基于时空特征融合的舰船航迹预测方法

针对海上舰船日益增多、海情日益复杂的严峻形势,改进舰船航迹预测方法,实现对海域态势的有效管控成为亟待解决的问题。结合舰船航迹获取简单、数量较大的显著优势,提出利用舰船航迹数据驱动的基于时空特征融合的舰船航迹预测方法。首先,联合卷积神经网络(CNN)和长短时记忆网络(LSTM)构造时空特征融合网络,充分提取舰船航迹的时空特征;然后,利用海量 AIS(Automatic Identification System)数据进行网络训练;最后,利用网络输出的航速和航向对舰船航迹进行预测。仿真结果表明,提出的网络具有准确的舰船航迹预测能力,能够适应舰船机动运动场景。与传统预测方法相比,该方法能够使预测 MSE减少 0.2~1.4,预测性能大大提高。     

基于灰色系统预测直升机航迹的研究

 反直升机智能雷对直升机航迹的预测在作战中非常重要,但在数据非常有限的情况下,准确地预测又很困难。提出了用灰色系统理论解决直升机航迹预测问题,建立了灰色系统 GM预测模型和 n次累加残差模型并对GM预测模型进行修正。在每个采样期间内,实时在线建立GM预测模型和残差模型以提高预测精度。通过实例计算能看出用较少的探测数据可以得到较高的预测精度。     

基于交互式多模型滤波算法的航迹预测

航空器航迹预测是空中交通冲突探测与解脱,以及进离场管理等空中交通管制自动化系统的重要组成部分。基于混杂系统理论,描述航空器在水平面的运动模型,并针对航空器运动的多样性和不确定性提出了利用交互式多模型的航空器航迹预测算法。将算法应用于航空器的航迹预测,并与单一模型的卡尔曼滤波、α-β滤波和α-β-γ滤波的仿真预测结果对比,结果表明算法的有效性。     

无人机爬升转弯航迹预测

信息获取、自动精确打击等使得无人机已成为不可缺少的武器。快速精确的航迹预测可以提高作战效率,提供及时、最优的冲突解决方案。针对无人机的优良特性,首先优化无人机的航迹模型,并对其可行性进行理论推导,重点研究了以最大功率爬升转弯过程,验证了优化后的过程优于普通爬升转弯模型。此航迹预测方法可以快速得出航迹特征点以及到达航迹特征点的时间。     

基于CNN-LSTM-attention模型航迹预测研究

以航迹预测方法作为切入点,重庆-广州航路航空器记录的ADS-B数据作为研究内容,提出了一种融合注意力机制的长时序航迹预测方法(CNN-LSTM-attention)。研究运用一维卷积神经网络对航迹数据多维特征进行提取,并将经纬度、高度、速度、航向等的多维特征向量构造成时序形式作为LSTM网络输入,通过赋予LSTM网络隐含层的权重占比并区别不同时序点隐藏层信息对未来航迹预测的影响程度来达到优化预测模型的作用。构建好的CNN-LSTM-attention模型采用Adam优化算法进行训练,LSTM和CNN-LSTM作为实验对比模型,将决定系数R²作为模型评价标准来衡量航迹预测模型的准确性。实验结果表明加入注意力机制的神经网络预测模型CNN+LSTM+attention(卷积神经网络-长短期记忆网络-注意力机制)的方法相较于其他两种,其预测精确性更高。     

基于Markov Chain Monte Carlo的幂律过程的Bayesian分析

在多种合理的无信息先验分布下,基于Markov Chain Monte Carlo方法,提出了一种简单且易于抽样的幂律过程的Bayesian分析方法.所提方法将失效、时间截尾数据统一分析,能快捷地获取幂律过程模型参数的Markov Chain Monte Carlo样本,利用该样本不但能直接给出模型参数函数的后验分布,还能给出单样预测和双样预测的分析.一个经典工程数值算例说明了所提方法的可行性、合理性与有效性.该方法具有一定的优越性,可为小子样可靠性增长分析提供一种值得参考的方法.      

基于高空风修正的四维航迹优化算法

航迹预测是基于航空器航迹运行的核心技术,也是空中交通流量管理的基础技术。结合航空器飞行速度数据与航段飞行时间数据,分析高空风对航空器飞行时间的影响。基于GRIB2格式风数据,建立高空风修正模型,提出一种四维航迹优化算法进行航迹预测。利用中南区域实际航班飞行数据进行算例仿真,并与实际雷达飞行数据进行对比。对比结果表明,预测飞行时间总误差分别减少了7%和16.4%,从而验证了模型的有效性与正确性。     

基于航迹分割的航空器噪声预测模型

根据航空器的航迹来预测其影响区域的噪声情况,基于航迹的几何特性,将航迹分成直线段航迹和曲线段航迹两个基本航迹元素;确定了直线段和曲线段的各自影响范围之后,分别计算各航迹段对它们影响区域的噪声值贡献情况;统计了各个航迹段对监测点的噪声影响之后,综合得出整个航迹段对监测点的噪声影响,从而建立了航空器航迹噪声预测的模型。将该模型计算的结果分别和软件模拟数据、实际监测数据进行对比分析,发现该模型在航迹段内对监测点噪声均值的预测较为准确,监测点噪声峰值预测结果更接近实测数据。     

相关向量机及其在故障诊断与预测中的应用

相关向量机(RVM)是一种基于稀疏Bayesian学习理论的新型机器学习方法,具有概率式输出、稀疏性强、参数设置简单、核函数选择灵活等优点,克服了人工神经网络(ANN)和支持向量机(SVM)等典型机器学习方法的诸多固有缺陷。文章从模型选择与优化、模型计算效率和模型鲁棒性改进3个方面综述了RVM的理论研究进展;总结了RVM在故障诊断与预测中的应用研究现状;分析指出了当前研究中存在的问题,并讨论了基于RVM的故障诊断与预测技术的研究方向。     

快速模型预测控制用于微型直升机航迹跟踪

为实现微型共轴无人直升机(MCUH)的航迹跟踪,考虑系统的状态和输入约束,利用非线性模型预测控制(NMPC)技术设计一种快速在线的控制器。首先,简化MCUH的非线性模型,利用系统的微分平坦特性生成满足直升机动力学的可行航迹,沿着该航迹对系统进行线性化,得到近似直升机非线性动力学的线性时变(LTV)模型。然后,将传统输出航迹跟踪NMPC问题转化为LTV-MPC优化问题,降低问题的复杂度,为确保航迹跟踪误差系统的指数渐近稳定,分别设计终端域和终端罚值。最后,通过数值仿真,验证快速在线NMPC策略的可行性。结果表明:设计的预测控制器误差控制精度高、求解速度快,可实现对有约束的时变航迹的跟踪。     

基于深度学习的太阳10.7 cm射电流量日值的中期预报

针对太阳10.7cm射电流量中期日值预报问题,采用深度学习方法,建立了一个典型的基于多层感知器模型的神经网络。该网络采用1个包含90个神经元的隐含层,实现了一种非参数的时间序列自回归模型。预报中不仅考虑历史日值,还考虑了历史预报误差。模型根据前27d的历史数据实现了未来27d的日值预报。通过对50多年数据的训练和试验分析,该方法在短期和中期预报上较传统方法的相对误差明显降低。特别是模型经一次训练后,参数可以完全固定,不同于以往研究参数需要每天滚动更新,大大简化了日常预报,同时极为有利于模型在其他相关应用中的推广。     

基于BP神经网络模型的西安市生活垃圾产生量预测

建立3层BP神经网络模型,选用市区人口数、国内生产总值和道路清扫面积三个因素预测西安市生活垃圾产量,将原始数据转化成年增长率,并结合trainbr函数来训练网络,泛化能力强,误差小,取得了较好的预测结果。     

支持向量机的B737飞机水平尾翼裂纹故障预测

为保障飞机的飞行安全,做到预防性维修,提升飞机的飞行安全及任务出勤率,需要对飞机结构出现的疲劳裂纹进行及时检测并修理。基于支持向量机理论,建立了支持向量机回归预测模型,并应用该模型对B737飞机水平尾翼健康信息的特征值(小波包分解系数提取的能量)进行了故障预测研究。为建立最佳支持向量机模型,选用了支持向量机四种常用的核函数分别对特征值进行了预测。同时还对支持向量机预测模型与神经网络预测模型(BP神经网络预测模型)的预测结果进行了比较与分析,研究表明,应用支持向量机所设计的预测模型准确率比较高,可以较好地对飞机水平尾翼的裂纹故障进行预测。     

三种用于加工特征识别的神经网络方法综述

加工特征自动识别技术是智能化设计与制造的关键支撑，已有的实用性算法普遍存在学习能力差、识别范围有限和识别速度慢等共性问题。神经网络方法在计算机视觉和模式识别领域获得了巨大成功，其自学习与自适应能力和高速计算等优势也已在加工特征识别中得到初步的展现。对加工特征识别中具有应用潜力的三种不同的神经网络方法进行了研究，剖析了神经网络识别加工特征中的预处理与编码和神经网络结构设计等关键性问题，分析了不同神经网络方法的异同点，总结了当前神经网络识别加工特征的发展方向，为相关领域的研究提供一定的理论指导与技术支持。     

军用飞机维修保障费用机器学习预测方法

介绍了军用飞机维修保障费用预测方法。确定影响费用值的元素为说明性变量,应用BP人工神经网络和支持向量回归估计（Support Vector Regression,SVR）理论模型,以及收集到的维修保障费用数据进行了训练并对某型飞机的维修保障费用进行了预测,将预测结果与实际费用值进行了对比,并将神经网络预测方法、支持向量机方法和其它预测方法进行了比较。     

平均场网络在航迹关联中的应用

在多节点分布式多传感器融合系统中,航迹关联问题可以化为多维分配问题。多维分配问题是一个典型的组合优化问题,很难得到问题的最优解,而且其计算量会随着问题维数和目标数的增加容易呈现指数爆炸现象。在二维平均场人工神经网络的基础上提出了一种三维平均场网络模型用于解决此三维分配问题。仿真结果表明,该人工神经网络模型,能够有效解决多维分配问题,具有较高的关联正确率,当目标数不是很多时,可满足工程上的要求。另外,提出的三维网络模型可以推广到多维情况用于解决多维分配问题。     

基于对传过程神经网络的航空发动机转子仿真故障诊断研究

为更好地解决动态模式识别及故障诊断问题,将过程神经元引入传统对传神经网络的竞争层,提出一种对传过程神经网络模型。并将所提出的网络模型及其学习算法用于航空发动机转子仿真故障诊断中,并得到了满意的结果。     

基于神经网络预测模型的歼击机结构故障检测方法

提出了一种基于预测神经网络的歼击机结构故障检测新方法 ,与传统的基于模型的非线性系统的故障检测方法相比 ,神经网络方法有着非线性逼近能力强和故障检测实时性好等优点。给出了基于预测神经网络的故障检测方案 ,以及多步直接预测算法和阈值选取原则 ,最后以某型歼击机为例进行了仿真验证 ,仿真结果表明本方法能有效地检测出歼击机的各种结构故障。     

军用装备采购费用评估中的神经网络模型

在BP神经网络理论指导的基础上,从影响装备采购费用的因素出发,根据BP神经网络的多层结构,运用反向传播算法(BP算法)构建战斗机采购费用BP网络模型;同时,运用BP网络模型对已知采购价格的5种类型军事装备进行了采购费用估算和MATLAB仿真,取得了比较满意的结果,达到了提高装备采购费用的预测速度和精度的目的,显现了BP神经网络方法的优点,为军用装备采购价格的预测提供了一种新的有效的方法。     

基于灰色神经网络组合模型的航空发动机磨损趋势预测

航空发动机的磨损机理十分复杂,且受到诸多不确定因素影响,单一预测模型难以对其变化趋势进行有效预测。针对该问题提出了一种BP网络与改进灰色模型相融合的组合预测模型,并引入混沌理论的C—C方法确定BP网络的嵌入参数和时间延时。仿真结果显示,该组合模型相比单一的神经网络模型和灰色模型精度更高,更客观地反映出发动机滑油中金属含量的变化趋势,可为科学制定发动机维修决策提供重要依据。