基于多信号流图的诊断贝叶斯网络建模

多信号流图与贝叶斯网络是两种不同的建模方法,对两种建模方法的异同分析表明多信号流图到贝叶斯网络的转化是可行的.为了降低诊断贝叶斯网络模型的开发费用,提出了一种基于多信号流图的诊断贝叶斯网络建模方法,从模型结构和模型参数两个方面论述了多信号流图向诊断贝叶斯网络的转化方法.依据该方法生成的诊断贝叶斯网络模型具有应对复杂系统故障诊断的证据冲突及不确定性问题的优点.实验证明所获得的诊断贝叶斯网络模型的诊断准确性与多信号流图模型一致.     

测试不可靠条件下多故障诊断方法

针对部队复杂系统故障诊断中存在的诊断精度低,虚警率高等问题,提出一种测试不可靠条件下多故障诊断方法.为解决系统诊断贝叶斯网络结构和概率映射表建立困难的问题,通过建立系统的多信号流图模型,从而获得系统诊断贝叶斯网络.将测试不可靠度引入概率映射表,增加了算法工程应用中的鲁棒性.利用后验概率诊断推理将问题归结为不等式约束极值问题,采用0-1规划隐数法对不等式极值问题求解,从而获得最优解.以某型导弹制导系统电子部件为例,验证了该方法对复杂系统多故障诊断的有效性.      

使用贝叶斯网评估基础软件平台的互操作性

互操作性是当前软件最重要的特性之一.通过分析问题域,结合贝叶斯网的特征域,提出使用贝叶斯网来解决基础软件平台的互操作性评估问题.首先根据问题域选取贝叶斯算法,并收集实际数据以引入与问题相关的领域知识.根据所选取的算法构造互操作性的贝叶斯网结构,并且进一步学习此结构的参数.在此过程中,对选取的K2算法进行改进.然后,利用贝叶斯推理来根据互操作性的结构和参数得出评估对象的互操作性等级.最后,一个实例讲述了方法具体的应用过程.实验结果证明了方法的合理性.     

知识与数据融合的可靠性定量模型建模方法

可靠性定量设计的关键是建立可靠性定量模型。现有的可靠性定量模型建模方法主要基于设计人员对产品对象故障规律的知识,包括故障模式、环境扰动、故障机理等。但知识固有的有限性和不完整性必然会给可靠性定量模型带来模型误差和输入参数的不确定性。针对这个问题,提出了基于贝叶斯理论融合知识和数据的可靠性定量模型建模方法,量化并更新模型误差和输入参数的不确定性。为此,首先说明了知识与数据融合的可靠性定量模型建模工作,建立了知识与数据融合的可靠性定量模型建模框架;接着阐述了基于贝叶斯理论的知识与数据融合原理;然后介绍了基于贝叶斯理论融合知识与数据的通用方法,并分别针对性能波动数据和性能退化数据2种常见数据类型进一步详细讨论了各自适用的贝叶斯融合方法;最后通过机载轴向柱塞泵的案例验证了前述方法的可行性和有效性。      

基于Bi-LSTM及贝叶斯似然比检验的GEO与LEO卫星组合频谱感知

目前的频谱感知算法以模型驱动为主，其感知性能过于依赖预定的统计模型，这使得其在信道环境复杂的卫星通信场景中的部署变得困难。对LEO卫星过境期间的信噪比波动情况进行分析，结果显示信噪比的波动达到14 dB。针对该复杂场景提出了一种基于双向长短期记忆网络及贝叶斯似然比检验联合的频谱感知算法。该算法不需要任何主信号的先验知识，可自动从主信号中学习隐藏特征并做出决策。基于Neyman-Pearson准则，在神经网络输出端设计了一种基于阈值的检测方案，可方便地控制恒定的虚警概率。仿真结果表明，所提算法在信噪比为–14 dB的情况下，仍能达到83%的检测性能，且始终优于卷积神经网络、多层感知机和基于模型驱动的能量检测算法。     

ADS与多雷达数据融合中的系统误差配准法

对空中交通管制中自动相关监视(ADS)与现有多雷达监视系统进行数据融合的模型进行了分析,在现有多雷达数据处理(MRDP)系统误差配准方法的基础上设计了一种利用最小平方估计(LSE)准则实现的ADS与雷达的系统误差配准算法,给出了其最优解.利用我国西部航路模拟航路点数据进行了系统仿真,仿真结果的分析表明,通过该方法的配准,ADS和雷达数据融合中的系统误差得到了有效的消除,提高了综合监视精度.     

基于多信号流图与分支定界算法的故障诊断

针对实时在线故障诊断问题,提出了一种基于多信号流图和分支定界算法的故障诊断方法。通过建立多信号流图模型生成相关矩阵作为诊断知识,进而由相关矩阵以及观测向量产生冲突集,使最小诊断集的求解过程映射为整数规划问题;采用分支定界算法,通过对冲突集的分支、定界以及剪支得到故障诊断的最优解,从而避免了穷举问题造成的搜索"爆炸"。以某型机载燃油系统为对象对本文提出的算法进行了验证。结果表明:本文算法与常用的多信号流图诊断推理算法TEAMS-RT相比,算法速度相当,故障定位精度更高,很好地涵盖单故障以及多故障组合,可以胜任大规模复杂系统的故障诊断。      

基于多信号流图的分层系统测试性建模与分析

为了对分层系统进行测试性分析,提出基于多信号流图模型的分层系统测试性建模与分析方法.该方法利用多信号流图模型建立分层系统的层次结构模型,进行测试性分析时,首先利用相关性模型法对顶层模型进行测试性分析,当层次性模块与其它模块不能区分时,再利用相关性模型法对模糊组进行测试性分析,最终实现对分层系统的诊断设计.最后,利用某具有层次性结构的滤波放大器电路对该方法进行了验证,试验结果证明,该方法对于分层系统的测试性建模与分析是有效的,能够为分层系统制定有效的诊断策略.      

产品协同设计中异构模型数据融合的有效策略

针对复杂产品设计中，不同设计工具产生的模型数据之间的融合问题，提出了一种工具间端到端的异构模型数据融合策略。利用数据库管理动态特性，通过模型信息共享，实现异构模型数据之间的融合。在OpenMBEE系统集成环境中，通过建模工具CREO二次开发，利用所提策略获取全生命周期设计中的动态模型属性信息，通过3D模型编辑及重用功能测试，验证了所提策略的有效性。利用自动获取可视化模型属性信息的智能算法，设计一种基于Transformer模型与双向长短期记忆(Bi-LSTM)模型相结合的模型属性智能提取算法，利用神经网络的多层感知特性，通过对模型中属性文本信息进行深度学习、特征分析，实现了对异构数据属性信息的自动提取功能。利用CAMEO建模工具设计的需求分析模型构建模型数据集，验证了智能模型信息自动提取功能的有效性。      

基于深度学习的大型陨石坑识别方法研究

陨石坑是天体表面最为显著的地形特征，传统陨石坑识别方法主要是对小型陨石坑正负样本的二分类问题研究，且效率和精度均不高。以星体宏观视角下的大型陨石坑作为研究对象，结合图像处理和神经网络等方面的知识，创建了来自不同数据源的陨石坑样本数据库，研究了数据源对网络模型泛化能力的影响，提出了一种效率更高的陨石坑多分类识别方法。在非极大值抑制（NMS）算法基础上，提出了一种精度更高的陨石坑检测算法。经过参数优化和实验验证，构建的基于深度学习的多尺度多分类陨石坑自动识别网络框架取得了较高的准确率，在同源验证集上识别率可达0.985，在异源验证集上识别率可达0.863，并且有效改善了目标检测时检测框冗余及误检测的问题。      

基于贝叶斯网的业务端编程方法

针对现有的业务端编程方法缺乏对于没有软件开发背景的最终用户的指导机制,提出了一种基于贝叶斯网的业务端编程方法.首先提出了一种基于贝叶斯网的最终用户编程基本框架,然后基于贝叶斯网结构学习方法和过程日志建立了用来支撑业务端编程的领域专家系统,在此基础上提出了以领域专家系统为核心的启发式业务端编程方法.该方法在编程过程中依赖领域专家系统对最终用户推荐业务活动,提供实时指导,帮助最终用户逐步完成应用系统的构造.最后对该方法的有效性进行了定性的评估和分析,结果表明,基于贝叶斯网的业务端编程方法可以在一定程度上提高最终用户编程的效率.     

基于集成学习的遥测数据互相关结构知识发现

针对传统遥测数据相关性分析方法仅能发现相关程度知识，无法提供相关结构丰富信息的问题，提出一种神经网络与极限梯度提升（XGBoost）集成的遥测数据互相关结构知识发现方法。在对遥测时间序列进行线性、单调性、序对一致性、散点图形状4个维度相关结构信息标注的基础上，将混合采样、代价矩阵、神经网络、XGBoost算法相结合，直接对遥测数据进行分类得到其相关结构类别或相关关系有无的知识。采用量子卫星任务数据进行实验的结果表明:较之于原始XGBoost模型、融合混合采样与代价矩阵的XGBoost模型，所提方法在受试者工作特征（ROC）曲线、F1-score等性能指标方面具有更高的分类精度，且对类别不平衡数据不敏感，是一种适用于遥测数据互相关结构知识发现的有效方法。      

基于深度强化学习的软件定义卫星姿态控制算法

深度强化学习（DRL）作为一种新型的基于机器学习的控制算法,在机器人和无人机等智能控制领域展现出了优异的性能,而卫星姿态控制领域仍然在广泛使用传统的PID控制算法。随着卫星的小型化、智能化以至软件定义卫星的出现,传统控制算法越来越难以满足姿态控制系统对适应性、自主性、鲁棒性的需求。因此对基于深度强化学习的姿态控制算法进行了研究,该算法使用基于模型的算法,比非基于模型的算法拥有更快的收敛速度。与传统控制策略相比,该算法无需对卫星的物理参数和轨道参数等先验知识,具有较强的适应能力和自主控制能力,可以满足软件定义卫星适应不同硬件环境,进行快速研发和部署的需求。此外,该算法通过引入目标网络和并行化启发式搜索算法之后,在网络精度和计算速度方面进行了优化,并且通过仿真实验进行了验证。      

神经网络专家系统在姿控系统诊断中的应用

为了解决传统专家系统在知识获取和推理方面的问题,提出了一种神经网络和专家系统相结合的诊断系统。采用主成分分析方法简化神经网络训练样本,进而优化网络的结构。采用神经网络集成技术,克服选取网络中间层节点数目及判断阈值的困难。给出了诊断推理过程和对诊断结果进行解释的方法。把此技术应用在了卫星姿控系统的故障诊断中,结果表明提高了诊断效率和诊断的正确率。     

利用神经元拓展正则极端学习机预测时间序列

为实现对于时间序列预测数据的准确预测,提出一种神经元拓展正则极端学习机(NERELM,Neuron-Expanding Regularized Extreme Learning Machine),并研究了其在时间序列预测中的应用.NERELM根据结构风险最小化原理权衡经验风险与结构风险,以逐次拓展隐层神经元的方式自动确定最佳的网络结构,以避免传统神经网络训练过程中需人为确定网络结构的弊端.应用于时间序列的仿真结果表明:NERELM可有效实现对于RELM最佳网络结构的自动确定,具有预测精度高与计算速度快的优点.      

Deep learning-based framework for monitoring of debris-covered glacier from remotely sensed images

In recent years, deep learning (DL) methods have proven their efficiency for various computer vision (CV) tasks such as image classification, natural language processing, and object detection. However, training a DL model is expensive in terms of both complexities of the network structure and the amount of labeled data needed. In addition, the imbalance among available labeled data for different classes of interest may also adversely affect the model accuracy. This paper addresses these issues using a new convolutional neural network (CNN) based architecture. The proposed network incorporates both spatial and spectral information that combines two sub-networks: spatial-CNN and spectral-CNN. The spectral-CNN extracts spectral information, while spatial-CNN captures spatial information. Moreover, to make the features more robust, a multiscale spatial CNN architecture is introduced using different kernels. The final feature vector is formed by concatenating the outputs obtained from both spatial-CNN and spectral-CNN. To address the data imbalance problem, a generative adversarial network (GAN) was used to generate data for the underrepresented class. Finally, relatively a shallower network architecture was used to reduce the number of parameters in the network and improve the processing speed. The proposed model was trained and tested on Senitel-2 images for the classification of the debris-covered glacier. The results showed that the proposed method is well-suited for mapping and monitoring debris-covered glaciers at a large scale with high classification accuracy. In addition, we compared the proposed method with conventional machine learning approaches, support vector machine (SVM), random forest (RF) and multilayer perceptron (MLP).