基于软计算的航电系统智能费用预测模型

在估计机载航电系统费用时,对数线性回归估算关系式存在许多问题。本文采用软计算技术构建智能预测模型,通过真实航电系统生产费用数据集的训练和预测,系统地研究了这些基于软计算的智能费用预测模型的性能。建模及测试结果表明,这些模型总体上在预测精度和模型鲁棒性等方面优于回归类模型。     

用结构自适应神经网络预测航空发动机性能趋势

 将航空发动机作为复杂非线性系统考虑，运用神经网络超强的非线性映射能力和非线性时间序列分析的相空间重构理论，建立航空发动机性能趋势预测的神经网络模型，同时，针对神经网络的结构设计困难问题，建立了基于遗传算法的结构自适应神经网络预测模型，实现了神经网络结构的优化。最后，利用三组民航飞机发动机的性能数据进行了预测分析，验证了利用结构自适应神经网络对航空发动机性能趋势进行预测的有效性。     

一种基于SVR的飞机巡航段油耗预测方法

针对飞机巡航段燃油消耗量预测问题,提出一种基于支持向量回归机(SVR:Support Vector Regression)的预测建模方法,并应用Grid-Search参数寻优法优化模型参数,基于真实QAR数据建立SVR预测模型,并从平方相关系数和平均绝对百分误差两个不同指标与BP神经网络模型的预测结果进行比较,比较结果表明:SVR预测模型的预测结果精度高。     

基于免疫粒子群优化的不等时间间隔发动机性能综合指数组合预测

首先利用奇异值分解滤波算法,对测量参数进行滤波处理,进而合成发动机性能综合指数。针对性能综合指数为不等时间间隔的情况,在改进灰色预测模型中引入新陈代谢思想,提出一种基于免疫粒子群优化权值的改进灰色模型与支持向量机相结合的性能指数预测方法。仿真实例表明:组合模型的预测精度明显高于改进灰色预测模型,略高于支持向量机模型;且对于大多数样本点,组合模型的预测结果变化更加平稳。     

多因素影响下舰载机备件需求的组合预测

舰载机列装时间较短,备件的样本数据较小,而且保障中受起落次数、飞行强度、海洋恶劣环境等因素影响较大。针对舰载机这一系列保障特点,选用了对多因素影响的小样本有较好预测效果的 BP神经网络、GM(1,N)预测模型和 SVM回归预测模型 3种预测方法,建立基于 IOWA算子的组合预测模型,以误差平方和为准则对数据进行分析,并利用 Matlab工具箱进行优化计算,从而得出最优组合预测结果。实例分析结果验证了该组合预测模型 的科学性和优越性。     

润滑油质量组合预测

以某自行火炮润滑油氧化程度光谱分析数据为基础,利用线性回归理论、灰色理论及组合预测理论建立了润滑油的氧化程度预测模型,并且分析各模型在预测上的差异,验证了润滑油质量组合预测模型能够充分利用单一预测模型的有效信息,提高预测精度.     

基于蚁群改进 BP算法的组合预测模型在军械器材需求预测中的应用

针对在军械器材采购计划制定环节中的器材需求测算问题,提出基于蚁群改进BP算法的组合预测模型。先结合历史数据,利用多元线性回归预测法和自回归滑动平均模型（ARMA）进行初步预测,将初步预测的结果作为蚁群改进BP网络的输入,从而得到最终的预测结果。实验结果表明,基于蚁群改进BP算法的组合预测模型能够对积累的历史数据进行充分的应用,并且有较高的预测准确性。     

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。     

卫星参数趋势预测EMA熵组合算法

卫星遥测参数的趋势变化状态对卫星故障预测的判断起到重要的指导作用,立足于遥测参数特性,提出等高线预测方法,从特征数据出现的时刻对参数进行趋势预测。为了提高预测精度,引入EMA(增加期望模式)误差分析模式,结合之前提出的新息灰预测模型,根据熵组合基本原理建立基于EMA熵组合预测模型。通过工程数据仿真计算,并利用预测有效度对各种算法进行评估,结果验证了基于EMA的熵组合预测模型的正确性和可靠性。     

基于BP神经网络的航班需求预测模型

航班需求预测是航空公司收益管理的关键技术。BP神经网络用大量的历史数据进行学习,能够记忆复杂的历史订座规律和销售趋势,提出了一种基于BP神经网络的航班需求预测模型。通过对历史数据进行主成分分析获得该模型,用一元回归法和相关系数法对训练质量进行评估,对模型作了置信区间分析。将该模型与增量法、回归法进行了对比,具有在线预测速度快、预测精度相对较高等优点。     

某机翼的安全预测载荷模型建立

基于试飞阶段全V-N包线的实测飞行载荷，将改进遗传算法、线性回归与BP神经网络融合，给出了一种适用于全寿命周期的自适应安全预测载荷模型建立方法。将该方法应用于某飞机机翼的安全预测载荷模型建立，并对所建立的载荷模型进行了全V-N包线的验证。分析了样本空间与载荷模型精度的关系。结果表明：建立的弯矩预测载荷全包线最大误差为10.6%、平均误差为1.0%，剪力的最大误差为9.1%、平均误差为0.4%，比优化线性和分段线性的误差小，比神经网络的收敛性好。随着建模数据从全样本、1/2、1/3、…、1/10样本的变化，弯矩和剪力方程的全V-N包线的最大误差整体呈增大趋势，弯矩最大误差变化范围为10.6%~19.6%，最大剪力误差变化范围为9.1%~27.9%。     

基于神经网络的扰流柱通道表面传热系数预测

针对扰流柱通道结构的流动传热过程进行了仿真研究，构建了该结构内部表面传热系数的快速预测模型。该预测模型首先构建了若干流阻元件用于冷气质量流量预测，之后根据质量流量预测结果计算通道内的流动雷诺数。将雷诺数与几何结构参数组合并输入基于遗传算法优化的反向传播神经网络，分别预测通道内不同结构的平均表面传热系数。最后建立基于肋化传热模型的扰流柱导热等效表面传热系数换算方法，以便将预测模型应用于实际双层壁涡轮叶片的冷效预测。经数值仿真验证，该模型对通道内冷气质量流量和表面传热系数进行组合预测，相对误差控制在5%以内。     

基于神经网络的无线通信系统RF电路设计方法

典型的无线通信系统RF电路由大量的线性和非线性元器件组成。建立这些微波电路元器件的模型在现代RF电路的设计中至关重要。采用一种神经网络来学习非线性电路的动态特性,并建立相应的模型。神经网络模型可以对原始电路的模拟特性进行整体预测,可用于高层电路的仿真和优化。以功率放大器为例验证了神经网络模型的实用性,表明神经网络模型可以极大地提高无线通信系统RF电路的建模精度和速度。     

基于静态删减算法的神经网络在软件可靠性预测中的应用

与传统的基于人工神经网络的软件可靠性预测模型结构普遍由预先经验或者通过不断尝试的方法确定不同,在分析一般的软件可靠性模型的基础上,提出将一种基于静态删减算法的神经网络模型应用到软件可靠性预测中。通过利用2组经典的软件失效数据进行仿真,并与传统的神经网络可靠性预测模型对比分析,研究了神经网络拓扑结构和预测精度的关系,结果表明,基于静态删减算法的运用能够提高神经网络模型对软件可靠性的预测精度。     

支持向量机时间序列预测模型的参数影响分析与自适应优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力,因此与建立在经验风险最小原则上的神经网络模型相比,理论上更为完善.本文运用支持向量机建立时间序列预测模型,研究影响模型预测精度的相关参数,在分析参数对时间序列预测精度的影响基础上,提出用遗传算法建立支持向量机预测模型的参数自适应优化算法.最后,用太阳黑子数据和航空发动机油样光谱数据进行了预测分析.算例表明了本文算法的正确性.     

基于小波神经网络的陀螺漂移预测研究

实时识别陀螺漂移,并且预测漂移性能的变化趋势,对提高整个导航系统的精度有着十分重要的意义。本文结合小波分析理论和小波神经网络的非线性预测算法,对陀螺信号进行趋势提取与漂移预测。采用小波神经网络避免了其它神经网络存在的局部最小化的缺陷,小波分析的引入可以有效提取出原信号的趋势,大大降低了环境因素的影响。将小波神经网络非线性预测算法与小波趋势提取算法结合,建立陀螺仪漂移趋势的预测模型,对某光纤陀螺实测信号仿真预测其漂移趋势,仿真结果证实该预测模型与实际情况相符,具有较好的预测精度,为预测一般陀螺的随机漂移提供了一种新的有效途径,同时还对一般陀螺仪表的漂移模型建立方法提供借鉴。     

基于相空间重构和神经网络的压气机机匣静压预测

建立了基于相空间重构和径向基神经网络的压气机机匣静压的预测模型。对试验数据进行相空间重构,分析其混沌特性,根据重构相空间的最小嵌入维数确定网络输入参数的个数,采用K均值聚类的方法优化网络的拓扑结构,根据时间序列的最大李亚普诺夫指数确定预测模型的最大有效预测步数,利用径向基神经网络的强大非线性映射能力,实现对时间序列的非线性预测,试验结果证明了该方法的有效性。该方法对压气机趋势监控具有一定的参考价值。      

基于DOA-BP神经网络的电离层TEC短期预测

影响全球导航卫星系统（GNSS）所需导航性能（RNP）的最大误差源之一是电离层延迟,该延迟与电离层总电子含量（TEC）成正比,因此TEC的准确预测直接影响到GNSS的RNP。探索性地使用2021年提出的澳洲野犬优化算法（DOA）优化反向传播（BP）神经网络,构建DOA-BP神经网络TEC短期预测模型,以欧洲定轨中心（CODE）提供的电离层TEC值作为数据集,训练、测试DOA-BP TEC短期预测模型,实现全球范围和中国区域不同电离层格网点处TEC值的高精度短期预测,并将预测结果分别与传统BP神经网络模型、麻雀搜索算法（SSA）优化的BP神经网络模型（SSA-BP）预测的TEC值进行对比分析,结果表明,相较传统BP模型,DOA-BP模型的TEC预测精度明显提高,且相比其他优化模型（如SSA-BP模型）,预测的TEC精度也占一定优势,能准确反映全球不同时空下电离层TEC的变化特征,可作为电离层TEC短期预测的一种新方法。     

基于分层思路的动态非线性气动力建模方法

很多非线性气动力模型难以精确预测系统的小扰动线性特征。针对这一局限,提出了一种非线性分层模型,用于辨识跨声速非线性非定常气动力。分层建模需要同时提供微幅振荡和大幅振荡两套训练样本,首先通过线性模型(如带外输入的自回归(ARX)模型)对微幅振荡样本进行建模,而后采用非线性模型(如径向基函数神经网络(RBFNN))对大幅振荡的样本与线性模型的差量进行建模,进而把线性模型和非线性模型的输出相叠加,得到分层非线性动力学模型。算例表明建立的分层气动力模型与单一自回归径向基函数(AR-RBF)神经网络模型相比不仅具有更高的数值精度,可以精确预测大幅运动中的非线性特征,而且在小扰动状态下自动退化为线性模型,能够精确刻画结构微幅振荡下的线性动力学特性。     

基于支持向量机的航空发动机性能衰退指标预测

针对航空发动机性能衰退状态的趋势预测问题,基于非线性支持向量机回归建立了发动机性能衰退指标的预测模型,给出了反映其性能衰退的综合指标。利用该模型对发动机的性能衰退指标进行了预测分析,并与神经网络模型预测结果进行了比较。结果表明:支持向量机回归预测模型能更准确地对发动机的未来状况进行预测。