基于决策树的涡轴发动机气路健康评估方法

为解决涡轴发动机退化模式多、故障样本大、分类困难的问题,将梯度提升决策树（GBDT）算法应用于涡轴发动机气路健康评估。首先对涡轴发动机故障标签进行了拆解,针对每一类标签设计了一个分类器。通过特征重要度排序筛选了6个分类标签的输入特征,有效降低模型复杂度。通过遍历确定树的最优数量和深度,确保了分类的准确性。仿真结果表明,特征筛选减少测试时间16%～35%;相比广泛使用的支持向量机（SVM）算法,在特征数量相同条件下,GBDT测试时间缩短了31.88%～65.28%,相比极限学习机（ELM）,误诊样本数量低于其千分之一。可见GBDT算法在涡轴发动机大样本故障评估中表现出更高的分类精度,验证了其在发动机气路健康评估上的有效性。     

基于朴素贝叶斯分类器的空中红外目标抗干扰识别方法研究

红外诱饵对抗技术的发展使得空战环境日益复杂化，对红外成像制导空空导弹抗干扰目标识别技术提出了更高的要求。红外诱饵的投放使得目标特征的完整性、显著性及稳定性遭到破坏，基于特征融合匹配的统计模式识别方法无法准确识别目标。提出了一种基于朴素贝叶斯分类器的抗干扰目标识别方法，该方法对空战对抗仿真图像数据集进行了特征挖掘，利用实验拟合方法构建了典型特征的概率密度函数模型，构造了朴素贝叶斯分类器，实现了飞机目标和干扰的分类识别。仿真实验结果表明，该方法在已测试的弹道图像数据集下的平均识别正确率达到了81.82%，且能够解决假目标、目标遮挡等抗干扰目标的识别难题。     

Combination of classifiers with incomplete frames of discernment

The methods for combining multiple classifiers based on belief functions require to work with a common and complete(closed) Frame of Discernment(Fo D) on which the belief functions are defined before making their combination. This theoretical requirement is however difficult to satisfy in practice because some abnormal(or unknown) objects that do not belong to any predefined class of the Fo D can appear in real classification applications. The classifiers learnt using different attributes inform...