基于离散小波变换的近程信号自动识别

进行信号识别的关键在于利用有限信号数据提取出有效的信号特征,然后根据这些特征作出判决。文中阐述了利用离散小波变换对近程信号进行分解处理,并结合具体应用背景,提取小波分解的细节作为信号识别的特征参量。仿真实验表明,基于小波分解的特征提取过程对噪声有较好的抑制能力,小波变换的应用能够有效提高对近程信号识别的能力。     

基于鲁棒曲线匹配的星表特征跟踪方法

针对星际着陆的特征跟踪及障碍识别过程,提出了一种基于尺度不变的曲线描述及匹配方法。该方法利用曲线邻域的梯度信息形成特征描述符,无需知道各点曲率或曲线之间的几何构型,且对旋转、缩放、视角变化及光照影响都具有较强的鲁棒性。仿真实验表明,该算法不仅能够对不同尺度的陨石坑、岩石边缘等障碍或自然陆标进行识别,而且能够实现边缘曲线特征的跟踪,误匹配率低。     

航拍视频帧间快速配准算法

 为应对相机运动的影响,提出了一种快速有效的无人机(UAV)视频相邻帧图像配准算法。通过空间分布约束和角点量限制来筛选有效的FAST特征点,引入自适应阈值提高特征点检测的环境适应性,采用训练得到的不相关采样点集对特征点进行二值描述,以获得准确快速的特征描述,并通过最近邻算法根据汉明距离获得特征匹配对,最后运用RANSAC方法得到帧间仿射变换模型参数,消除相机运动带来的影响,为后续运动目标检测与跟踪提供保障。实验结果表明该算法快速、稳定,具有较高的环境适应性,能够满足无人机系统视频图像配准的要求。     

基于小波神经网络的复合材料损伤检测

讨论了小波变换和小波神经网络,借助小波变换良好的时频带通分层性,从各阶二进小波变换的频域中提取特征,送入小波神经网络进行学习和分类,结果表明该方法稳定可靠,在复合材料智能化研究中具有很大前景。     

基于分区域自适应中值滤波的X射线图像缺陷提取

为了实现X射线数字图像的计算机智能分析和处理,研究了射线数字图像缺陷自动提取技术。以航空发动机叶片为研究对象,介绍了基于分区域自适应中值滤波的图像处理方法。根据图像不同区域内灰度变化特点进行不同方向的基于扫描线的一维中值滤波,并使滤波器的长度能随着缺陷尺寸自动调整,快速、准确地提取出被测试件的缺陷。试验结果表明,运用该方法进行X射线数字图像的缺陷提取,能有效避免缺陷的变形和失真,为缺陷的自动识别打下了良好的基础。     

支持向量机在航空发动机故障诊断中的应用

提出了一种基于支持向量机的航空发动机故障诊断方法。该方法在利用恰当的工具或方法提取到发动机故障的特征信息之后,采用支持向量机对特征信息与故障模式进行关联,实现故障模式的分类。该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力,将其应用于某型发动机的故障诊断中,取得了较好的效果。该方法尤其对于新型发动机的故障诊断具有一定的参考价值。      

偏好多属性决策表概率决策的扩展粗糙集方法

通过用优势关系代替不可分辨关系,并设定置信阈值α,提出了一种可以从偏好多属性决策表中发现偏好概率规则集的扩展粗糙集模型。该方法可以处理偏好多属性决策表中可能的不相容性,获取由偏好对象组成的偏好概率决策规则,设计了相应的算法。研究结果表明：由该方法获取的最小偏好概率规则集,使用的务件数量较少,且导出规则的数量较少、较强。     

变几何参数对变循环发动机过渡态性能的影响分析

为了研究变几何参数对变循环发动机(Variable Cycle Engines,VCE)过渡态性能的影响,对功率提取法(Virtual Power Extraction Method,VPEM)进行了总结与发展,并以双轴混排涡扇发动机的VPEM模型为工具,研究了尾喷管喉部面积和涡轮导向器喉部面积对双轴混排涡扇发动机过渡态性能的影响,建立了应用于双外涵VCE的VPEM模型,并以此为工具研究了高低压涡轮导向器喉部面积、尾喷管喉部面积和后可变面积涵道引射器面积对VCE过渡态性能的影响。结果表明,变几何参数对涡扇发动机和VCE过渡态性能的影响规律一致,尾喷管喉部面积和高低压涡轮导向器喉部面积增加5%带来高压转子的功率变化分别为1.9%,6%和3.5%,低压转子功率变化分别为-3%,22%和-7%,RVABI面积对过渡态性能的影响并不显著。     

基于改进GWO-LightGBM的滚动轴承未知故障诊断

针对滚动轴承未知新故障误判影响轴承安全性和检修效率的问题，提出了一种基于改进灰狼算法（GWO）和轻量级梯度提升机（LightGBM）的故障诊断模型，实现已知/未知故障的高精度判别。为避免单一尺度下特征提取的缺失，对滚动轴承振动信号分别提取时域、频域和小波域特征建立多域特征集。设计了带未知新故障判别机制的GWO-LightGBM模型，并构造含有Halton序列和模拟退火策略的GWO实现了模型参数有效优化。实例试验结果表明，模型对已知和未知类故障平均识别率达99.57%，10次随机试验平均识别率分别比单一分类模型逻辑回归（LR）、最近邻分类器（KNN）和支持向量机（SVM）高21.98%、17.00%、9.27%，验证了模型的有效性和优越性，能高准确率地识别出已知或以前从未出现的新故障。