的动态神经网络结构设计
被引量：2
- 3
-
-
作者
任红格
李冬梅
李福进
-
机构
华北理工大学电气工程学院
-
出处
《计算机应用》
CSCD
北大核心
2016年第3期703-707,734,共6页
-
基金
国家自然科学基金资助项目(61203343)
河北省自然科学基金资助项目(E2014209106)~~
-
文摘
针对神经网络初始结构的设定依赖于工作者的经验、自适应能力较差等问题,提出一种基于半监督学习(SSL)算法的动态神经网络结构设计方法。该方法采用半监督学习方法利用已标记样例和无标记样例对神经网络进行训练,得到一个性能较为完善的初始网络结构,之后采用全局敏感度分析法(GSA)对网络隐层神经元输出权值进行分析,判断隐层神经元对网络输出的影响程度,即其敏感度值大小,适时地删减敏感度值很小的神经元或增加敏感度值较大的神经元,实现动态神经网络结构的优化设计,并给出了网络结构变化过程中收敛性的证明。理论分析和Matlab仿真实验表明,基于SSL算法的神经网络隐层神经元会随训练时间而改变,实现了网络结构动态设计。在液压厚度自动控制(AGC)系统应用中,大约在160 s时系统输出达到稳定,输出误差大约为0.03 mm,与监督学习(SL)方法和无监督学习(USL)方法相比,输出误差分别减小了0.03 mm和0.02 mm,这表明基于SSL算法的动态网络在实际应用中能有效提高系统输出的准确性。
-
关键词
动态神经网络
半监督学习
全局敏感度分析法
自适应能力
敏感度值
-
Keywords
dynamic neural network
Semi-Supervised Learning（SSL）
Global Sensitivity Analysis（GSA）
adaptive ability
sensitivity size
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
