基于混沌理论的滚动轴承振动信号融合模型预测

提出融合算法模型,在混沌理论的基础上对滚动轴承振动信号进行预测。基于相图法、最大Lyapunov指数法和关联维数法对滚动轴承振动信号进行混沌判别,证明其混沌性。以预测值和真值间差值范数最小为目标导向优化出Kriging模型、最小二乘支持向量机(LSSVM)模型和极端学习机(ELM)模型的权重,加权法构建融合算法模型。相空间重构法构建滚动轴承振动信号预测的训练样本,并对融合模型、Kriging模型、LSSVM模型和ELM模型进行训练,训练好的模型用于振动轴承振动信号混沌预测。以案例1和案例2共两个实验的滚动轴承振动信号为对象进行验证,两案例的最大Lyapunov指数大于0,从而判断这两个案例的轴承振动信号呈现混沌特性。另外,从方均误差、方均根误差和平均绝对误差指标来评价,融合算法模型的指标值均小于单一模型算法,融合算法模型的预测精度优于单一模型算法。     

基于卷积稀疏表示的图像融合方法

图像融合是图像处理领域中比较重要的一门技术,传统的图像融合方法会降低图像融合质量。针对稀疏表示在图像融合中存在一定的缺陷,提出了一种基于卷积稀疏表示的图像融合方法。首先,对高频子带系数进行合理有效处理,利用相似度分析和视觉显著性进行融合。然后,将低频子带系数整体融合改进为使用Butworth低通滤波对低频子带进行分解,得到低频近似子带和强边缘子带。最后,再用改进的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)对强边缘子带进行融合。实验结果表明,与其它传统的图像融合方法相比,信息熵(Information Entropy,IE)提高了将近3%,标准差(Standard Deviation,SD)提高了将近9%,空间频率(Space Frequency,SF)提升了将近30%,互信息(Mutual Information,MI)提升了将近25%。同时,时间效率也有了一定程度地提升。     

CCSDS在我国航天领域的应用展望

CCSDS(空间数据系统咨询委员会)建议有利于增强测控系统互联互通互支持能力,满足未来航天任务对空间信息高速传输及灵活高效信息调度机制的要求,应当作为我国构建天地一体化信息网络的首选标准。提出了加强顶层设计、循序渐进地推进CCSDS建议在我国实现工程化应用的总体思路,并提出在应用过程中应当注重创新任务操作模式、关注信息安全、深化关键技术研究与验证。     

数据采集系统直流增益和线性度的精确评价

介绍了两种新的精确评价数据采集系统的直流增益和线性度的方法与过程,即“按码精确评价法”和“定间距（为量化误差整数倍）精确评价法”。同时讨论了介绍了的优缺点及应用。     

工程数据库管理系统的探讨

工程数据库管理系统是一个面向CAD/CAM的数据(包括知识)管理系统,它是CAD/CAM软件系统的核心。本文对工程数据库系统在CAD/CAM系统中的地位和作用、工程数据库管理系统的特殊要求以及多级数据管理、多重数据模型、复杂实体的定义和操作、变长域类型及版本化作了一些探讨和建议。     

数据采集系统动态特性的总体评价

数据采集系统动态特性的辨识和评价，是其总体性能评价中至关重要的一个目标。本文通过选取几个相互比较独立的指标来总体描述数据采集系统的动态特性，然后通过几个特殊的模型化方法将其动态特性分别以动态有效位数、传递函数、阶跃响应曲线和幅频特性、相频特性的方式给出，从而解决了数据采集系统动态特性的总体评价问题。     

测量船船摇前馈数据处理方法研究及应用

船摇前馈是航天测量船稳定性设计方法之一。实践证明,船摇前馈对改善系统误差有益,目标速度前馈特别是加速度前馈的改善效果要比船摇前馈的好。分析原因,一方面是目标相对船摇来说变化慢,低频分量多,滤波后能够比较准确地得到所要的值,前馈精度也就高;另一方面是船摇前馈值特别是加速度前馈比较难以准确获得。因此,准确地计算前馈量,是补偿测量设备伺服系统滞后造成的误差,达到高精度地跟踪目标的关键之一。本文详细给出了船摇前馈量的具体计算公式,并在卫星发射任务中进行了应用和验证。     

全站仪检测数据管理系统

介绍了全站仪检测数据管理系统。本系统以FoxPro for Windows为基础，采用模块结构，具有对检测数据录入修改，自动转换，成果计算，查询显示等功能，实现了系统数据管理和处理的一体化。     

Global aerodynamic design optimization based on data dimensionality reduction

In aerodynamic optimization, global optimization methods such as genetic algorithms are preferred in many cases because of their advantage on reaching global optimum. However, for complex problems in which large number of design variables are needed, the computational cost becomes prohibitive, and thus original global optimization strategies are required. To address this need, data dimensionality reduction method is combined with global optimization methods, thus forming a new global optimization system, aiming to improve the efficiency of conventional global optimization. The new optimization system involves applying Proper Orthogonal Decomposition (POD) in dimensionality reduction of design space while maintaining the generality of original design space. Besides, an acceleration approach for samples calculation in surrogate modeling is applied to reduce the computational time while providing sufficient accuracy. The optimizations of a transonic airfoil RAE2822 and the transonic wing ONERA M6 are performed to demonstrate the effectiveness of the proposed new optimization system. In both cases, we manage to reduce the number of design variables from 20 to 10 and from 42 to 20 respectively. The new design optimization system converges faster and it takes 1/3 of the total time of traditional optimization to converge to a better design, thus significantly reducing the overall optimization time and improving the efficiency of conventional global design optimization method.     

Space Weather applications with CDPP/AMDA

AMDA (Automated Multi-Dataset Analysis), a new data analysis service, recently opened at the French Plasma Physics Data Center (CDPP). AMDA is developed according to the Virtual Observatory paradigm: it is a web-based facility for on-line analyses of space physics. Data may come from its own local database as well as remote ones. This tool allows the user to perform classical manipulations such as data visualization, parameter computation and data extraction. AMDA also offers innovative functionalities such as event searches on the content of the data in either visual or automated ways, generation, use and management of time tables (event lists). The general functionalities of AMDA are presented in the context of Space Weather with example scientific use cases.