基于模糊信息粒化和优化SVM的航空发动机性能趋势预测

提出采用模糊信息粒化(FIG)和优化的支持向量机(SVM)来预测航空发动机参数的变化趋势和变化空间。利用模糊信息粒化方法对性能参数进行粒化处理。以K CV验证误差最小作为优化目标,采用遗传算法(GA)实现支持向量机惩罚参数和核函数参数的自适应优化选择；训练SVM模型并进行并对模糊粒子非线性预测。利用某航空公司的某型航空发动机性能参数监测数据进行验证,结果表明:该算法可以有效实现航空发动机性能参数变化趋势和变化空间预测。在实例基础上分析了窗口大小对算法预测精度的影响以及算法多步预测的效果,得出算法最佳窗口大小为3个数据且算法3步以内预测误差小于10%。      

基于改进Yolov3 算法的舰船目标检测识别系统

针对复杂战场环境下对海目标检测识别的需求,设计了一种基于改进Yolov3 算法的海面舰船目标实 时检测识别系统。使用微调分类网络、增加训练尺度、聚类目标边框维度、二级特征分类等方法对Yolov3 检 测识别网络模型进行了优化,在提高识别精度的同时有效降低了漏检率和虚警率。实验结果表明,优化后的网 络模型在自建的舰船图像数据库中将检测识别平均准确率提高到了79.3%,对真实海上航拍视频中舰船目标识 别的平均准确率达到了81% 以上。     

受限资源下制导武器末制导机器视觉技术研究

针对精确制导武器末制导机器视觉技术应用需求,研究了基于卷积神经网络的、针对复杂背景及小目标的自主目标检测识别算法,并分别进行了网络性能评估和硬件资源需求定量评估。针对最优算法,提出了基于嵌入式受限资源下的高精度神经网络压缩算法,并对算法进行了普适性评估。基于GPU嵌入式平台,实现TensorRT路线网络优化,并在速度和精度两方面均衡考虑下,对裁剪与量化算法进行了详细实验验证。实验结果表明,高精度神经网络压缩算法在硬件资源受限条件下,可以有效提升推理速度,最终经算法优化后的网络结构,可以获得3倍以上的速度提升,网络精度损失小于5%。     

一种基于鲸鱼优化算法的飞行动作识别规则提取方法

针对飞行动作识别规则提取,传统智能优化算法存在调节参数多、易陷入局部极值等问题,介绍了一种新型仿生智能算法:鲸鱼优化算法。利用该算法参数简单,快速收敛性和全局优化的优点对符号化的飞行参数规则属性进行组合寻优,计算出相应的飞行动作识别规则。经过测试函数及仿真实例表明,鲸鱼优化算法寻优精度高于传统智能优化算法PSO,提取的规则相比BPSO方法更简洁、有效。     

固液混合火箭发动机仿真与优化设计

建立了固液混合火箭发动机的仿真模型和相应的单目标和多目标优化模型,编制了系统仿真程序;采用差分进化算法针对不同的优化目标对发动机的参数进行优化;针对挤压式系统建立了质量模型,在优化过程中考虑了主要部件结构质量对发动机性能的影响;针对固液发动机常用的侧面燃烧药柱编制了内弹道计算程序。以药柱几何参数、氧化剂流量、燃烧室平均工作压强和喷管扩张比等参数为设计变量,对发动机平均比冲、总质量、关机时飞行速度和密度比冲等性能参数进行优化,在Pareto分析的基础上选择了氧化剂流量、燃烧室平均工作压强和喷管扩张比对发动机性能的影响作了深入研究;最后对某型固液发动机进行了优化分析。     

一种基于神经网络的飞机载荷参数识别方法

提出一种经遗传算法优化的Kalman滤波神经网络(GA-KFNN)方法,对飞机特定机动下的载荷进行参数识别.首先,构建Kalman滤波神经网络(KFNN),设计了相关改进算法抑制滤波发散,提高了网络的预测精度和抗噪能力;其次,利用遗传算法(GA)优化KFNN的相关参数,使网络能迅速收敛,提高了运算效率.载荷识别结果显示,改进和优化后的GA-KFNN运行稳定,收敛迅速,具有良好的识别精度和泛化能力,满足工程实际需求.     

面向再入目标跟踪的估计与辨识联合优化算法

准确的弹道系数辨识和精确的目标状态估计是再入目标高精度跟踪与高可靠识别的关键。一方面,状态估计的误差会造成模型参数(弹道系数)的辨识风险;另一方面,模型参数的辨识偏差又会导致模型失配从而降低目标状态的估计精度。因此,需要实现再入目标的状态估计和参数辨识的联合优化。针对再入目标弹道系数未知情形,提出了一种基于期望最大化(EM)框架并采用粒子滤波(PF)平滑器实现的PF-EM联合优化算法。在E步基于粒子平滑器得到目标状态的后验平滑估计,M步采用数值优化算法更新上一次迭代的弹道系数,通过E步和M步的不断迭代,以保证状态估计和弹道系数辨识的一致性。算法仿真对比表明:所提算法的状态估计和参数辨识精度均优于传统的状态增广算法。     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

基于深度学习的发动机叶片故障检测技术

为了解决航空发动机叶片故障检测中存在的检测精度欠佳、检测效率不高的问题,提出了一种基于深度学习的目标检测方法。针对小样本数据集检测精度低、模型训练速度慢等问题,对Faster R-CNN目标检测算法进行结构优化,引入Res2Net结构,通过分割串联的策略强化残差模块的卷积学习能力,搭建了细粒级的多尺度残差模型Res2Net-50,以提升模型的特征提取能力。同时,在网络的训练过程中,采用多次余弦退火衰减法对学习率进行调整,以加快模型的训练速度,提升模型的训练质量。针对航空发动机叶片裂纹和缺损2种故障类型进行网络训练与检测试验,试验结果表明:优化后的模型识别准确率提高了0.7%,模型的平均检测精度提高了1.8%,训练时间缩短了5.56%,取得了比较好的检测效果。     

大涵道比涡扇发动机循环参数优化算法研究及应用

针对多约束条件与多优化变量的大涵道比涡扇发动机循环参数优化问题,提出了自适应三次变异差分进化算法,运用多个Benchmarks多峰函数对算法进行验证,并将该算法与大涵道比涡扇发动机性能计算程序相结合,对多约束条件下的循环参数进行了优化.计算结果表明:自适应三次变异差分进化算法比传统差分进化算法收敛精度更高、收敛速度更快,大幅度提高了大涵道比涡扇发动机循环参数优化效果,适合解决大涵道比涡扇发动机循环参数优化问题.      

气动设计的多目标优化算法比较研究

由于目标函数复杂且流场求解耗时,气动优化设计需要选择搜索能力强且调用目标次数少的优化算法,现有的优化算法种类很多,针对不同类型问题算法性能不同。本文将常用的多目标优化算法进行了分类总结并进行函数测试,判断各个优化算法对不同问题的收敛性和稳定性,找出适合气动优化的多目标优化算法。将该算法应用于气动优化问题当中,进行了针对翼型的气动优化设计,缩短了优化时间,取得了一定的优化效果。     

驾驶员建模精度分析方法的改进及应用

研究了驾驶员建模精度分析方法和提高建模精度的途径。基于驾驶员在环实时仿真结果,识别驾驶员描述函数,按加权最小二乘准则采用复形调优算法识别模型参数。结合两步识别过程,针对现有模型精度公式在最终模型检验上的缺陷,进一步完善了精度评价公式。根据公式提出了基于灵敏度分析的驾驶员模型参数调整方法。应用结果表明：所建立的公式和方法对提高驾驶员模型建模精度效果明显。     

Kriging模型在机翼气动外形优化中的应用

针对粒子群等随机优化算法计算量大的缺点,发展了基于Kriging模型的优化方法.采用改进的量子粒子群算法对Kriging模型的相关模型参数进行优化,以提高代理模型预测精度,并与具有双层结构的粒子群算法相结合.采用雷诺平均N-S方程流场求解器与多目标非线性适应值加权方法,对高维度多目标多约束的跨声速机翼进行了优化,设计的机翼具有理想的压力分布,降低了机翼阻力系数,并且有效控制了低头力矩和翼根弯矩,表明该方法具有较强的工程实用性.     

基于灵敏度分析的可调静叶调节机构运动精度优化

为提升高负荷多级轴流压气机静叶调节机构的运动精度，针对5级联调构型，梳理了37个对调节精度可能存在影响的 参数，提出了一种基于局部灵敏度分析的参数降维预处理优化方法。通过局部灵敏度分析认识各参数对调节精度的影响规律，甄 选重要参数，依靠自主优化程序与多体运动学软件联合的技术途径并采用SQP算法对机构进行优化：仅采用相对灵敏度影响最大 的9个参数进行优化时，调节精度达到0.4020°；采用剔除13个绝对灵敏度最小参数后的参数进行优化时，调节精度优化达到 0.2000°；而采用全部37个参数进行优化后，调节精度依然为0.2000°。结果表明：所提出的降维预处理优化方法能够在保证运动 精度的同时有效减小计算规模，联合优化的方式较传统虚拟样机优化具有更高的精度。     

改进的基于隐马尔可夫模型的自适应IMM算法

针对机动目标跟踪中交互式多模型算法(IMM)的马尔可夫转移概率矩阵固定不变造成跟踪精度降低的问题,在已有的基于隐马尔科夫模型(HMM)的自适应IMM算法的基础上,对隐马尔可夫链的长度和Baum-Welch算法迭代次数的2个参数对该算法跟踪性能的影响,进行了深入研究分析,进一步明确了这2个参数选择的依据;并针对该算法在目标机动转换时峰值误差增大的问题,给出了2种修正方法,从而提出了改进的基于HMM的自适应IMM算法。最后,通过仿真分析了算法的参数和修正方法对跟踪性能的影响,并与传统IMM算法进行对比,证明了文章提出算法的有效性。     

基于目标战略优先级与精度自适应的效能函数的机载多传感器管理

传感器管理在数据融合系统中起着重要作用,机载多传感器系统通常面临着资源受限的状况,如传感器最大跟踪数量小于目标数量,无法保证所有传感器拥有相同精度与参照系等。因此,本文提出了一种基于目标战略优先级与精度自适应的效能函数的多传感器管理算法。首先,将空中目标的自身属性部分量化以得到目标战略优先级;再利用目标的跟踪精度、传感器测量精度和期望的跟踪精度之间的关系,定义了精度预提升矩阵和精度缺乏矩阵。再将上述两部分结合构建目标函数,运用整数线性规划的方法进行优化。最后,仿真试验设置了包括三个机载传感器对4个目标的跟踪任务,对比其他文献中的结果,显示出本文算法更为合理、有效。     

双基角时变下的空间目标BISAR自聚焦算法

以空间目标为研究对象,针对双基地逆合成孔径雷达(BISAR)成像中双基角变化及同步误差导致的二维ISAR像散焦问题,提出了基于粒子群优化(PSO)的非参数自聚焦算法。算法首先将回波中平动和转动及同步误差等因素导致的相位变化项统一建模,其次将二维图像对比度最大作为优化目标,利用PSO算法对所有高次项相位进行整体优化估计,然后对高阶相位项进行补偿,最后基于补偿后剩余的一阶线性相位项进行方位压缩得到目标的二维ISAR像。算法可解决参数相位误差估计法中因模型误差导致的聚焦精度下降问题,同时也降低了BISAR自聚焦算法的复杂度。通过与参数法自聚焦算法的性能进行对比仿真实验,验证了算法的有效性。     

基于序贯关联算法的多目标无源跟踪

基于序贯关联算法,对多目标无源跟踪问题进行了研究。在只有角度信息可以利用的情况下,首先,利用波门技术对各个无源传感器角度测量数据进行关联和滤波,形成参数航迹;然后,将各个无源传感器的参数航迹送到融合中心进行关联配对,并在关联过程中通过构造关联质量函数对参数航迹的关联历史情况进行度量,解决参数航迹关联模糊问题;最后,通过对关联成功的参数航迹进行交叉定位,给出多个不同目标的位置信息,实现分布式无源系统对多目标的数据关联和跟踪,并通过仿真分析,对算法的有效性和可行性进行验证。     

具有自动回溯的机动目标航迹精细化分段识别

机动目标航迹分段识别是判断目标行为意图的基础,然而现有航迹分段算法对模式变化检测能力弱,难以满足机动目标航迹快速精细化分段的需求。提出双层精细化航迹分段框架,预分段层检测目标运动过程中的模式切换,确定模式变化明显的预分段区,得到目标模式变化明显区域的预分段点;再分段层对模型差异小的非预分段区航迹进行回溯迭代优化再分段,得到更为精细的分段点。该框架具有从粗到精的航迹分段处理能力,实现了对于机动目标航迹的精细化分段识别。选取两个典型的目标机动仿真场景验证了所提算法的有效性,不仅减少了迭代优化时间,而且提高了分段识别精度。     

基于粒子群优化算法的永磁电机热网络参数识别

监测永磁电机的永磁体温度对于保证电机的使用寿命至关重要,因为过高的温度会产生永磁体不可逆失磁现象。提出了一种基于粒子群优化算法的永磁电机热网络参数识别方法,实现用热网络监测永磁体的温度。该方法首先建立永磁电机的热网络模型,利用粒子群优化算法结合电机温升试验所得温度数据对热网络模型的主要热力参数进行识别；然后利用该热网络模型进行在线温度识别,识别过程能够快速收敛,具备良好的辨识精度；最后,通过对比仿真识别温度和电机温升试验数据,验证了该方法的准确性。