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。      

奇异谱分析在故障时间序列分析中的应用

由于日益增长的飞行安全和飞机维护质量需求,飞机使用可靠性已经成为一个重要的研究领域。从某航空公司波音737飞机使用过程中现场所记录的18年的故障数据出发,应用奇异谱分析（SSA）方法,对故障时间序列进行了建模和预测,进一步以预测结果的均方根误差（RMSE）最小为优化目标对SSA模型参数进行了优选。在此基础上,提出了一种更为广泛的模型组合方法和实现算法,这种方法采用不同的时间序列模型来构造SSA分解出的趋势、周期和残差等成分。通过与三次指数平滑（Holt-Winters）、自回归移动平均（ARIMA）2种时间序列模型的实验结果对比,SSA及其参数优选和模型组合方法在故障时间序列分析中具有更好的拟合和预测精度。      

基于极大熵聚类的工程项目风险预警模型

该方法针对当前大部分工程风险预警模型只能报警,不能预测的现状,提出了基于熵最优化的工程项目风险预警方法.利用判别熵最小化选取项目风险预警指标值,通过特征选取找出那些最有效的特征,研究出一种新的聚类算法——极大熵聚类算法,极大熵聚类算法是以概率为比例将任一指标向量分配给所有码向量,而不是仅仅只分配给与之最近的码向量,该算法是C-均值算法的一种推广.最后用实例验证该模型,用此算法对预测结果进行分类,判断项目的风险状态.结果表明这种方法估计工程项目风险快捷有效,与实际情况基本一致,可以应用于工程分析.      

基于混合编码的天文序列图像无损压缩算法

提出了一种将时间和空间双维度预测与混合熵编码结合的图像无损压缩算法,应用于星体定点成像的天文序列图像.时间与空间双维度预测可以消除天文序列图像的时间相关性和空间相关性.混合熵编码融合了高熵编码与低熵编码算法,充分利用预测误差分布的稀疏性,进一步提升压缩效率.针对星体的天文序列图像,该算法首先在时间维度上进行帧间预测,去除时间相关性,再对帧间预测后的图像在空间维度上进行直方图滤波和上下文预测,去除空间相关性,最后将预测误差送入熵编码器进行编码.实验结果表明,本文所提出算法的压缩效果优于JPEG-LS,平均压缩比提升约15%.该算法结构简单,计算复杂度较低,易于硬件实现,适合星载天文图像的无损压缩.      

多源数据融合的民航发动机修后性能预测

针对民航发动机修后排气温度裕度预测过程中的多源异构数据融合问题,提出了卷积自编码器与极端梯度提升模型结合的方法。利用所提出的条件熵增长因子规整发动机修前多元传感器参数序列中的参数排序,采用卷积自编码器提取规整后的参数序列和维修工作范围的数据特征,并将其与发动机使用时间信息组成合成特征以训练极端梯度提升模型,从而预测发动机修后性能并评估各影响因素的重要程度。经发动机机队维修案例验证,所提方法预测精度高于单维参数序列预测方法,对发动机修后排气温度的平均相对预测误差不高于8.3%。      

航空发动机性能参数预测方法

航空发动机性能参数预测对于发动机的视情维修具有重要的意义.为了提高预测精度,在分析发动机性能参数数据特点的基础上,提出了一种新的应用于此领域的组合预测模型.首先利用小波变换将原始数据分解为不同尺度上的几组子序列,根据各子序列的特点分别选用自回归滑动平均(ARMA,Autoregressive Moving Average)模型或求和自回归滑动平均(ARIMA,Autoregressive Integrated Moving Average)模型进行预测,然后将所有预测结果合成,得到最终预测结果.通过仿真实验,验证了该组合模型提高短期和中长期预测精度的有效性,并分析了小波分解层数对于预测精度的影响.      

航空发动机性能参数联合RBFPN和FAR预测

排气温度是最能反映航空发动机运行状态的性能参数之一.对连续飞行班次的起飞排气温度裕度(EGTM,Exhaust Gas Temperature Margin)参数进行预测分析,有助于判知航空发动机将来的工作性能,为预防和排除故障提供充分的时间和决策依据.在依据具有非线性、非平稳特征的起飞EGTM历史监测值序列构建预测模型时,基于奇异值分解滤波算法提出了一种联合径向基函数预测网络(RBFPN,Radial Basis Function Prediction Networks)和函数系数自回归模型(FAR,Functional-coefficient Auto Regressive model)的预测方案,充分发挥RBFPN和FAR在预测EGTM参数值变动趋势成分和随机成分的各自优势,使其互为补充,协同处理.实验结果表明该联合预测方案能够有效抑制RBFPN或FAR单独采用时所呈现出的不足,提高预测性能.     

第22太阳周地磁活动峰值和时间的预计

本文讨论了从第13—22太阳周太阳和地磁周的特征.运用自激励门限自回归时间序列模型和最大熵谱原理自回归数学方法来模拟和预报地磁aa指数年均值峰值和时间.峰值时间是1993年秋天或1994年春天.地磁aa指数年均值峰值是26—29.第22地磁周是一个中等活动的周.     

基于最优化问题的混合再入制导方法

在深入研究机动再入飞行器标准轨道和预测制导方法的基础上,针对标准轨道和预测制导相结合的制导方法,分析了由预测制导指令延迟引起的误差,提出了误差补偿策略.根据最优化理论,设计了相关性能指标函数,提出新的预测制导算法.并结合标准轨道法,通过对有限几个特征点位置上引入预测制导,形成了一种基于最优化问题的混合制导方法.有效减小了预测制导指令的解算时间,进一步降低了落点误差.仿真结果表明,该方法既具有较强的抗干扰能力和较高的制导精度,又具有一定的工程实用价值.     

太阳10.7cm射电流量中期预报模型研究(Ⅰ)

采用时间序列模型中的自回归方法开展了F_(10.7)中期预报研究.预报试验和误差分析结果表明,在太阳活动水平较低、F_(10.7)的27天周期性明显时自回归预报方法的预报精度高,具有较为理想的预报效果,但在日面有大活动区产生和消亡时预报效果不理想.这说明时间序列模型中的自回归方法能够较好地反映太阳F_(10.7)的27天周期性特征,对F_(10.7)中期预报模型的建立有一定适用性.通过对2005年9月21日至2007年6月7日期间预报结果的比较可以看出,自回归分析方法预报的精度与美国空军预报的相当。     

人机协作中人的动作终点预测

为实现安全高效的人机协作（HRC）,需要机器人及时对人的动作做出预测,从而积极主动地辅助人工作。为解决在HRC装配场景中机器人对人的动作终点预测问题,提出了一种基于长短时记忆（LSTM）网络的动作终点预测方法。在训练阶段,用人的动作序列与对应的动作终点组成的样本训练LSTM网络,构建动作序列与动作终点之间的映射。在应用阶段,根据人的动作的初始部分对动作终点提前做出预测。通过在装配场景中,对人抓取工具或零件的动作终点进行预测,验证了所提方法的有效性。在观测到50%的动作片段时,预测准确率达到80%以上。      

基于LSTM的TTE网络速率约束流量预测

时间触发以太网（TTE）中的速率约束（RC）流量为事件触发流量，在RC流量动态调度的应用场景下，若能预测未来短时间内数条RC流量到达交换节点的序列，使交换节点提前进行调度决策，以减小RC流量时延，提高网络吞吐量。对RC流量到达序列预测问题进行了研究，建立了RC流量的到达序列模型，提出了基于长短期记忆网络（LSTM）算法的RC流量预测算法。利用OMNET++工具进行TTE网络仿真，得到多组混合关键性配置下RC流量的传输数据；以此作为输入样本对预测算法进行训练和测试。实验结果显示，LSTM算法在RC流量预测问题的准确率达到了70%以上。通过对比实验说明所提算法适用于RC流量预测场景。      

空间液滴蒸发实验中液滴图像的无损压缩算法

为了提高空间液滴蒸发实验中图像无损压缩率, 根据连续采集到的液滴图像之间相关性很大的特点, 提出了一种基于JPEG-LS和帧间预测误差编码的图像序列无损压缩算法. 该算法对图像序列第一帧采用JPEG-LS算法编码, 对帧间预测误差帧进行Golomb编码, 从而实现对连续采集到的液滴图像序列进行无损压缩. 实验结果表明, 该算法比单纯采用JPEG-LS算法的压缩率有明显提高, 编解码过程更简单, 编码需要时间更少.      

基于眼动数据的网络搜索行为预测方法

预测用户的网络搜索行为对改进搜索引擎和提升用户体验十分重要.现有大多数方法是基于用户的交互数据,如查询、点击和鼠标移动等.提出一种基于眼动数据的用户网络搜索行为预测方法.通过眼动实验,采集用户在网络搜索任务时的眼睛运动数据,将这些数据转化成两种数据格式:直方图和序列.直方图数据描述用户注意力的分布情况,序列数据呈现用户的扫视路径.使用4种学习算法对用户决策或用户意图进行预测,同时研究两种数据格式的性能.结果显示,两种数据格式均适合于预测用户决策,而序列数据更适合于预测用户意图.该结果表明,利用眼动数据能够有效预测网络搜索行为.      

基于改进极限学习机的光谱定量建模方法

依据近红外光谱(NIR)产生原理,提出了粒子群优化极限学习机(PSO-ELM)算法,运用于小样本氨水浓度定量分析。通过优化极限学习机(ELM)隐藏节点参数,解决了极限学习机由于输入权值和隐含层偏差随机产生的建模结果具有随机性的问题,提高了预测模型的稳定性、精确度和泛化性能。经实验验证,优化后的PSO-ELM相比ELM,模型预测集均方根误差由0.01166减小至0.00322,预测集相关系数由0.9951提高至0.9979。将优化后的模型预测结果与支持向量机(SVM)、BP神经网络算法等传统方法的建模结果进行对比,优化后的PSO-ELM算法具有较高的精确度和良好的泛化性能,模型预测效果优于传统的定量回归分析算法。     

基于GM(1,1)与灰区间估计的SPE通量水平长期预测

太阳质子事件（SPE,Solar Proton Events）是干扰日地空间最主要的源,大规模质子事件会影响在轨空间站实验设备的可靠性,有时甚至会威胁空间站的安全运行.提出一种基于灰色GM（1,1）和区间估计太阳质子事件预测方法;首先对1976—2010年SPE通量水平数据进行预处理,分别建立以发生时间为序列的一般SPE通量序列与极端SPE通量序列;之后将灰色GM（1,1）与区间估计相结合建立预测方法,融合反映一般SPE通量水平随周期性波动的活跃性调节系数,建立SPE通量水平长期预测模型;然后叠加不同SPE类型所得结果合成预测年份的SPE通量水平,给出未来一年或几年间SPE通量水平的变化范围;最后选取1976—2010年太阳质子事件年均值数据,分多批次预测1996—1998年和1999—2001年等SPE通量均值区间,结果表明各年实际发生SPE的通量均值均位于预测区间内,并且多年预测区间偏差最大值小于26%,实验结果还表明单次预测时长以2~3年为宜.     

机会传感网中一种自适应链路侦测数据收集算法

提出了一种自适应链路侦测的数据收集算法,以提高机会传感网链路的预测精度与传输成功率:采用自适应链路侦测算法测量出各节点的实时网内链路质量权重因子,结合节点能量消耗模型,通过基于无味卡尔曼滤波的概率预测方法对节点间的链路质量进行量化计算,实现节点对通信链路的实时自适应预测与最优化选择,从而完成数据收集.仿真实验结果表明:新算法提高了最优化路径决策的预测精度,可以有效地增加消息的平均通信成功率,降低消息的平均传输延时.     

基于改进相关向量机的锂电池寿命预测方法

锂电池具有轻便安全、循环寿命长和安全性能好等优点,作为一个被广泛应用的储能电源,锂电池健康管理和寿命预测是国内外研究的热点。建立锂电池寿命预测方法和模型,基于实验历史数据,建立电池衰减模型从而对整个电池的工作状态进行评估,及时对设备进行维护和替换,以确保电池工作的稳定。对相关向量机（RVM）的核函数进行了组合改进,优化了RVM的性能,减小了锂电池寿命预测的偏差度,提高了预测精度。      

基于CP FODT实时数据处理技术稳健性研究

为改善飞行器实时数据处理中端点附近数据解算精度差、状态预估不准确的问题,提出并证明三次多项式一阶导数定理(CP FODT),对基于该定理的一阶导数解算方法的实时数据处理性能进行了研究.通过仿真计算研究了拟合区间长度、测量误差限及采样间隔对于计算结果的影响,对解算误差进行了分析,给出参数选取的基本原则,并采用实测数据对解算效果进行了验证.验证表明该算法对于实时数据处理具有较高的稳健性和可靠性,可提高端点附近数据的解算精度和预测的准确度,并可衍生为插值算法,能够为实时数据处理提供高精度的数据源.