奇异谱分析在故障时间序列分析中的应用

由于日益增长的飞行安全和飞机维护质量需求,飞机使用可靠性已经成为一个重要的研究领域。从某航空公司波音737飞机使用过程中现场所记录的18年的故障数据出发,应用奇异谱分析（SSA）方法,对故障时间序列进行了建模和预测,进一步以预测结果的均方根误差（RMSE）最小为优化目标对SSA模型参数进行了优选。在此基础上,提出了一种更为广泛的模型组合方法和实现算法,这种方法采用不同的时间序列模型来构造SSA分解出的趋势、周期和残差等成分。通过与三次指数平滑（Holt-Winters）、自回归移动平均（ARIMA）2种时间序列模型的实验结果对比,SSA及其参数优选和模型组合方法在故障时间序列分析中具有更好的拟合和预测精度。      

二维类间边界Fisher分析的多元时间序列降维

针对传统边界Fisher分析及相关方法用于多元时间序列降维的局限性，提出一种基于二维类间边界Fisher分析的多元时间序列降维方法。针对边界Fisher分析进行模型改进，在本征图和惩罚图的基础上引入类间惩罚图，用来描述各个类中心之间的距离，并对目标函数进行改进，提出类间边界Fisher分析模型；对所提模型进行二维化拓展，提出基于二维类间边界Fisher分析的降维模型，使其能够直接处理二维矩阵数据，有效保留结构信息；通过计算协方差矩阵将多元时间序列集转化为等长特征集，利用降维模型将等长特征集投影到低维空间，达到数据降维和特征表示的目的。实验结果表明：所提方法能够有效对多元时间序列进行降维，达到良好的分类效果。     

特征点分段提取的时间序列模式匹配方法

常用的时间序列模式匹配方法难以平衡计算复杂度与匹配精度，针对该问题，提出了一种特征点分段提取的时间序列模式匹配方法。提取时间序列每个变量维度上的特征点，降低序列长度；将特征点序列转化为分位点矩阵，利用欧氏距离对分位点矩阵进行相似性度量；在几组时间序列数据集上对所提方法进行分类实验。结果表明：所提方法在降低计算复杂度的同时，获得了较高的匹配精度。     

基于符号化表示相似度度量的卫星多元工程参数异常检测

随着卫星系统复杂程度的日益增加,综合分析卫星多元参数之间的相关性异常对于卫星安全运行和空间任务的正确执行具有重要意义。利用某卫星工程参数数据,基于符号聚合近似算法（SAX）,研究卫星多元工程参数的异常检测问题,解决了当前异常检测方法中多元参数融合时不考虑上下文信息造成信息丢失的问题,实现多元参数有效融合,形成一种优化的基于快速动态时间规整算法（Fast-DTW）的异常检测算法。研究结果表明,模型在某卫星电源子系统的异常检测过程中,recall,precision和F1 score分别为0.947,0.9和0.923,能够实际应用于卫星异常检测,提高卫星在轨运行的安全性。     

基于EMD的MEMS陀螺仪随机漂移分析方法

为了抑制微机械电子系统（MEMS）陀螺仪的随机漂移，基于经验模态分解（EMD）和模态集合选择标准，结合时间序列建模滤波法，提出了一种改进的MEMS陀螺仪随机漂移分析方法。首先，通过EMD将MEMS陀螺仪原始数据分解为多个本征模态函数（IMF），利用模态集合选择标准将IMF分为噪声IMF、噪声与信号混合IMF和信号IMF三类；然后，对混合IMF进行重构、时间序列建模及自适应卡尔曼滤波（AKF）；最后，将3类信号重构，实现MEMS陀螺仪信号去噪。实验表明:所提方法有更好的去噪效果和实时性，提高了MEMS陀螺仪的使用精度。      

基于多元KELM的发动机状态在线预测模型

针对当前飞机发动机状态预测过程中，不考虑相关变量状态变化，仅根据单变量历史时间序列对飞机发动机状态预测的问题，提出一种基于多元核极限学习机（KELM）的发动机状态在线预测模型。首先，通过多变量时间序列的相空间重构，将变量间的时间相关性转化为空间相关性；其次，通过研究KELM与核递归最小二乘法（KRLS）之间的关系，将KRLS扩展到在线稀疏KELM框架中；最后，使用近似线性依赖对样本进行稀疏化来控制网络结构的增长，最终实现多变量非平稳序列的在线预测。某型教练机的发动机飞行参数预测结果表明:满足在线预测要求的条件下，与KB-IELM、NOS-KELM、FF-OSKELM相比，模型KRLSELM将平均预测精度提高了90.61%、58.14%和25.77%，将预测稳定性提高了99.61%、75.03%和28.59%，具有更高的预测精度和稳定性；并且各方法均在多变量输入条件下获得最优的预测效果，验证了考虑多变量状态因素对单变量的在线预测具有重要意义。      

一种改进的近似支持向量机算法

标准近似支持向量机受类别差异影响和噪声、野值数据干扰较重,使得分类能力不高.提出一种改进的近似支持向量机算法——加权近似支持向量机,通过为不同类别设定不同的惩罚参数和为每个样本引入模糊隶属值,有效补偿类别差异带来的倾向性并去除噪声和野值数据的影响.模糊隶属函数的选取采用样本与类中心的距离和样本紧密度的加权平均值计算,以有效去除噪声和野值数据的干扰.经过分析,改进后的算法可近似归结为一种岭回归模型.实验表明,与标准近似支持向量机相比,该算法有更好的分类能力.      

基于LSTM循环神经网络的故障时间序列预测

有效地预测使用阶段的故障数据对于合理制定可靠性计划以及开展可靠性维护活动等具有重要的指导意义。从复杂系统的历史故障数据出发,提出了一种基于长短期记忆（LSTM）循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。      

遥测伪周期时间序列子序列异常检测算法

针对现有异常检测算法用于伪周期时间序列异常序列检测时易造成误差累积,导致序列周期与特征值上显著差异的不足,文章以卫星遥测伪周期时序数据为对象,综合两种常规分段方法的优势,提出了最大周期窗宽内基于极值的模式子序列分段算法。在此基础上,给出了一种基于均序列动态生成模型的子序列异常检测方法（AnomalySubsequenceDetectionmethodbasedonOptimizedSequenceModel,ASD_OSM）,并采用2次四分位距准则（DoubleQuantilerangescriterion,2Q准则）设置距离检测门限阈值,将超出阈值的序列判定为异常序列。某航天器传感器遥测子序列异常检测试验结果表明,提出的检测方法能够有效减少漏判,提高卫星遥测伪周期数据异常序列检测的准确性。     

基于自编码器和HMM的民机接地点远事件检测

已有的飞行品质监控（FOQA）标准仅由地速的积分距离判定接地点远事件（LTE）的发生,无法结合多个快速存取记录器（QAR）参数检测并解释发生该事件的原因。通过滑动窗口对包含多个参数的QAR样本进行分段,按照分段位置形成若干分段样本集。由长短时记忆网络（LSTM）自编码器得到QAR样本分段及分段内向量的特征表示,采用K-means分别对这些表示向量进行聚类处理,实现QAR样本及其分段的符号化。使用正常航班QAR样本集的符号序列建立隐马尔可夫模型（HMM）,以检测包含接地点远事件的航班。由发生及未发生接地点远事件的QAR样本各个分段的符号序列构建HMM后,采用Viterbi算法确定接地点远事件在QAR样本分段内的具体位置。在真实QAR数据集上的实验结果表明,与其他多维时间序列异常检测方法相比,所提方法不仅能有效检测接地点远事件,而且可以获得多个QAR参数的异常值,辅助领域专家分析发生该事件的原因。      

基于"序列相对贴近度"的组合预测权值分配

在时间序列的组合预测权值分配问题上,为克服传统的均方误差倒数加权、熵权和最优化方法之不足,从预测值序列与评价样本序列间的贴近性出发,提出新方法综合衡量单一参与模型的适用性,并据此分配权值.详细给出了序列相对贴近度(SRND,Sequence Relative Nearness Degree)及与之相关的"序列趋势关联度"和"尺度区间熵"的概念,并提出基于SRND的权值分配方法.将SRND权值分配方法应用于航空发动机排气温度裕度参数时间序列的联合自回归滑动平均模型、函数系数自回归模型和径向基函数网络预测,有效地提高了预测准确度,获得优于均方误差倒数加权和熵权方法的组合性能,且运算量远小于最优化方法.     

利用人工神经网络预测电离层f_0F_2月中值

提出了利用人工神经网络技术预测电离层临界频率月中值的方案．在利用人工神经网络技术研究电离层月中值隔月变化规律的基础上,考虑足够的周年和黑子周期变化的数据训练网络,使 ｆ０Ｆ２月中值预测值与实测数据比较平均误差为 ０．３４ＭＨｚ,预测精度有了较大改进．最后采用分形学的基本理论得到电离层 ｆ０Ｆ２月中值的分数维为 ３,选用 ３个输入量,分别预测高、低年 ｆ０Ｆ２月中值,与实测数据比较平均误差为 ０．３ＭＨｚ．     

On the clustering of foF2 time series corresponding to disturbed ionospheric periods

This paper presents an analysis of a set of time series that represent foF2 disturbances during storm conditions, using clustering tools. The time series under study have been drawn from ionospheric observations obtained from eight European middle latitude ionosondes during a significant number of storm-time intervals and they are divided into eight groups according to the latitude (middle to low and middle to high) and the local time of the observation point at storm onset (afternoon, evening, morning, prenoon). The time series in each group have been analyzed using clustering-based methods. Specifically, each time series has been represented using two different ways of representation: the first is the raw representation while the second is through the parameters of the autoregressive (AR) model that best represents it. For each representation a hierarchy of clusterings is produced via the complete link algorithm. The two produced hierarchies are combined to a single one and the final clustering results are extracted from the produced hierarchy. The obtained results are in close agreement with the theoretical formulations concerning ionospheric storm effects at middle latitudes. In addition, they may be proved useful in the development of more accurate ionospheric forecasting methods.     

基于对抗和迁移学习的灾害天气卫星云图分类

针对卫星云图中的灾害天气数据存在严重不平衡问题，提出一个结合生成对抗学习（GAN）和迁移学习（TL）的卷积神经网络（CNN）框架以解决上述问题进而提高基于卫星云图的灾害天气分类精度。该框架主要包含基于GAN的数据均衡化模块和基于迁移学习的CNN分类模块。上述2个模块分别从数据和算法层面解决数据的类间不平衡问题，分别得到一个相对均衡的数据集和一个可在不同类别数据上提取相对均衡特征的分类模型，最终实现对卫星云图的分类，提高其中灾害天气的卫星云图类别分类准确率。与此同时所提方法在自建的大规模卫星云图数据上进行了测试，消融性和综合实验结果证明了所提数据均衡方法和迁移学习方法是有效的，且所提框架模型对各个灾害天气类别的分类精度都有显著提升。      

基于块对角投影表示的人脸识别

针对大多数特征表示算法在挖掘高维数据内在结构时容易受到噪声的影响，以及特征学习与分类器设计割裂导致分类性能降低的问题，提出了一种新的基于特征表示的人脸识别方法，称为块对角投影表示（BDPR）学习。首先，利用样本信息对每类样本的编码系数施加一个加权矩阵，通过局部约束来加强表示系数之间的相似性，从而降低噪声对系数学习的影响，使所提方法能够更好地保持数据的局部结构。其次，为了实现数据与编码系数相关联，降低表示系数的学习难度，构造了块对角化判别约束项来学习一个判别投影，通过投影从低维数据中提取样本表示系数，使系数包含更多的样本间全局结构信息且具有更低的计算复杂度。最后，将系数学习和分类器学习整合到同一框架下，同时增大不同类别样本间的“标签距离”，采用迭代求解的方式交替更新判别投影和分类器，最终得到最适合当前表示特征的分类器，使得所提方法能自动完成分类。多个公开的人脸数据集上的实验结果表明:较之传统的协作表示分类和多个主流的子空间学习方法，所提方法均取得了更优的识别效果。      

基于蒙特卡罗频率法的葡萄籽总酚含量高光谱测量变量选择

在利用高光谱建立葡萄籽总酚含量的预测模型中,为解决变量过多、模型复杂度高等问题,需依据光谱特点进行有效地数据降维。提出了一种蒙特卡罗频率法（MCF）对高光谱数据进行波长选择,并建立了葡萄籽总酚的支持向量回归（SVR）预测模型。该方法首先采用蒙特卡罗采样（MCS）选择波长子集;然后建立大量SVR子模型,并选出均方根误差（RMSE）较小的子模型,统计每个波长出现的频次;最后根据指数递减函数确定波长个数,选取频次最高的波长子集作为特征波长。结果表明,采用MCF可以在降维的同时提高模型的预测性能,波长数目由原始的196个减少到9个,波长范围均在950~1 400 nm,RMSE值从0.42减少到0.37,预测精度优于SPA等其他波长选择方法。因此,提出的基于MCF在高光谱数据处理中能有效选择特征波长,为准确建立预测模型提供了一种有效的方法。      

基于GM(1,1)与灰区间估计的SPE通量水平长期预测

太阳质子事件（SPE,Solar Proton Events）是干扰日地空间最主要的源,大规模质子事件会影响在轨空间站实验设备的可靠性,有时甚至会威胁空间站的安全运行.提出一种基于灰色GM（1,1）和区间估计太阳质子事件预测方法;首先对1976—2010年SPE通量水平数据进行预处理,分别建立以发生时间为序列的一般SPE通量序列与极端SPE通量序列;之后将灰色GM（1,1）与区间估计相结合建立预测方法,融合反映一般SPE通量水平随周期性波动的活跃性调节系数,建立SPE通量水平长期预测模型;然后叠加不同SPE类型所得结果合成预测年份的SPE通量水平,给出未来一年或几年间SPE通量水平的变化范围;最后选取1976—2010年太阳质子事件年均值数据,分多批次预测1996—1998年和1999—2001年等SPE通量均值区间,结果表明各年实际发生SPE的通量均值均位于预测区间内,并且多年预测区间偏差最大值小于26%,实验结果还表明单次预测时长以2~3年为宜.