数据驱动的运载火箭氧涡轮泵异常分析方法

基于模糊聚类和LSTM网络，提出了一种数据驱动的运载火箭发动机氧涡轮泵数据异常分析方法。通过模糊聚类对工况复杂，标签不完整的数据样本进行预分类，得到完整的标签并且分析特征贡献度，为LSTM网络的特征筛选和训练打下基础；通过LSTM网络对氧涡轮泵数据进行预测，并计算预测结果与原始数据之间的平均误差，再根据非参数阈值计算方法计算的阈值判据来判断设备是否异常，最终实现了氧涡轮泵数据驱动的故障检测报警，相较于红线阈值检测方法准确率提升7%。     

舰载直升机系统安全评价指标体系

为了准确地对舰载机系统进行安全分析，确定客观的安全评价指标，文章选择“人、机、环境、管理”4个方面共29个评价指标，这些指标基本涵盖了舰载机系统的安全评价所包含的有效信息。利用模糊聚类的方法再对该指标体系进行筛选，最终确定了精简且具有科学性的指标体系。     

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%。     

Source free unsupervised domain adaptation for electro-mechanical actuator fault diagnosis

A common necessity for prior unsupervised domain adaptation methods that can improve the domain adaptation in unlabeled target domain dataset is access to source domain dataset and target domain dataset simultaneously. However, data privacy makes it not always possible to access source domain dataset and target domain dataset in actual industrial equipment simultaneously, especially for aviation component like Electro-Mechanical Actuator (EMA) whose dataset are often not shareable due to the data copyright and confidentiality. To address this problem, this paper proposes a source free unsupervised domain adaptation framework for EMA fault diagnosis. The proposed framework is a combination of feature network and classifier. Firstly, source domain datasets are only applied to train a source model. Secondly, the well-trained source model is transferred to target domain and classifier is frozen based on source domain hypothesis. Thirdly, nearest centroid filtering is introduced to filter the reliable pseudo labels for unlabeled target domain dataset, and finally, supervised learning and pseudo label clustering are applied to fine-tune the transferred model. In comparison with several traditional unsupervised domain adaptation methods, case studies based on low- and high-frequency monitoring signals on EMA indicate the effectiveness of the proposed method.     

齿轮故障识别的密度峰值聚类欠定盲源分离算法

为提高盲源分离算法在振动源数目估计问题中的噪声鲁棒性，提出了一种基于密度峰值聚类的欠定盲源分离算法。对预处理后的信号提取单源点，通过密度峰值聚类对单源点进行聚类得到混合矩阵的估计值。通过基于压缩感知模型对源信号进行重构，得到分离信号。为验证所提算法分离准确性和噪声鲁棒性，用所提算法对不同信噪比下的仿真信号进行分离，结果显示：在信噪比不低于4 dB时，所提算法均可以准确分离出源信号，算法的准确性和鲁棒性得到验证。设计旋转部件故障诊断试验台对所提算法在实际应用中的有效性进行验证，对实测复合故障振动信号进行分离，试验结果表明该算法成功分离出观测信号中的锥齿轮和行星齿轮单一故障特征，有助于工程中旋转部件故障诊断。     

基于模糊核均值聚类优化的光流测速方法CSCD

光流算法作为一种载体速度测量方法,易受光照变化、物体相对移动影响,最终导致速度信息获取不准确。为了提高载体运动速度解算精度,提出了一种基于模糊核均值聚类算法优化的金字塔Lucas-Kanade光流测速方法(FKCM-金字塔LK)。该方法首先通过金字塔LK光流算法得到稀疏光流,然后使用模糊核均值聚类算法对稀疏光流数据进行聚类处理,最终建立光流与实验平台运动参数之间的关系,并得到准确的速度信息。实验结果表明,提出的基于模糊核均值聚类算法优化的金字塔LK光流测速方法不仅可以有效地减少物体相对移动对光流测速的影响,而且与现有其他光流测速方法相比,速度测量精度得到显著提高。     

顾及不确定性分析的多数投票 SAR 影像变化检测

合成孔径雷达（Synthetic Aperture Radar，SAR）影像变化检测是遥感领域的一个重要研究方向。文章以投票法（Majority Voting，MV）为基础，提出一种全新的顾及不确定性分析的SAR影像变化检测方法（Uncertainty Analysis-based MV，UAMV）。首先选取三组典型的差分影像生成算法，生成三组互补的差分影像。然后使用模糊C均值聚类估算每组差分影像的关于变化类和未变化类的模糊隶属度函数。最后用模糊集合和信息熵理论优化MV，构建顾及不确定性分析的多数投票法，并用所构建方法融合三组差分影像的模糊隶属度函数，生成变化检测图。为验证文章方法的有效性，通过三组真实SAR影像数据进行实验分析。实验结果表明：1）通过用信息熵分析MV融合过程中的不确定性，能够显著提高MV的变化检测性能；2）与7种现有相关算法相比，UAMV方法能够取得更优的变化检测结果。该研究为SAR影像变化检测提供一种新的思路和方法。     

基于多维特征的战场实体目标分群方法

目标分群问题也称为群形成过程，是态势估计中的一个重点和难点问题，属于信息融合中的高层融合范畴。现有的目标分群方法大多是将空间位置相近的目标聚为一类，极少有分群方法考虑到进行战场态势分析所需的位置、速度、航向、属性和类型等多维特征。为此，首先根据海战场态势分析需求，基于目标的特征属性定义了多维度欧式距离；然后综合利用分类与密度聚类两种分析方法，提出了一种战场实体目标分群方法,以综合实现战场实体目标的实时分群处理；最后，将该算法应用于一个军用场景的数据集上进行仿真实验。仿真结果表明了该方法在海战场环境中实现目标分群处理的可行性和有效性。