航空液压泵磨损状况预测

磨损是航空液压泵典型的渐进性故障之一,因磨损量难以测量,对磨损状况进行准确的预测比较困难.针对上述问题,提出了基于多尺度数据的支持向量机预测方法,该方法将支持向量机用于时间序列预测的基本理论和数据多尺度分解、相空间重构方法结合,能更有效地挖掘时间序列的内在联系及变化规律.采用回油流量作为反映航空液压泵磨损状况的敏感信号,将其分解为趋势项和随机项,采用多尺度支持向量机作等维信息一步预测和多步预测,利用网格方法对预测模型参数寻优.对比传统支持向量机算法分析其预测精度,结果表明:多尺度支持向量机模型预测精度更高,适于中长期预测.      

时间序列法在临近空间大气风场预报中的应用

受多种因素影响，临近空间大气环境要素复杂多变，预报难度很大.本文采用时间序列法中的自回归滑动平均（ARMA）模型对临近空间大气风场开展统计预报方法研究，基于廊坊（39.4°N，116.7°W）中频雷达在88km高度的大气纬向风数据开展预报试验.本次预报试验的样本数据为2015年9月24日至10月24日风场数据，利用过去7天数据对未来第8天风场数据进行预报.试验结果显示，ARMA模型对临近空间大气风场预报有一定的适用性.当风场变化规律性较强，即样本数据风场呈现出比较显著的24h周期性变化时，ARMA模型预报效果较好；当风场发生突变时，预报效果变差.与实测数据的对比结果表明，ARMA模型预报结果的误差在9~27m·s-1，预报效果优于同阶自回归（AR）模型，略优于高阶AR模型.      

一种高精度实时GPS卫星钟差预测算法

为获得高精度实时GPS卫星钟差,文章提出一种基于多项式和最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)相结合的钟差预报方法.该方法采用国际GNSS服务发布的超快速观测星历建模进行短期预报,首先根据卫星钟的物理特性用附有周期项的多项式模型进行拟合以提取趋势项和周期项,然后用LS-SVM对多项式拟合残差进行建模预报,最后将预报结果加上趋势项和周期项,得到最终的钟差预报值.试验结果表明,所提算法能够实时有效地对GPS卫星钟差进行预报,且精度优于超快速预报星历.     

基于EMD与LS-SVM的刀具磨损识别方法

针对刀具磨损声发射信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀具磨损状态识别方法.首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,然后分别对每一个固有模态函数进行自回归建模,最后提取每一个自回归模型的系数组成特征向量,特征向量被分为两组,一组用于对最小二乘支持向量机训练,另一组用于识别刀具磨损状态.试验结果表明:该方法能很好地识别刀具磨损状态,与BP神经网络相比具有更高的识别率.      

北极69°N和78°N空间碎片凝视探测的对比分析

利用北极69°N和78°N两套非相干散射雷达的首次空间碎片联合观测数据进行空间碎片参数（距离、速度、散射截面积、等效直径等）的对比分析,得出以下结论:两部雷达探测的碎片高度均主要分布在500～1100km和1400～1600km区间,但78°N雷达探测的碎片数量较多;空间碎片的径向速度均在-1.5～1.5km…-1区间,其中大部分为负值,说明在此次探测试验中碎片运动方向主要以远离雷达或地球为主;ESR雷达探测的空间碎片射截面积约为10-5～10-2m2,等效直径主要分布在4～10cm,而UHF雷达探测的空间碎片散射截面积约为10-6～10-2m2,等效直径主要分布在2～6cm,说明在同一高度上69°N雷达探测能力更强;经合理设置判据参数后得出重复检测次数,78°N雷达和69°N雷达分别有32次和14次重复检测,两部雷达共有4次重复检测.这些结果为空间碎片检测和建模提供了参考.      

利用神经网络预报电离层f0F2

由中国武汉电离层台站和澳大利亚Hobart台站的电离层F2层临界频率(f0F2)的资料,利用三层前向反馈神经网络(BP网络),提出一种提前24h预测f0F2的方法,该方法以前5天观测的f0F2数据拟合的5个系数以及太阳活动参数作为输入,以当天24 h的f0F2作为输出对网络进行训练,训练好的网络可以实现对f0F2提前24 h的预报.预测结果显示,利用神经网络预测的f0F2与实际观测结果变化趋势较一致,并且比IRI的计算结果更加准确.误差分析表明,在南半球Hobart(-42.9°,147.3°)台站比中国武汉站(30.4°,114.3°)的结果要好,在低年比高年要好,在冬夏季节比春秋季节稍好.本文说明利用神经网络对电离层参量进行预报是一种切实可行的方法.     

应用支持向量机的眼睑参数疲劳预测

研究表明疲劳驾驶是引起交通事故的重要原因之一,因此有必要采取预防措施,而能够提前对事故进行准确预报并保证低误报警率是问题的关键所在.提出了利用多眼睑运动特征参数建立支持向量机模型进行疲劳预测的方法,其中眼睑运动特征参数是从驾驶模拟器上采集的眼电信号提取出的.根据Karolinska睡眠等级选出25名缺乏睡眠并在实验中撞到振动带的驾驶员,保证其开始驾驶阶段是警觉的,而事故发生阶段是疲劳的,然后将20名驾驶员作为训练对象,另5名驾驶员作为验证对象.结果表明,所用的方法可以提前至少5 min对由疲劳导致的事故进行预报.     

基于SVM和EKF的高超声速滑翔飞行器轨迹预报

高超声速滑翔飞行器（HGV）拦截问题中，轨迹预报是成功拦截的重要基础。针对HGV机动能力强、轨迹多变的特点，提出了一种基于支持向量机（SVM）和扩展卡尔曼滤波（EKF）的轨迹预报方法。在HGV的滑翔段机动模式分析的基础上，将HGV的机动运动分解为纵向运动模式和侧向运动模式，进而对运动模式的特征参数予以标定，形成SVM的训练集。建立地基单雷达轨迹跟踪模型，采用EKF对HGV滑翔段轨迹进行稳定跟踪并实现对运动模式特征参数的估计。基于SVM，建立了HGV运动识别框架，实现了对HGV滑翔段轨迹的预报。对平衡滑翔和跳跃机动2种典型机动模式进行数学仿真验证，结果表明，所提方法可以提高对该类目标的轨迹预报精度。      

基于EMD和SVM的机载燃油泵故障诊断研究

针对机载燃油泵故障数据来源较少、诊断效率较低、维护费用较高、缺乏有效故障特征的问题,利用机载燃油转输系统实验平台收集的振动信号和压力信号,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的机载燃油泵故障诊断方法。首先,利用EMD提取振动信号不同频段的能量值作为特征参量,并结合压力信号均值构造故障特征向量;其次,分别采用遗传算法(GA)、粒子群优化算法(PSO)、樽海鞘群算法(SSA)、网格搜索算法(GS)对SVM的惩罚参数和径向基函数(RBF)参数进行优化,并对优化后的SVM诊断性能进行了评估;最后,分别采用SVM、极限学习机(ELM)、BP神经网络作为分类器,并对3种分类器的诊断性能进行了评估。结果表明:采用3种群智能优化算法的SVM故障诊断率均能达到100%,寻优过程中均未陷入局部最优解,且寻优时间相当,其中GA的训练时间最短,可以采用GA对SVM参数进行寻优;当采用GA_SVM作为故障分类器时,用时较短,且故障诊断率较高,可以选用GA_SVM分类模型实现机载燃油泵的高效故障诊断。      

基于NN与SVM的图像质量评价模型

为了有效地评价图像质量,利用峰值信噪比(PSNR,Pear Signal to Noise Ratio)和结构相似度(SSIM,Structure Similarity)作为图像质量的描述参数,给出"野点"的定义,提出"野点预测"并基于神经网络(NN,Neural Network)与支持向量机(SVM,Support Vector Machines)建立新的质量评价模型:神经网络用来获取质量评价映射函数,支持向量机实现样本分类.采用UTexas图像库数据进行仿真试验,质量评价模型预测图像质量的单调性比PSNR提高7.42% ,质量评价模型预测结果的均方误差平方根比PSNR提高36.06％,模型性能测试中"野点"的数目相对减少,模型性能得以提高.试验结果表明该模型的输出能有效地反映图像的主观质量.      

基于量子万有引力搜索的SVM自驾故障诊断

针对自动驾驶仪在实际测试过程中故障样本较少的情况,提出一种基于量子万有引力搜索算法(QGSA)的支持向量机(SVM)故障诊断模型。SVM能较好地解决小样本、非线性问题,适用于自动驾驶仪的故障诊断。为进一步提高万有引力搜索算法(GSA)对参数寻优的收敛速度和收敛精度,将基于GSA的QGSA应用于SVM的参数寻优中,以解决SVM由于参数选取不当导致过学习或欠学习的问题,从而获得最优的分类模型。通过模拟实验分析,当训练样本数量为50时,基于QGSA的SVM故障诊断模型分类准确率便能达到96.530 6%,而基于遗传算法(GA)的SVM故障诊断模型分类准确率为92.040 8%,基于GSA的SVM故障诊断模型分类准确率为91.632 7%。仿真实验结果表明,基于QGSA的SVM故障诊断模型具有更好的故障诊断能力。      

基于IMU与UKF的船舶升沉运动信息测量方法

为获取实时、精确的船舶升沉运动信息,根据船舶升沉运动模型和频谱分析方法,建立描述惯性测量单元（IMU）的加速度测量信息与船舶升沉运动状态量关系的解析模型。基于无迹卡尔曼滤波（UKF）算法非线性滤波的特点,进行升沉运动滤波解算。通过仿真分析证明了所提方法在船舶升沉运动测量中的有效性。利用三自由度平台升沉运动测量实验验证,结果表明,同一模型下,相比于扩展卡尔曼滤波（EKF）算法的解算结果,所提方法具有更快的收敛速度和更高的测量精度;对船舶升沉位移的估计精度达到最大升沉幅值的5%,可以得到精确、无时延的船舶升沉运动信息。      

永磁球形电机的神经网络自适应控制算法

介绍了具有三维位置检测功能的三自由度永磁球形电机工作原理及其运动控制方法.结合球电机结构特性,基于XYZ 欧拉角和拉格朗日方程建立了球电机运动学及动力学模型.为了解决动力学模型建模误差、摩擦力和外界干扰等对球电机工作性能的影响,设计了神经网络逼近模型,并将其应用于球电机的控制之中.仿真结果表明这种控制方法与传统方法相比可以有效提高球电机的抗干扰能力,在建模误差比较大的情况下仍可以保证球电机的运动精度,其结果可以为进一步的球电机精密运动控制理论研究和实验方案设计提供借鉴和参考.      

Wind-field analysis on the basis of METEOSAT images

A method for the determination of cloud motion vectors is proposed by calculating from METEOSAT images the displacement of characteristic formations in the brightness field. The claculations are made for a sector of the Atlantic Ocean (ψ = 48°?38°N, λ = 24°?12°W). The adaptability of the Soebel operator for such calculations is also shown. The calculated wind vectors are in a good agreement with wind data at 850 mb surface.     

基于LIME的恶意代码对抗样本生成技术

基于机器学习检测恶意代码技术的研究和分析,针对机器学习模型对抗样本的生成提出一种基于模型无关的局部可解释（LIME）的黑盒对抗样本生成方法。该方法可以对任意黑盒的恶意代码分类器生成对抗样本,绕过机器学习模型检测。使用简单模型模拟目标分类器的局部表现,获取特征权重;通过扰动算法生成扰动,根据生成的扰动对原恶意代码进行修改后生成对抗样本;基于2015年微软公布的常见恶意样本数据集和收集的来自50多个供应商的良性样本数据对所提方法进行实验,参照常见恶意代码分类器实现了18个基于不同算法或特征的目标分类器,使用所提方法对目标分类器进行攻击,使分类器的真阳性率均降低到接近0。此外,对MalGAN和ZOO两个先进的黑盒对抗样本生成方法与所提方法进行对比,实验结果表明:所提方法能够有效生成对抗样本,且方法本身具有适用范围广泛、能灵活控制扰动和健全性的优点。      

比例方向阀控船舶操舵系统压力冲击抑制

船舶比例方向阀控液压操舵系统中,比例阀换向时将产生压力冲击,对液压系统及船舶本身均带来不利影响.针对某船的液压操舵系统,在AMESim中建立了比例方向阀及操舵系统模型,进行了压力冲击仿真,并与实验压力曲线进行了对比,确定了模型的正确性.在此基础上进行了降低比例方向阀换向冲击研究,采用放大器输出电流优化方法,确定了输出电流为抛物线形时阀换向压力冲击较低.实验研究结果表明:采用AMESim建立的比例方向阀控操舵系统压力冲击仿真模型与实际系统基本符合,优化电流法降低压力冲击效果明显.     

Co-registration of Chang’E-1 stereo images and laser altimeter data with crossover adjustment and image sensor model refinement

Topographic information is of fundamental importance for various scientific investigations in lunar and planetary exploration. To provide high-precision, seamless mapping capability, it is critical to co-register image and altimetry data, the two major data sources for topographic modeling. This paper presents a method for co-registration of Chang’E-1 (CE-1) stereo images and laser altimeter (LAM) data with crossover adjustment and refinement of the image sensor model. The crossover adjustment is tested in a larger area (0–60°N, 50–0°W); the image refinement and co-registration with LAM data are tested in an area (46.2–50.0°N, 31.8–28.8°W) within the larger area. Experimental results demonstrate that this co-registration reduces the mean differences of inconsistency from more than 200 m to just 3.21 m in the Z direction of object space. In image space, the mean errors of homologous points both in the column and row directions are reduced to below 0.1 pixel. This indicates that the proposed crossover adjustment of LAM data and refinement of the CE-1 stereo image model can effectively improve co-registration of the two data sets.     

基于模糊关联分类器的民机超限事件诊断方法

现有的民用飞机超限事件智能诊断模型大多属于“黑盒”模型,不利于分析超限事件发生的原因.为此提出了一种基于模糊关联分类器(FAC,Fuzzy Associative Classifier)的民用飞机超限事件诊断方法.该方法抽取发生超限事件时对应的QAR(Quick Access Recorder)参数快照取值,采用模糊C均值(FCM,Fuzzy C-Means)聚类算法对抽取的QAR参数取值模糊预处理,然后基于Apriori算法生成模糊关联分类规则库,并由遗传算法对其进行裁剪,结合模糊分类推理方法形成FAC.采用B737-800实际样本数据进行了验证.实验结果表明,所提出的FAC能有效诊断超限事件,FAC识别超限事件的错误率与最小二乘支持向量机(LS-SVM,Least Squares Support Vector Machine)模型相当,但其解释性方面优于LS-SVM.