成分数据的空间自回归模型

针对已有成分数据线性回归模型对研究对象相互独立的严格要求,提出了含有成分数据和普通数据的空间自回归模型,在此基础上提出了成分数据空间自回归模型的估计方法。新模型结合了空间自回归模型处理因变量之间相互依赖的优势,可同时处理成分数据和普通数据。通过利用等距对数比（ilr）变换将成分数据解约束,得到了新模型的参数估计量。蒙特卡罗模拟实验验证了所提估计方法的有效性。      

含函数型自变量回归模型中的变量选择

针对含有函数型和多元向量数据的回归模型中变量选择和参数估计问题进行研究,扩展了函数型数据分析和变量选择方法的应用范围。首先,函数型自变量基于函数型主成分基函数空间进行投影;然后,对投影后的函数型自变量（按组）及多元向量自变量采用惩罚变量选择方法,同时估计相应的系数。惩罚项调节参数采用自适应调节参数,损失函数采用中位绝对损失函数,以此为例,通过引入松弛变量将估计算法转化为求解线性规划问题,算法复杂度低。数值模拟结果表明,所提方法对于含函数型自变量回归模型的变量选择和参数估计均具有良好效果。      

未知载荷条件下机械系统剩余寿命预测方法

针对无法确定复杂机械系统的随机工作载荷的问题，提出了一种基于隐半马尔可夫模型(HSMM)的寿命预测方法。在完成基于隐半马尔可夫模型的载荷空间构建后，引入前向-后向过渡参数，并结合Viterbi算法对模型参数进行求解，通过估计参数预测随机未来载荷的转移走向及对应的概率。将载荷预测的结果结合基于多传感器信息的寿命预测模型预测系统的剩余寿命。使用NASA的商用模块化航空推进系统仿真数据验证所提方法的有效性和正确性。      

融合高斯过程回归的UKF估计方法

高精度滤波估计是SINS/GNSS组合导航系统的关键技术之一,其估计精度直接影响了导航精度。传统滤波估计方法一般只基于惯导误差模型,未考虑惯导误差模型不确定性的影响。针对此问题,提出了一种采用高斯过程回归（GPR）增强无迹卡尔曼滤波（UKF）预测和估计能力的高精度滤波估计方法。一方面,能在有限的训练数据条件下通过UKF估计误差状态量;另一方面,高斯过程既考虑了噪声,也考虑了UKF的不确定性。将所提方法应用于SINS/GNSS组合导航系统中,车载实验结果表明,所提方法能有效提高滤波估计精度。      

一种修正的马氏距离判别法

马氏距离判别法是一种基于马氏距离的多元统计分析方法，其引入了协方差矩阵的逆矩阵，以排除属性变量的量纲及变量之间的相关性对距离度量的干扰。然而，在属性变量存在严重的多重共线性时，样本协方差矩阵的奇异性会影响其逆矩阵估计的稳定性，从而降低马氏距离判别法的有效性。为此，提出了一种修正的马氏距离判别法，采用了一般交叉验证(GCV)方法，在属性变量间存在高度相关性的情况下，选择预测效果最好的变量维度，同时可以对协方差矩阵的逆矩阵进行稳定的估计。修正的马氏距离判别法可以得到可靠的协方差矩阵的估计，提高模型的判别准确率；也可以抵抗样本外的扰动，提高模型的泛化能力。仿真实验结果验证了在属性变量存在严重的多重共线性情形下，修正的马氏距离判别法的判别效果较经典的马氏距离判别法有明显的提升。      

基于半监督集成学习的多核设计空间探索

随着处理器的系统结构日趋复杂,设计空间呈指数式增长,并且软件模拟技术极为费时,成为处理器设计的重要挑战。提出了一种结合集成学习和半监督学习技术的高效设计空间探索方法。具体而言,该方法包括2个阶段:使用均匀随机采样方法从处理器设计空间中选择一小组具有代表性的设计点,通过模拟获得性能响应,从而组成训练数据集;提出基于半监督学习的AdaBoost（SSLBoost）模型预测未模拟的样本配置的响应,从而搜索最优的处理器设计配置。实验结果表明,与现有的基于人工神经网络和支持向量机（SVM）的有监督预测模型相比,SSLBoost模型能够使用更少的模拟样本构建出不差于现有方法性能的预测模型;而当模拟样本数量相同时,SSLBoost模型的预测精度更高。      

空间可展开结构区间模型修正方法

传统的模型修正未考虑工程中存在的几何尺寸、材料参数、间隙等不确定性,修正后有限元模型预测精度较低。为提高有限元模型的预测精度,准确预测结构的静动力学特性,对考虑参数不确定性的模型修正进行了研究,提出了一种基于Kriging模型和泛灰数的区间模型修正方法。首先,通过灵敏度分析确定待修正参数,并以修正参数为变量,构造基于Kriging模型的区间响应目标函数;其次,引入泛灰数将区间优化问题转换为区间上限和区间直径两个全局优化问题;然后,利用Kriging模型结合遗传算法给出修正后的参数区间形式;最后,通过该方法对含铰链间隙的某空间可展开结构进行了模型修正。结果表明,修正后参数区间与真实区间重合度较高,修正后结构响应预测区间与实际区间吻合,验证了方法的有效性,为大型空间可展开结构的模型修正提供了一个有效可行的途径。     

基于熵理论的复杂装备费用测算模型

为了提高航空器、飞机等大型复杂装备的费用预测精度，根据相似信息优先原理和熵理论，将相似装备的选取看作是一个信息融合的过程，引入距离熵和灰关联熵，构建综合相似度指标来度量装备样本与待预测装备之间的相似程度，对不同样本进行赋权，建立加权最小二乘法对装备费用进行预测。针对装备样本数量小于参数数量的情形，通过构建装备参数对费用的驱动效应矩阵及计算相应熵权，选择熵权较大的参数作为测算模型的自变量。通过实例对比分析，表明基于熵理论的加权回归测算模型具有较高的预测精度和稳定性。      

一种基于二元估计与粒子滤波的故障预测算法

假设对象系统的故障演化过程可以由一个含有未知缓变参数的状态空间模型加以描述,则故障预测问题就可以转化为一个在已知当前系统信息的条件下,对系统未来某一时刻的状态变量的估计问题.针对该问题的求解提出了一种基于二元估计和粒子滤波的故障预测算法.算法的实施分为两个主要阶段:在状态估计阶段,采用两个并联的粒子滤波器迭代估计当前时刻对象系统故障演化模型状态和未知参数的后验分布.在状态预测阶段,对当前时刻故障演化模型状态的后验分布进行迭代采样,以采样样本粒子来近似估计未来时刻的状态变量的先验分布密度.在上述计算结果的基础上,结合相应的故障判据,算法采用计算对象系统未来时刻故障概率的方法预测其剩余使用寿命.仿真实验中将本文提出的算法与基于联合估计的故障预测算法进行对比,实验结果证明了所提算法的有效性.      

数据同化在空间天气学中的应用

由太阳活动引起的耀斑和日冕物质抛射等短时间尺度变化的空间天气事件会影响并危害地球磁层、电离层、中高层大气、卫星运行安全以及人类健康,因此对这些空间天气事件的预测显得尤为重要。数据同化在稀疏观测和异步采集的情况下能够增加模型的预测能力,对模型变量进行自洽分析。在数值预报中引入数据同化方法,能够提高预测可信度。本文从数据同化方法的角度出发,主要分析了数据同化目前在大气、电离层、磁层、太阳及其他行星科学研究中的应用,并初步讨论了数据同化未来在空间天气方面的应用。      

基于空域划分的超视距空战态势威胁评估

编队超视距空战(BVR,Beyond Visual Range)已成为现代空战的主要模式.在空战优势区域与劣势区域判断的基础上对整个空域进行划分,并给出4种特定空域态势.从空中态势和编队作战能力两方面对空战态势进行分析.使用主成分分析法选取输入变量分析编队作战能力,降低评估过程中收集数据的复杂度.应用遗传神经网络对影响BVR各因素进行效能评估,将遗传算法(GA,Genetic Algorithms)与多层前馈(BP,Back Propagation)网络结合,利用GA的全局搜索优化BP网络的结构参数,有效克服BP算法的局部收敛等问题.结果表明:该模型能在综合分析空战各指标后给出红蓝双发的态势评估指标,该模型可有效减少评估中的人为因素,使评估结果更为客观可信.     

多目标组合运输物流量预测建模算法

提出了一种新的多目标组合运输物流量预测建模算法.以时间、领域、影响以及组合运输为基准,运用系统工程理论思想设计出一种四维的物流量影响因素模型,并运用结构方程模型对所建模型做了优化,提取出组合运输物流量的核心影响因素.在改进的神经网络算法的基础上结合遗传算法,提出了一种结合遗传算法的改进的神经网络新算法,弥补了改进的神经网络算法上的缺陷,在多目标组合运输物流量预测的实例应用中,该算法不仅有很高的预测精度,而且具有收敛速度快、运行稳定的特点.      

Orbital error propagation considering atmospheric density uncertainty

Due to the influence of various errors, the orbital uncertainty propagation of artificial celestial objects while orbit prediction is required, especially in some applications such as conjunction analysis. In the orbital error propagation of artificial celestial objects in low Earth orbits (LEOs), atmospheric density uncertainty is one of the important factors that require special attention. In this paper, on the basis of considering the uncertainties of position and velocity, the atmospheric density uncertainty is also taken into account to further investigate the orbital error propagation of artificial celestial objects in LEOs. Artificial intelligence algorithms are introduced, the MC Dropout neural network and the heteroscedastic loss function are used to realize the correction of the empirical atmospheric density model, as well as to provide the quantification of model uncertainty and input uncertainty for the corrected atmospheric densities. It is shown that the neural network we built achieves good results in atmospheric density correction, and the uncertainty quantization obtained from the neural network is also reasonable. Moreover, using the Gaussian mixture model - unscented transform (GMM-UT) method, the atmospheric density uncertainty is taken into account in the orbital uncertainty propagation, by adding a sampled random term to the corrected atmospheric density when calculating atmospheric density. The feasibility of the GMM-UT method considering atmospheric density uncertainty is proved by the further comparison of abundant sampling points and GMM-UT results (with and without considering atmospheric density uncertainty).     

地球同步轨道高能电子通量预报方法研究

统计分析了GOES卫星测量得到的E > 2MeV能道电子通量与地磁Ap指数及太阳风数据的关系, 构建了基于径向基函数RBF的神经网络模型框架, 对GOES-12卫星所处的地球同步轨道高能电子通量进行提前1天的预报, 其对2008-2010年数据预测的效果较好. 另外, 发现在GOES-12卫星观测的E >2MeV能道高能电子达到108 cm-2·d-1·sr-1以上时, FY-2D卫星的测量数据同时达到108 cm-2·d-1·sr-1以上的比例达到90%左右. 通过对FY-2D卫星E >2MeV能道电子通量与GOES卫星E>2MeV电子通量的相关性分析, 建立了FY-2D卫星高能电子预报模型, 预报结果与实测通量符合较好.      

基于PSO-BP神经网络的平流层风场短期快速预测

平流层风场环境对临近空间低速飞行器驻空飞行性能有重要影响。研究了基于PSO-BP神经网络的平流层区域风场建模与快速预测方法,根据历史风场数据,采用主成分分析法对数据进行降维处理,通过BP神经网络对风场进行预测建模,利用粒子群优化（PSO）算法对其进行优化,采用Biharmonic样条曲面插值方法构建区域预测风场。以南海地区5年历史风场为对象,对比分析了基于BP神经网络和基于PSO-BP神经网络的风场预测模型,结果表明:使用具有全局寻优特性的PSO算法改进BP神经网络,能够有效避免传统BP神经网络易陷入局部最优的缺点,提高预测精度;通过结合PSO-BP神经网络预测与Biharmonic样条曲面插值,可实现区域风场的预测。研究结果可为临近空间低速飞行器的轨迹规划与区域驻留等任务的高精度区域快速预报风场提供解决途径。      

模拟成形性的计算机预测

运用人工神经网络,对板料基本成形性(单向拉伸、平面应变等基本试验的参数)与模拟成形性(拉深、杯突、扩孔、福井等模拟试验指标)二者的相关性进行了研究.在大量试验数据和反向传播算法的基础上,建立了描述相关性的B-P网络模型.通过该模型,对已知基本成形性参数的板料的模拟成形性指标进行了计算机预测,预测结果与试验结果比较接近.本文的研究方法和结果表明,人工神经网络是研究板料的模拟成形性的一条有效途径.     

基于室内无线模型的穿墙损耗校正

K-M（Keenan-Motley）模型将单墙固定损耗值相加来计算室内无线信号穿透多墙的总损耗值，存在较大误差。针对该问题选取多种室内场景分别进行连续波（Continuous Wave，CW）测试，对无线信号穿墙损耗的影响因素和变化规律进行分析，提出了一种基于人工神经网络的室内无线模型穿墙损耗校正方法，对预处理后的测试数据进行训练并建立预测模型。经验证该预测模型符合校正判别准则，在实际场景下具有良好的预测准确度。     

基于室内无线模型的穿墙损耗校正

K-M（Keenan-Motley）模型将单墙固定损耗值相加来计算室内无线信号穿透多墙的总损耗值，存在较大误差。针对该问题选取多种室内场景分别进行连续波（Continuous Wave，CW）测试，对无线信号穿墙损耗的影响因素和变化规律进行分析，提出了一种基于人工神经网络的室内无线模型穿墙损耗校正方法，对预处理后的测试数据进行训练并建立预测模型。经验证该预测模型符合校正判别准则，在实际场景下具有良好的预测准确度。     

BP-AdaBoost模型在光纤陀螺零偏温度补偿中的应用

针对光纤陀螺零偏漂移随温度呈复杂的非线性变化,建立了BP-AdaBoost（Back Propagation neural network,Adaptive Boosting）模型对零偏进行补偿,改善了光纤陀螺的零偏稳定性能.同时,研究了模型参数对预测精度的影响,给出了BP神经网络隐含层神经元个数的选择以及AdaBoost模型迭代次数的确定方法.运用AdaBoost算法提升单个BP神经网络的预测能力,提高了集成模型整体的预测精度.对采集的光纤陀螺输出实测数据进行了事后仿真,结果表明,BP-AdaBoost模型相比传统的线性回归模型、混合线性回归模型、单个BP神经网络模型的补偿效果更显著,验证了该模型的有效性,具有重大的工程应用参考价值.      

模拟成形性的计算机预测

运用人工神经网络,对板料基本成形性（单向拉伸、平面应变等基本试验的参数）与模拟成形性（拉深、杯突、扩孔、福井等模拟试验指标）二者的相关性进行了研究．在大量试验数据和反向传播算法的基础上,建立了描述相关性的ＢＰ网络模型．通过该模型,对已知基本成形性参数的板料的模拟成形性指标进行了计算机预测,预测结果与试验结果比较接近．本文的研究方法和结果表明,人工神经网络是研究板料的模拟成形性的一条有效途径