膜内麻雀优化ELM的软件缺陷预测算法

原始麻雀搜索算法存在寻优精度低、迭代后期容易陷入局部极值的问题,结合高效寻优性能的改进麻雀搜索算法和具有并行计算能力的膜计算,提出一种膜内麻雀优化算法(IMSSA)。在10个CEC2017测试函数上的实验结果表明,IMSSA具有更高的寻优精度。为进一步验证IMSSA的性能,使用IMSSA优化极限学习机(ELM)参数,提出一种膜内麻雀优化ELM(IMSSA-ELM)算法,并将其应用于软件缺陷预测领域。实验结果表明：在15个公开的软件缺陷数据集中,IMSSA-ELM算法预测性能在G-mean、MCC这2个评价指标下明显优于其他4种先进的对比算法,表明IMSSA-ELM算法具有更好的预测精度和稳定性,其实验结果在Friedman ranking和Holm’s post-hoc test非参数检验中具有明显的统计显著性。     

基于Catmul-Rom几何样条的过渡曲面构造

给出了基面为（Ｇ１,Ｋ＝１）Ｃａｔｍｕｌ－Ｒｏｍ或（Ｇ２,Ｋ＝２）Ｃａｔｍｕｌ－Ｒｏｍ几何样条曲面的五次（Ｇ２连续）及三次（Ｇ１连续）超限插值过渡曲面的方法。     

基于半监督极限学习机的控制力矩陀螺新奇性故障检测

控制力矩陀螺是现代航天器的重要执行部件,可以通过检测控制力矩陀螺的运行情况实现航天器运行状态的实时监测。但是在航天器实际飞行中,飞行故障发生的情况很少,在故障检测时往往因为故障数据缺失或者不足导致结果不准确,因此本文使用基于半监督极限学习机的新奇性故障检测解决控制力矩陀螺转子故障检测问题。新奇性故障检测方法针对故障类型缺失或者不足的情况,通过构建已知类型数据的训练模型来判断未知类型数据的类型,同时半监督极限学习机具备了参数设置少、网络训练速度快的优点,能够对故障进行实时检测。本文同时使用了变分模态分解和奇异值分解方法处理控制力矩陀螺转子的振动加速度数据。实验结果证明该方法能够有效处理控制力矩陀螺转子故障数据类型缺失时的检测问题。     

一种基于间接健康因子的锂离子电池剩余使用寿命预测方法

针对锂离子电池实际运行过程中容量数据无法在线获取,退化特征存在局部再生现象,剩余使用寿命（RUL）无法通过单一模型准确预测的问题,提出一种基于间接健康因子（HI）的锂离子电池RUL预测方法。首先根据在线数据构建并筛选最优的HI,然后建立基于遗传算法优化的极限学习机（GA-ELM）关系模型,再通过变分模态分解（VMD）解耦间接HI各分量,并通过相关向量机（RVM）进行趋势跟踪与预测,最后将预测结果输入到GA-ELM关系模型中得到电池容量预测值。与NASA PCoE数据集的验证对比表明,文章所用方法在趋势预测和RUL预测结果上均优于其他对比方法,可以实现锂离子电池RUL的准确预测。     

基于PCA-MPSO-ELM的空战目标威胁评估

目标威胁评估是空战对抗过程中的关键环节。由于影响空战目标威胁评估的因素复杂多样，且指标之间存在相关性，导致传统的评估算法无法得到准确客观的评估结果。由此，提出了一种基于主成分分析法和改进粒子群算法优化的极限学习机（PCA-MPSO-ELM）的目标威胁评估算法。首先，综合分析了影响目标威胁程度的指标，利用主成分分析法对原始评估指标进行线性变化处理得到综合变量，消除了评估指标之间的相关性，实现了对评估数据的降维；在此基础上，构建ELM神经网络并利用改进的粒子群算法优化极限学习机的输入权值和阈值，提高了目标威胁评估模型的精度。最后，在空战训练测量仪中选取空战对抗数据，利用威胁指数法构造了目标威胁评估样本数据，通过仿真实验分析了PCA-MPSO-ELM算法的精度和实时性，结果表明所提算法可以快速准确地进行空战目标威胁评估。     

应用深度核极限学习机的航空发动机部件故障诊断

运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。     

基于粒子群优化核极限学习机的北斗超快速钟差预报

针对卫星钟差序列中非线性特性较为复杂和超快速钟差预报精度较低的问题，将核极限学习机算法引入到北斗超快速钟差预报中。首先，将极限学习机进行优化，引入粒子群优化算法来选择核极限学习机所需的核参数和正则化参数；然后，将优化后的方法应用到超快速钟差预报中，并给出了利用该方法进行超快速钟差预报的步骤；最后，在分析iGMAS提供的实测北斗超快速钟差数据的基础上，选用单天和多天数据进行短期预报。结果表明：在短期预报6h范围内，利用本文提供的优化方法解算得到的超快速钟差预报精度明显优于二次多项式模型和周期项模型，并且采用此方法得到的超快速钟差预报产品与iGMAS提供的超快速钟差预报产品(ISU-P)相比，GEO、IGSO和MEO卫星的预报精度分别提升了50.51%、46.98%、40.67%，其与最终精密钟差的符合程度显著 增强 。     

基于K-均值聚类与粒子群核极限学习机的推力估计器设计

鉴于航空发动机直接推力控制与健康管理需要高精度及高实时性的推力估计器,提出了一种基于K-均值聚类与粒子群优化的核极限学习机推力估计方法。采用K-均值聚类对全工况范围内的测量数据进行聚类,在每一个子类中,通过核极限学习机建立推力估计器,采用粒子群算法对核极限学习机的核参数和惩罚系数进行优化,利用了核极限学习机稳定性好、非线性拟合能力强的特点,实现了对发动机推力的估计。经涡扇发动机台架试车数据训练与测试表明,本推力估计方法平均预测时间为0.27ms,实时性满足机载在线状态评估和直接推力控制需求,且在估计精度上较现有方法存在一定优势。     

颠覆传统的《超限战》台湾人眼中的新版《超限战》

1999年1月17日，由中国人民解放军两位大校齐良与王湘穗执笔，解放军出版社出版可《超限战》一书，经过将近七载的时光，中国社会出版社于2005年9月出版了全新的《超限战》，新书是作者对全世界这数年时光中对“超限战”看法与评价的变动，以及收录了数篇相关的答辩文章，本书作者认为：“但对于正文，我们决定不做任何的改动。一是我们只能尊重历史，二是现在看来，我们当初所写的东西，6年后仍没有什么需要改动的之处——它的脉息还在与历史同步。”[编者按]     

基于粒子群核极限学习机的涡扇发动机加速过程模型辨识

针对解析法建立涡扇发动机加速过程模型精度和实时性不高的问题,提出了一种基于粒子群核极值学习机(PSO-KELM)的涡扇发动机加速过程模型数据驱动辨识方法,构建涡扇发动机加速过程模型,结合加速过程试车数据,利用PSO-KELM方法对该加速模型进行辨识。试验结果表明:低压转子转速、高压转子转速和低压涡轮出口燃气总温都较好地逼近了试车数据,最大相对误差均值分别为1.013%,0.355%和1.055%,平均计算时间为0.04ms。精度和实时性均优于反向传播神经网络和粒子群支持向量回归方法,可用于发动机状态监控和性能优化控制。