航空发动机的智能神经网络自适应控制研究

针对结构复杂、模型不确定、强非线性的航空发动机对象,提出一种综合模糊推理、神经网络自适应和PID简单控制各自优点的控制方案.在改进模糊PID控制器的基础上,进行了新型智能型神经网络控制器的设计,并提出离线混沌蚁群优化与在线误差反传调整相结合的优化方法.应用具有良好泛化能力的最小二乘支持向量机进行系统辨识,对某型航空发动机进行了设计点处的线性和非线性模型控制仿真.结果表明:控制系统具有满意的动、静态性能和较好的鲁棒性,验证了该方案的可行性和有效性.      

涡轮泵试车数据单类支持向量机检测算法

为了在缺乏故障样本的情况下检测某型液体火箭发动机涡轮泵故障,实现基于不完整信息的状态决策,建立了基于v-支持向量分类器的单类支持向量机新异类检测模型。在分析了模型决策边界、支持向量和约束条件之间关系的基础上,为单类支持向量机引入并改进了序贯最小优化算法,提高了训练效率,解决了大样本训练问题。通过对某型液体火箭发动机涡轮泵历史试车数据的分析,结果表明,所建模型的训练速度得到了很大提高,对涡轮泵状态的检测效果良好。     

基于最小二乘支持向量回归的混沌时间序列预测研究

研究利用最小二乘支持向量机预测混沌时间序列。混沌时间序列预测是典型的小样本学习问题,基于结构风险最小化原理的支持向量机方法,克服了神经网络易于陷入局部极值点等缺点,能够获得全局最优解。最小二乘支持向量机是一种在二次损失函数下采用等式约束求解问题的一种支持向量机,在保留支持向量机优点的同时使计算量大大减少。对典型混沌时间序列的预测结果表明,最小二乘支持向量机回归预测方法具有良好的泛化推广性能,预测精度高,适合于复杂非线性时问序列建模预测。     

基于遗传算法的航空发动机机载模型支持向量机修正方法

航空发动机的实时模型与发动机的匹配精度直接影响着航空发动机故障诊断的精度.提出了基于自适应遗传算法的最小二乘支持向量回归机(AGA-LSSVR)方法对航空发动机机载实时模型进行修正,有效的提高了模型的匹配精度.分析了最小二乘支持向量机中的参数的选取对模型修正的影响,在参数的选取空间里采用自适应遗传算法搜索最优参数.最后,比较了Back propagation(BP)神经网络、支持向量回归机、AGA-LSSVR等方法在机载模型中的修正效果.结果表明:提出的AGA-LSSVR具有很好的修正精度,验证了修正模型的有效性.      

基于支持向量机的航空发动机PID解耦控制

针对航空发动机多变量控制系统中各回路之间存在的耦合现象,提出了一种基于支持向量机(support vector machines,SVM)的航空发动机PID(proportion integration differentiation)解耦控制方法.利用SVM辨识发动机非线性模型,并获得SVM瞬时线性化模型,在线性化模型的基础上完成了PID参数的在线自整定.利用Lyapunov稳定性定理对控制器的收敛性进行了分析.通过对某型航空发动机的仿真,验证了该方法的有效性和可行性.      

SVM最优分类面相对位置的修正

通过放宽标准支持向量机(SVM,Support Vector Machines)中类别边界至分类面等间隔的约束,保持两类函数间隔之和不变的条件,在支持向量机思想框架下得出分类面依样本分布进行调整的新型支持向量机,其对偶形式与标准支持向量机完全相同,从而在理论上进一步完善了支持向量机.在此基础上,提出使类别的函数间隔正比于样本标准差的具体算法--方差修正法,达到最优分类面的相对位置依样本方差而调整之目的.从统计意义上来说,方差修正法在分类精度上有所提高,但计算量增加不多.     

基于DEA的研制阶段装备保障方案评价模型

针对目前研制阶段装备保障方案评价在角度和方法上的不足,提出基于数据包络分析(DEA,Data Envelopment Analysis)的评价模型.分析提炼保障系统的整体特性,建立保障系统的特性评价参数,构建基于数据包络分析的评价模型,通过计算保障方案的相对效率指数进行保障方案的评价,采用基于劣势前沿面的数据包络分析评价模型对多个有效保障方案进行二次评价,实现了保障方案的排序.结合研制阶段某型号军用飞机保障方案给出评价示例,从而验证了该模型的可行性和有效性,可为国防工业部门在研制阶段保障方案的评价上提供有效的决策支持.     

基于Tophat变换和文字纹理的车牌定位算法

针对车牌自动识别系统的应用场景越来越广泛,提出一种新的基于Tophat滤波和文字纹理特征的车牌定位算法.首先,利用形态学Tophat滤波抑制背景、消除不均匀光照,然后对图像进行二值化操作和连通域分析;其次,扫描图像得到区域的垂直投影图(VPM, Vertical Projection Map),对VPM进行离散余弦变换(DCT, Discrete Cosine Transformation),利用中低频描绘子重构VPM,重构后的VPM更为平滑,不受噪声影响,其波峰波谷数量、统计量更能描绘区域纹理的本质属性;最后,结合部分中低频描绘子和统计量组成描述区域纹理的模式向量,输入支持向量机归类.实验表明,算法适用于自然场景中的车牌定位问题,具有较强的适应性.      

基于支撑域的单分类器和密度估计的本质关系

单类支持向量机和支持向量数据描述是两种流行的基于支撑域的单分类器。为揭示采用高斯核后他们与密度估计之间的关系,首先将基于支撑域的单分类器统一到密度估计的框架下;其次证明了基于支撑域的单分类器诱导的密度估计和真实密度一致,同时也能减小积分平方误差。最后通过人工数据集实验验证了上述关系。     

支持向量机在航空结构声激励应力分析中的应用

支持向量机是一种新的机器学习方法。它以统计学习理论为基础,从结构风险最小化原则出发,具有很好的泛化及推广能力。通过采用支持向量机对飞机襟翼结构在声激励试验中获得的总应力、总加速度及总声压数据进行分类,分别获得结构响应间的线性关系和非线性关系的样本点以及线性与非线性界限。最后利用多元线性回归模型分别建立线性关系和非线性关系的仿真模型。研究表明,支持向量机在模式分类中具有良好的分类性能,在解决航空结构声疲劳问题中有较好的工程应用前景。