基于K-均值聚类与粒子群核极限学习机的推力估计器设计

鉴于航空发动机直接推力控制与健康管理需要高精度及高实时性的推力估计器,提出了一种基于K-均值聚类与粒子群优化的核极限学习机推力估计方法。采用K-均值聚类对全工况范围内的测量数据进行聚类,在每一个子类中,通过核极限学习机建立推力估计器,采用粒子群算法对核极限学习机的核参数和惩罚系数进行优化,利用了核极限学习机稳定性好、非线性拟合能力强的特点,实现了对发动机推力的估计。经涡扇发动机台架试车数据训练与测试表明,本推力估计方法平均预测时间为0.27ms,实时性满足机载在线状态评估和直接推力控制需求,且在估计精度上较现有方法存在一定优势。     

基于分解-粒化和优化极限学习机的燃油泵性能退化趋势预测

机载燃油泵的性能退化呈现非线性多阶段模式,为了提高机载燃油泵性能退化指标的预测精度,得到性能退化指标准确的预测范围,提出了基于奇异值分解-模糊信息粒化与优化极限学习机的模糊粒化预测方法。针对传统的粒化预测方法直接对原始序列进行粒化分析的不足,首先利用奇异值趋势分解方法提取燃油泵性能退化指标序列的趋势项及去趋势项,再利用信息粒化方法对去趋势项进行模糊粒化;然后将趋势项及粒化后的去趋势项数据输入至极限学习机进行回归预测,并采用粒子群算法优化极限学习机参数;最后根据实测值和预测值的对比分析评估预测模型的优良性。实验结果表明,该方法可以有效跟踪燃油泵性能退化指标的变化趋势,并对其指标的波动范围进行有效预测。     

基于IGA-ELM网络的滚动轴承故障诊断

为了提高航空发动机轴承故障诊断准确率,提出基于改进遗传算法优化极限学习机网络（IGA-ELM）的诊断模型。针对传统遗传算法易早熟等缺陷,对遗传算法的交叉操作和变异操作进行改进,并用改进的遗传算法优化极限学习机的输入权值矩阵和隐含层阈值,利用Moore-Penrose算法计算极限学习机的输出权值矩阵。使用IGA-ELM诊断模型对滚动轴承正常、内环故障、外环故障和滚珠故障4种工况进行诊断,并分析极限学习机隐含层神经元的数量和激活函数对轴承故障诊断的影响。为了验证改进遗传算法优化极限学习机的有效性,将传统遗传算法、自适应遗传算法和粒子群算法作为对比算法。经过分析表明：改进遗传算法收敛速度和收敛误差,均优于对比算法。     

基于改进粒子群算法辨识Volterra级数的目标机动轨迹预测

目标机动轨迹预测是空战态势感知和目标威胁评估的重要前提。针对传统目标机动轨迹预测模型复杂度大、预测精度低等问题，结合目标机动轨迹时间序列的混沌特性，提出一种基于相空间重构理论和Volterra泛函级数的目标机动轨迹预测模型。该模型首先采用0-1检测法验证了目标机动轨迹时间序列具有混沌特性；其次，利用C-C法确定嵌入维数和时间延迟，对目标机动轨迹时间序列进行了相空间重构；然后，引入Volterra泛函级数预测模型，为了克服高阶Volterra核函数求解复杂的难题，提出一种混沌变异自适应粒子群算法，构建一种基于改进粒子群算法辨识的Volterra级数预测模型，并将其应用于目标机动轨迹预测；最后，将所提算法与卡尔曼滤波算法以及机器学习算法进行单步和多步预测对比，同时将改进粒子群算法与其他智能算法进行性能比较。仿真结果表明：所提预测模型具有良好的单步和多步预测性能，改进的粒子群算法具有参数辨识精度高、收敛速度快的优点。     

高超声速飞行器再入轨迹多目标优化

针对飞行器再入轨迹多目标优化问题,提出了一种基于粒子群算法与层次分析法的综合求解策略。首先,根据飞行器的动力学模型以及再入约束条件,建立了飞行器多目标优化模型;然后,考虑到粒子群算法只能求解无约束单目标问题,采用罚函数处理飞行过程中的约束条件和优化目标;最后,针对不同约束及目标的权重对再入轨迹的影响,利用层次分析法建立包含主观评估信息的优化模型,采用粒子群算法优化求解满足相应约束条件的再入轨迹问题。仿真结果表明,该方法所生成的优化轨迹具有较高的精度和计算效率,并对设计者的主观需求有良好的体现。     

基于聚类与粒子群极限学习机的航空发动机推力估计器设计

针对航空发动机推力不可测,部件级模型求解推力精度不高、实时性差的问题,提出了基于快速寻找密度极点聚类与粒子群极限学习机的航空发动机推力估计方法。首先利用基于快速寻找密度极点的聚类算法对全工况范围内的台架试车数据聚类,然后在每一个子类中,用粒子群极限学习机设计了子推力估计器。在子类推力估计过程中,为使网络拓扑结构最优,用粒子群算法寻找极限学习机的最优隐层神经元数目的方法。训练与测试表明,推力估计测试相对误差最大值为3.06‰,优于传统的RBF(7.25‰)与BP(14.84‰)神经网络方法,能够满足直接推力控制与机载在线实时状态评估的需求,且可将方法扩展到其他不可测参数的估计。     

基于改进粒子群算法的航空发动机性能综合评价

针对基于单参数评估发动机性能能力不足的问题,研究了利用多参数综合评估发动机性能的方法;通过对某型发动机台架试车数据分析,确定了使用综合加权法评估发动机性能比算术加权平均法更具合理性;分别利用改进的遗传算法和粒子群优化算法计算多参数的权值,对比结果表明:使用改进的粒子群算法在计算精度和速度上均优于遗传算法。同时还计算了各翻修次数下发动机的性能指标。     

基于Elman神经网络的战斗机空战轨迹预测

轨迹预测是空战态势感知中的关键问题。针对传统轨迹预测方法模型简化程度大、预测精度偏低的问题,提出了基于Elman神经网络的战斗机空战轨迹预测方法。首先,以一对一空战为背景,建立了基于Elman神经网络的目标机空战轨迹预测模型;其次,在利用空战训练测量仪(ACMI)中记录的空战数据基础上,选取了一对一空战轨迹,并构建了训练样本和测试样本;然后,通过仿真分析了不同算法进行轨迹预测的精度。结果表明,与传统粒子滤波算法相比,Elman网络模型预测误差更小、预测效果更好,可以更加准确地进行目标机空战轨迹的预测。     

一种对飞行参数选取的自适应方法

飞参数据的典型选取问题是单机寿命监控以及飞行品质分析中压缩数据的储存空间关键。针对飞参数据的特征,提出了一种基于ELM极限学习机的飞参数据选取的模型。利用极限学习机ELM神经网络、文化基因算法MAS优化的方式,克服了算法中存在早熟收敛和局部极小的问题。实现了对飞机不同部位载荷自适应选取不同飞行参数的效果,有效获得评估出飞参数据的重要度。验证结果表明,优化后的ELM-M模型比传统选取飞参模型的精度得到了极大提高,泛化能力增强,说明了方法的可行性、有效性。     

基于SA-DPSO混合优化算法的协同空战火力分配

针对超视距(BVR)多机协同空战中,火力单元采用一次性完全分配原则容易造成资源浪费的问题,提出了一种新的火力分配数学模型。该模型带有毁伤概率门限,能够保证在满足毁伤概率门限的前提下,优先保证威胁度大的目标被分配且选择对各目标相对贡献较大的火力单元,使其对目标的毁伤概率平均值达到最大且尽量少地消耗火力单元,从而节省和充分利用火力资源。在此基础上,提出采用模拟退火(SA)-离散粒子群(DPSO)混合优化算法求解协同空战火力分配,提高了算法收敛速度、精度以及全局搜索能力,避免陷入局部极小。仿真算例验证了新模型的优点以及SA-DPSO混合优化算法的有效性。     

基于灰色关联TOPSIS 法的要地防空威胁评估

针对要地防空作战目标威胁评估问题,提出一种基于灰色关联TOPSIS的评估新方法对目标威胁进行综合 排序。首先,确立要地防空目标威胁评估指标体系,在对初始数据进行预处理的基础上采用熵权法和AHP法组合 确定指标权重,避免主观决策带来的误差。其次,依据量化理论对威胁评估指标进行定量处理,建立了基于灰色关 联TOPSIS法的威胁评估模型,运用灰色关联TOPSIS法计算相对贴近度参数,从而实现对空袭目标威胁大小的排 序。最后,通过防空作战目标威胁评估实例进行验证,结果表明该方法可靠有效。     

基于贝叶斯网络的要地防空目标威胁评估模型

目标威胁评估是要地防空作战决策的重要组成部分。文章对要地防空的目标威胁评估进行了研究,将目标威胁意图引入目标威胁评估,在对要地防空目标威胁评估要素进行分析的基础上,建立了基于贝叶斯网络的目标威胁评估模型;针对要地防空的实际情况,在求得目标对各要地(阵地)的威胁度的基础上,建立考虑各要地(阵地)不同价值的要地防空目标威胁综合评估模型,满足实际作战需要,为武器目标分配提供了依据。     

战机多目标攻击排序算法研究

研究了单机对多个空中目标的攻击排序的方法 ,采用空战态势评估中的非参量法 ,首先给出了在速度、距离和相对运动速度各因素独立作用下的评估方法 ,然后研究了各参数综合考虑下的评估方法。重点研究了由于距离不同对威胁排序结果的影响和解决方案。     

基于预警直升机的驱护舰编队防空作战目标威胁评估

空中威胁尤其是各种平台发射的反舰导弹日益成为编队主要的威胁因素。防空作战中,利用舰载预警直升机前出探测以提供早期预警信息是提升驱护舰编队防空作战能力的主要措施。目标威胁评估是预警直升机预警探测的重要环节。根据当前空中作战平台性能发展变化,选取多个威胁指标,采用改进的TOPSIS建立评估模型,并用实例仿真验证其可行性,为编队辅助决策提供依据。     

预警机指挥编队协同空战分层决策模型

分析了预警机指挥下的机群多编队协同空战过程,根据空战决策特点分别以编队和单机为研究对象,提出了分层决策模型,将预警机指挥下的空战决策分解为战役层决策和战术层决策。针对战役层决策,建立编队目标威胁评估和初始兵力分配模型;针对战术层决策,建立单机目标威胁评估和目标分配模型。通过算例分析,验证了决策模型的有效性和实用性。     

An online ensemble semi-supervised classification framework for air combat target maneuver recognition

Online target maneuver recognition is an important prerequisite for air combat situation recognition and maneuver decision-making. Conventional target maneuver recognition methods adopt mainly supervised learning methods and assume that many sample labels are available. However, in real-world applications, manual sample labeling is often time-consuming and laborious. In addition, airborne sensors collecting target maneuver trajectory information in data streams often cannot process information in real time. To solve these problems, in this paper, an air combat target maneuver recognition model based on an online ensemble semi-supervised classification framework based on online learning, ensemble learning, semi-supervised learning, and Tri-training algorithm, abbreviated as Online Ensemble Semi-supervised Classification Framework (OESCF), is proposed. The framework is divided into four parts: basic classifier offline training stage, online recognition model initialization stage, target maneuver online recognition stage, and online model update stage. Firstly, based on the improved Tri-training algorithm and the fusion decision filtering strategy combined with disagreement, basic classifiers are trained offline by making full use of labeled and unlabeled sample data. Secondly, the dynamic density clustering algorithm of the target maneuver is performed, statistical information of each cluster is calculated, and a set of micro-clusters is obtained to initialize the online recognition model. Thirdly, the ensemble K-Nearest Neighbor (KNN)-based learning method is used to recognize the incoming target maneuver trajectory instances. Finally, to further improve the accuracy and adaptability of the model under the condition of high dynamic air combat, the parameters of the model are updated online using error-driven representation learning, exponential decay function and basic classifier obtained in the offline training stage. The experimental results on several University of California Irvine (UCI) datasets and real air combat target maneuver trajectory data validate the effectiveness of the proposed method in comparison with other semi-supervised models and supervised models, and the results show that the proposed model achieves higher classification accuracy.     

协同多目标攻击空战决策及其神经网络实现

提出了一种超视距多目标空战决策方法——协同优先权算法。它能给出多机协同攻击多目标的目标配对。然后对２∶４空战,用３层Ｂ－Ｐ网络实现该算法,并用ＳＯＦＭ网络实现对目标的攻击排序。因它们具有很强的适应、容错能力和实时性,故这种实现将有助于复杂动态环境下飞行员的空战决策,以及提高航空武器系统的作战效能。仿真结果证实了上述思想的正确性。     

基于TOPSIS的空战效能多指标评估模型

战斗机空战效能评估在武器装备研制采购、对比敌我双方作战实力等方面发挥着重要作用,传统评估 模型只能在宏观上对空战效能进行评估,无法通过对比不同战机的优劣指标来进行微观评估。借鉴双基点法 改进多指标评估模型,构建空战效能评估模型;针对超视距空战和视距内空战,分别建立不同的指标体系;根据 评估指标赋权时主观法与客观法存在的缺陷,利用最小信息熵原理综合结构熵和信息熵两种不同类型的赋权 技术,构造组合赋权法。算法验证表明:组合赋权法不仅可以反映两种视距条件下指标重要程度的不同特点, 而且改进模型能纠正传统模型的评估错误,可以对空战效能进行有效评估。     

基于遗传算法的空空导弹消耗规律神经网络预测方法

针对弹药预测问题,介绍了基于遗传算法的BP神经网络的相关原理及理论,研究了基于遗传算法的空空导弹消耗量BP神经网络预测方法,弥补了传统的BP神经网络法在弹药预测方面存在许多缺点,采用遗传算法求得影响弹药消耗各因素的权值及阈值,具有较高的准确性;同时,优化过程是对神经网络算法的权值及阈值进行优化,由适应度函数计算出染色体的适应度值,再经过选择、交叉及复制等操作,得到适应度最高的个体。对历次空战空空导弹消耗量数据进行归一化处理,将处理结果带入传统BP测,得到预测结果并对比分析,预测结果显示了遗传算法优化的有效性,避免了传统BP算法局部性强的缺点,预测结果较优化前较大提升,验证了改进算法的有效性和先进性。