航空发动机MTBF的Bayes评估

针对航空发动机的试验样本量和故障数据少，采用传统的数学平均值法对其平均故障间隔时间（MTBF）评估不能反映其真实可靠性水平的问题，基于Bayes理论，把历史试验数据视为先验信息，采用矩等效方法确定先验分布，然后通过Bayes理论综合现场试验数据，建立了一种基于Bayes理论的航空发动机MTBF评估方法。该方法可以扩大MTBF评估所需的信息量。采用所提出的Bayes方法对某航空发动机MTBF进行评估，得到其MTBF评估值为302.68h，比采用数学平均值法约提高了18.7%，评估结果更符合实际。表明该方法可应用于航空发动机MTBF的评估。      

三维模型在SAR图像自动目标识别中的应用

提高高分辨率SAR图像在复杂战场环境中的目标识别能力,对防御未来战争中来自地面目标的威胁具有重要意义。针对地面特定目标的大小、方位、旋转等变化以及强杂波背景给目标识别带来的严重影响,提出将目标的三维模型投影到二维平面,采用余弦傅里叶矩和瑞利分布的CFAR检测方法分别对其矩特征和峰值特征进行提取,利用级联组合分类器对目标识别进行建模分析,并通过试验验证该方法的有效性。结果表明:该方法实现了在特征维数高和姿态变化下的目标识别,而且无需额外增加对制导控制系统的开销。     

Bayesian uncertainty analysis of SA turbulence model for supersonic jet interaction simulations

The Reynolds Averaged Navier-Stokes(RANS) models are still the workhorse in current engineering applications due to its high efficiency and robustness. However, the closure coefficients of RANS turbulence models are determined by model builders according to some simple fundamental flows, and the suggested values may not be applicable to complex flows, especially supersonic jet interaction flow. In this work, the Bayesian method is employed to recalibrate the closure coefficients of Spalart-Allma...     

基于VBGMM-DCNN的列车卫星定位欺骗干扰检测方法

面向基于全球导航卫星系统的铁路列车定位实施欺骗干扰的主动检测，在卫星定位解算层次，运用深度学习建模学习方法的优势，提出一种基于变分贝叶斯高斯混合模型-深度卷积神经网络（variational Bayesian Gaussian mixture model-deep convolutional neural network, VBGMM-DCNN）的列车卫星定位欺骗干扰检测方法。该方法首先提取能够充分体现欺骗干扰对定位解算过程作用影响的卫星观测特征参数，构建干扰检测特征矢量；然后，采用VBGMM模型拟合经过预处理的特征向量的概率分布，得到二维概率密度图；最后，将概率密度图用于DCNN模型实施欺骗干扰的检测决策。结合现场实验所得运行场景数据，利用实验室搭建的欺骗干扰测试环境实施了干扰注入测试与检验，结果表明,欺骗干扰检测性能随着DCNN网络深度的增加而提升，相对于常规有监督决策方法F1值最高提升44.68%。基于VBGMM-DCNN的欺骗干扰检测能够适应测试验证中运用的列车运行特征及定位观测条件，所达到的检测性能优于对比算法。     

一种改进的固液火箭发动机故障诊断方法

针对固液火箭发动机的可靠性问题，设计了一种改进的贝叶斯网络故障诊断方法，可以通过网络化自主逻辑推理，对固液火箭发动机进行故障诊断。为了提取时序观测信号的故障特征，提出将步进法与核主成分分析(KPCA)相结合的分析方法，并根据模糊C均值聚类算法(FCM)建立模糊多态贝叶斯网络，实现对观测信号尺度的模糊处理，提高对不确定性故障的诊断能力。通过Matlab/Simulink建立改进的贝叶斯网络故障诊断系统。仿真结果表明，改进的算法能够实现对固液火箭发动机常见故障的有效诊断，并能够适应小样本集学习的情况。与传统贝叶斯诊断算法相比，故障诊断的平均准确率提高了20.9%。     

区间不确定信息下可修系统基于幂律过程的贝叶斯可靠性评估方法研究

贝叶斯方法常用于小子样场合下航空航天等领域中可修系统的可靠性评估，由于一些不确定因素影响致使无法精确收集先验信息和/或可修系统的故障信息，但却可获得其上下界信息。针对区间不确定信息情形，本文提出多台可修系统当其失效过程服从幂律过程（PLP）时的贝叶斯可靠性分析方法，将信息先验下PLP模型基于区间信息的贝叶斯分析转化为所求目标函数恰是该先验下PLP 模型传统贝叶斯分析的约束优化问题；具体工程实例对本文所提方法的可行性，有效性进行验证。结果表明：本文所提贝叶斯可靠性分析方法能够为小子样场合下，考虑不确定性因素影响时可修系统的可靠性评估问题研究提供一种值得参考的方法。     

基于贝叶斯估计的特征事件判别方法研究

针对利用遥测指令参数进行特征事件自动判别时，现有方法忽略了数据源之间相互印证的条件，仅依据测量值相同来判别特征事件的发生时间，存在一定的误判概率，提出了一种基于贝叶斯估计的特征事件判别方法。方法不仅利用了当前数据源的测量值，同时还兼顾特征事件固有的先验分布信息，能够有效提高自动判别的准确率。首先，通过对特征事件数据源的内涵进行分析，得出了不同数据源相互印证的条件；其次，通过对历史数据进行统计分析，建立了特征事件发生时间的正态分布概率模型，并以此为基础提出了基于贝叶斯最大后验估计算法，设计了完整的特征事件判别方法；最后，通过工程数据的仿真计算和结果分析，验证了方法在特征事件判别中的实用性和有效性。     

基于贝叶斯优化的磁光阱多参数自主优化系统

磁光阱是一种冷却陷俘原子的装置，磁光阱实验参数的优化是冷原子实验中基础且重要的工作，人工手动优化参数需耗费大量时间，且很难确保最终参数是全局最优的。基于贝叶斯优化的机器学习方法是一种对目标表达式未知、非凸、多峰的量子物理系统进行参数优化的有效方案，该过程通常远快于人工手动调节，且有更大概率找到全局最优值。提出了一种基于贝叶斯优化方法的冷原子多参数自主实时优化实验方案，该方案通过成本函数构造、控制程序编写、贝叶斯算法优化等形成一个可自主优化的闭环系统。实验结果表明，经过约30 min的迭代优化，所提方案可有效完成磁光阱系统的多参数优化，并得到最优的实验结果；所提方案验证了贝叶斯优化方法在多参数物理系统中应用的可行性，通过改进成本函数，还可应用于其他的复杂多参数实验物理系统最优参数快速确定。     

基于贝叶斯网络的某型导弹状态评估

针对传统"是非制"状态评判方法过于粗略的问题,将某型导弹状态重新细划为"优"、"良"、"中"、"差"和"故障"5个等级。在充分考虑导弹定量信息和定性信息的基础上,结合云模型建立了多状态信息融合的贝叶斯网络模型,提出了基于贝叶斯网络的状态评估方法,以期为装备质量的科学有效管理提供技术支撑。