基于优化最小二乘支持向量机的襟翼趋势预测

将最小二乘支持向量机(LS-SVM)应用于飞机襟翼状态趋势研究。首先,通过分析飞机襟翼故障与襟翼动作耗时参数的关系,提出了利用动作耗时趋势来确定该系统未来状态的方法。然后,使用最小二乘支持向量机建立耗时回归预测模型,采用最终预报误差(FPE)准则确定回归模型嵌入维数,提出了自适应网格搜索法,优化最小二乘支持向量机的建模参数,从而实现比现有方法精度高,泛化性能好的预测模型。训练和测试样本取自飞行数据记录系统(QAR)中译码襟翼参数值。与神经网络模型的比较实践表明,该方法具有实用价值。     

偏最小二乘和ANFIS在飞机燃油油量测量中的应用

分析了飞机燃油箱剩余油量测量系统具有变量多、非线性及变量间存在多重相关性的特点,指出单独采用自适应神经模糊推理系统(Adaptive network-based fuzzy inference system．ANFIS)和偏最小二乘(Partial least- squares,PLS)解决飞机燃油箱剩余油量软测量问题均有各自的局限性。结合上述两种方法的优点,提出了一种基于PLS回归与减法聚类的ANFIS软测量模型。将其应用于预测飞机油箱燃油剩余的建模过程中,得到了比采用PLS回归方法更好的精度,从而证明了该建模方法的有效性。     

一种基于GA优化小波LS-SVR的实时寿命预测方法

针对性能非线性退化的产品,从研究退化轨迹相似性的角度出发,提出一种基于遗传算法(GA)优化小波最小二乘支持向量回归机(LS-SVR)的实时退化轨迹建模和寿命预测方法。该方法根据特定个体与同类产品的Euclid距离确定隶属度权值,加权小波LS-SVR建立的同类产品退化模型得到特定个体的退化轨迹模型,结合实测数据更新模型并进行实时寿命预测。实例分析验证了所提方法的有效性。     

一种小样本民机产品的可靠性预测方法

将最小二乘支持向量机(Least square support vector machine,LS-SVM)应用于小样本民机产品的可靠性预测分析。通过重构相空间的饱和嵌入维数,确定最小二乘支持向量机的最佳输入变量;然后,使用最小二乘向量机建立可靠度回归预测模型,运用自动网格搜索法,优化了最小二乘支持向量机的建模参数,实现了比现有方法精度高、泛化性好的模型。训练和测试的可靠性样本取自某机型襟翼液压锁寿命可靠性数据。与神经网络模型的比较实例表明,提出的方法合理有效。     

大型导弹车工作模态识别研究及应用

针对大型导弹车在运输状态下的动态特性识别问题,设计制作了能够反映大型导弹车主要动力学特征的简化模型,使用最小二乘复指数法（LSCE）对简化模型进行了动态特性识别,对识别结果进行了分析和评估,并将最小二乘复指数法应用到真实大型导弹车运输状态的模态识别中。可为大型导弹车运输状态下的动力学特性分析提供参考。     

多径信道中多用户检测和DOA估计联合处理方法

提出了一种基于三线性模型的多径信道中多用户检测和波达方向(Directionofarrival,DOA)估计联合处理方法。对阵列接收到的信号分析表明,阵列接收信号具有三线性模型特征。在分析单径信道中的三线性模型的基础上,研究了多径信道中阵列接收信号三线性模型,提出了一种改进的三线性交替最小二乘(Improvedtrilinearalternatingleastsquare,ITALS)算法,它可对多用户检测和DOA估计进行联合处理。该算法利用方向矩阵的Vandermonde特征、基于最小二乘法对方向矩阵进行重构和DOA估计。仿真结果说明,该方法具有较好的误码率性能、较快的收敛性能和精确的DOA估计性能。当DOA靠近90°时,DOA估计性能下降。     

基于成本的机载通信系统可靠性安全性一体化设计

针对民用客机的通信系统,在其研发过程中以成本为约束条件权衡系统安全性可靠性作为研究目标。首先确定通信系统可靠性安全性指标,进而通过灰色关联分析与多元线性回归提取关键影响因子并进行量化,并运用MATLAB软件建立单目标-多目标一体化加权指数ZETA评分模型,根据实际要求对比分析了优化结果中不同的权衡域。最后根据民用客机通信系统研发成本,通过基于核和灰度的灰色马尔科夫预测模型对未来某系列民用客机通信系统研发成本进行预测与平均误差计算,验证一体化寻优模型的可行性与可信度。结果证明一体化权衡模型有很好的工程参考价值。     

一种新的加权最小二乘支持向量回归机及其对性能退化航空发动机推力估计的应用(英文)

要实现航空发动机的性能退化缓解控制,需要设计一个高精度并具有良好实时性的推力估计器。针对这种需要,本文提出了一种新的加权最小二乘支持向量回归机,并在此基础上设计了性能退化推力估计器。和现有的加权策略相比较,基于此新的加权策略的推力估计器不仅能满足性能退化缓解控制对精度的要求也能满足实时性的要求。最后,仿真实验证明此加权最小二乘支持向量回归机以及基于此回归机设计的推力估计器的有效性和可行性。     

Boosting稀疏最小二乘支持向量回归机及其在推力估计中的应用

为实现航空发动机的直接推力控制代替传统的基于传感器的液压机械式控制,本文使用boosting技术提升最小二乘支持向量回归机的性能设计了推力估计器。在使用boosting的过程中,有两点与传统方法不同：（1）为了在建立稀疏最小二乘支持向量回归机的时候使数值计算更稳定,使用无放回抽取;（2）为了实现最小二乘支持向量回归机的稀疏性和降低计算的复杂度,用训练数据集的一个子集来建立最小二乘支持向量回归机,不再使用全部训练数据。仿真实验表明,基于boosting稀疏最小二乘支持向量回归机的推力估计器能够满足直接推力控制的需要,即估计推力相对误差不大于5‰。     

多变量自回归模型的快速辨识方法

本文提出了多变量AR(Autoregressive)模型建模的快速算法,该算法采用解超定矩阵的最小二乘方法,并利用正交变换技术,从而避免了最小二乘估计中矩阵求逆的病态问题,保证了数值计算的稳定性。还介绍了一种可转化为单变量建模的多变量AR模型,它可以直接利用单变量建模模块。一般情况下,可将序列进行典则分解。最后简要列出了有关结论。     

采用PQLF的不确定模糊系统最优保性能控制

对一类模有界的参数不确定T-S模糊系统的保性能控制问题进行了分析研究。一个二次指标函数表征了闭环系统的性能。采用分段二次Lyapunov函数(Piecewise quadratic Lyapunov function,PQLF)方法,在使闭环系统渐近稳定的前提下以线性矩阵不等式(Linear matrix inequality,LMI)的形式给出了一种鲁棒最优保性能控制律。同时提出了一种新型分段并行补偿(Parallel distributed compensation,PDC)控制策略。该PDC控制器同样反映了模糊系统前提变量的规则结构信息。数值仿真显示,采用该设计方法所得到的闭环保性能值优于传统二次Lyapunov函数(Common quadratic Lyapunov function,CQLF)方法下的闭环保性能值,且系统动态性能良好,鲁棒性强。     

基于NRS-SVM模型的航空弹药消耗预测研究

结合航空弹药训练消耗的特点,研究邻域粗糙集(Neighborhood rough sets,NRS)与支持向量机(Support vector machines,SVM)融合的航空弹药训练消耗预测问题。通过邻域粗糙集将5个初始影响因素约简为3个核心影响因素,并以此训练集对支持向量机进行回归优化。通过参数寻优得到最优的惩罚参数和核参数,进而构建NRS-SVM组合预测模型来预测航空弹药消耗。实证研究表明,该模型预测结果与实际数据吻合度较高,且与其他预测模型相比具有更好的预测性能。     

简化Q矩阵的渐增式扩张生成算法

简化Q矩阵（Qr阵）是规则空间模型与属性层次方法的重要概念。基于属性层次结构,提出有效／无效项目的定义,研究属性层次结构的可达矩阵与有效项目之间的关系,给出有效／无效项目的判定定理。基于逐步向前回归的思想提出了求解Qr阵的渐增式扩张算法,给出相关理论依据。在考虑有效项目数的基础上,与Tatsuoka方法进行了实验比较,对属性个数为10的情况采用线性回归方法为两种方法建立了数学模型。     

机器学习数据融合方法在火箭子级栅格舵气动特性建模应用中的比较研究

机器学习数据融合方法可帮助降低飞行器气动数据库建立的成本,加快研制进度,目前已经成为飞行器设计方法领域越来越活跃的研究方向,但其在工程复杂问题方面的应用研究并不充分。将多种常见变可信度数据融合模型应用于运载火箭子级栅格舵落区控制的工程项目,在开展部分工况的风洞试验基础上,结合少量的CFD数值模拟结果,研究相关函数和不同模型预测完整工况气动特性数据的差异性。通过对比加法标度函数修正模型、Co-Kriging模型、分层Kriging模型和多可信度神经网络模型等4种不同的数据融合模型发现:高斯指数相关函数对气动建模问题的适应性更好;Co-Kriging模型对气动数据的内插表现最好;分层Kriging模型对内插的预测精度较高,外插效果不理想;多可信度神经网络模型在外插区域能获得更光滑、合理的预测结果。     

人工智能在空腔气动/声学特性预测与控制参数优化中的应用

多参数多条件下的精准气动特性数据是进行飞行器快速设计、系统完善、性能评估、指标考核的基本前提和根本保证。基于人工智能的深度学习技术与流体力学交叉融合已成为当前发展趋势,并在湍流模型改造、系统理论建模、气动数据预测、控制参数优化、复杂流场重构等方面得到成功应用。为最大限度发挥深度学习的强大表征能力,围绕内埋弹舱作战运用和智能优化设计需求,构建了弹舱空腔气动特性多场载荷数据库,采用基于数据驱动的深度学习方法,建立了耦合因素影响下的空腔气动/声学特性智能分析深度前馈神经网络模型,实现了有限约束条件下的空腔气动/声学特性快速预测,并引入随机搜索和贝叶斯超参数优化方法增强了模型鲁棒性,为空腔噪声有效控制模型快速优化设计提供了数据基础和方法途径。     

基于互信息的输入变量选择算法综述

空间环境是空间态势感知的重要组成部分，在空间科学领域，受限于对日地系统物理规律的全面认知，现有的基于物理机制的空间环境预测模型目前还难以实用化，通常采用的多是基于数据的经验类模型。基于互信息的输入变量选择算法为空间环境要素预测模型的输入确定了思路。由于能充分考虑不同输入、输入与输出之间的潜在关系，基于互信息的输入变量选择算法近年来在回归及分类问题上得到了广泛的应用和发展。本文以输入变量选择算法的3个关键环节，即评价标准、搜索策略和停止准则为线索，从不同角度对基于互信息的过滤式变量选择算法进行了系统的分析与梳理，重点对不同变量评价标准依赖的假设条件进行了数学上的推导和说明。最后总结了其发展规律，可为后续研究尤其是建立空间环境预测模型提供借鉴。     

用于复杂装备费用驱动因子筛选的灰色凸关联模型

针对复杂装备费用预测中样本少和费用影响因素繁多的问题,分析以往灰色关联度的缺陷,运用改进的灰色凸关联度建立费用影响因素与费用之间的灰色关联模型。依据灰色凸关联度的大小和接近程度筛选费用驱动因子,利用所选择的驱动因子建立多元回归模型。与已有文献中的方法进行对比,结果表明本文方法具有较高的预测精度,说明改进的灰色凸关联度模型能够诊断复杂装备费用的关键影响因素。     

暂冲式高速风洞流场控制系统建模与仿真

为满足中国空气动力研究与发展中心的2.4m跨声速风洞流场品质改进的需要,有必要建立一个高效的风洞流场控制模型作为控制器设计的验证平台。由于难以建立精确的空气动力学模型,且2.4m 跨声速风洞长期运行积累了大量的试验运行数据的实际,数据建模成为建模方法的首选。在硬件上,建立了基于反射内存技术的流场控制仿真系统,以获取现场采集的数据。建模方法采用数据建模方式,主要是利用系统辨识理论,将整个系统看成是一个“黑箱”,利用现场采集的数据来确定系统的参数和输入输出间的映射关系。采用以非线性自回归滑动平均模型(Non-linear Auto-Regressive Moving Average Model with Exogenous Inputs,NARMAX)作为风洞系统的数据模型,应用互信息法、曲线拟合法和伪最近邻点法分别确定了模型中采样间隔、时间滞后以及阶次3个参数。对比了最小二乘线性回归、BP 神经网络以及最小二乘支持向量机(LSSVM)3种方法对模型的拟合效果,确立了最小二乘支持向量机作为最终的拟合方法。为了提高仿真的精度,根据风洞运行的特点,将其整个过程划分为冲压、启动和调节3个阶段,分别建立了各个阶段的子模型。由于风洞系统是一个多输入多输出系统,并且延迟和阶次较大,采用了基于信息熵的数据压缩方法,实现了简化子模型规模的目的。最后,采用多模型融合的方法将各个阶段的子模型通过加权的方法来完成融合,从而构建起整个风洞系统的模型。稳定段总压和驻室静压分别通过所建模型得到,最后通过马赫数的计算公式得到试验段马赫数值。仿真结果表明:所建模型在运行包络线范围内的试验工况下,总压预测精度达到0.1%、马赫数预测精度基本达到0.001,达到了研究的目的。该项工作的开展较为系统地建立了暂冲式风洞的流场控制模型,建立的模型将为下一阶段基于现代控制理论的控制器设计奠定基础。