基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题，在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上，提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络，保留捷径连接中的卷积神经网络结构，既能充分提取时序特征又能保证有用数据在网络层中的跳层传递，并融入注意力机制构建多层残差网络，注意力机制的使用能够选择出对预测结果有重要影响的信息，有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析，结果表明：所述方法能有效建立监测数据与发动机健康状态之间的关系，剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%，比未融入注意力机制方法平均降低18.9%，有效提高了预测精度。     

一种基于卷积神经网络的地磁基准图构建方法

地磁匹配导航技术是一种重要的辅助导航制导方法，地磁基准图的构建精度对地磁匹配制导的精准度起着决定性作用。针对现有地磁基准图构建精度难以满足实际地磁匹配导航需求的问题，提出了一种基于卷积神经网络的地磁基准图构建方法。首先，利用卷积层提取低分辨率基准图中的特征图像块；然后，利用基于学习的阈值收缩算法（LISTA）实现图像块的稀疏表示；最后，利用三通道的地磁信息得到重建后的高分辨率基准图。实验结果表明:所提方法对地磁基准图具有更高的构建精度，同时对噪声有更好的鲁棒性，各种客观评价指标均高于现有的超分辨率重建方法。      

基于深度神经网络的客机总体设计参数敏感性分析

飞机总体主要设计参数敏感性分析揭示了总体主要设计参数对飞机特性指标的影响，有助于总体设计方案的决策。针对宽体客机总体主要设计参数敏感性问题，根据其总体主要设计参数和特性指标的特点，以及多学科间的耦合关系，建立了深度神经网络模型。该深度神经网络模型以客机总体主要设计参数为输入，对特性指标进行预测。在深度神经网络模型中，设置了多个输入层、多个输出层以及多个分块的隐藏层，从而模拟客机总体主要设计参数对特性指标的影响以及不同特性指标之间的相互作用。测试结果表明，与传统代理模型相比，深度神经网络模型对客机特性指标的预测精度更高，多参数适应性更好。利用该深度神经网络模型对客机总体主要设计参数进行敏感性分析。分析结果表明，机翼1/4弦线后掠角在30°~31.5°时，有利于减少最大起飞重量和起飞平衡场长；发动机海平面最大静推力和机翼面积对客机直接使用成本、最大起飞重量等特性指标的影响最为显著。     

一种基于神经网络的航改燃气轮机转速控制器

为了提升某型航改燃气轮机的转速控制性能，提出一种双输入反正切神经网络控制器，然后基于该航改燃气轮机的PI控制器以及该反正切神经网络控制器，提出一种新型的集成控制器。采用仿真计算的方法，通过跟踪测试、抗干扰测试和鲁棒性测试，对比此三种控制器以及四种常规控制器的性能差异。结果表明，在三次跟踪测试中，集成控制器具有最优的综合跟踪性能；给燃料量加入5%的干扰后，集成控制器的抗干扰能力等于反正切神经网络控制器，但高于另外五种控制器；当工作环境温度增加以及压气机性能退化引起不确定性时，七种控制器均能正常实施控制，且仍以集成控制器的效果最优，其鲁棒性最强。新型集成控制器具有最佳的综合转速控制性能，能够保证该型航改燃气轮机安全和高效的运行。     

基于热力学的涡扇发动机神经网络建模方法

由于无法掌握不同发动机的真实部件特性，传统热力学模型对在翼涡扇发动机的建模存在较大的建模误差；同时，热力学模型在特性图边界线附近迭代时，容易迭代到特性图之外，造成迭代过程的不收敛。针对上述问题，本论文提出基于热力学过程的涡扇发动机神经网络建模方法，在神经网络模型的训练过程中充分考虑对部件共同工作热力学约束的优化，提高发动机建模的准确性。通过构建部件级网络结构、部件共同工作损失函数及融合训练过程，将基于部件特性图的传统热力学模型迭代过程转化为部件级神经网络的多目标优化与训练过程，提高了模型的收敛性及建模准确性。模型在26 970条发动机实际飞行数据上进行了训练及测试，结果表明，在相当宽松的准稳态数据下，论文提出的建模方法最大误差可以达到7%左右，比基于部件特性图的热力学模型低5%左右。     

音频信号矢量编码算法

为了在保证译码恢复的声音质量良好的前提下,减小编码的压缩率,以减小声音信号的存储空间,提出了一种将线性预测编码、SOM神经网络矢量编码以及Huffman编码相结合的声音信号编码算法,将1列声音信号转换为2列信号,这样就可以进行后续的矢量编码。实现了预测编码和矢量编码的结合。利用Matlab软件编程进行了声音信号编解码实验。实验结果表明,在保证声音质量的前提下,该编码方法的码率小于MEPG-1 Layer3的最低的64kbps标准码率,且算法简单。文章提出的编码算法在音频压缩编码方面将具有较高的研究价值和很好的应用前景。     

基于异步卷积分解与分流结构的单阶段检测器

目标检测网络SSD的多层回归特征图存在各层回归计算之间相对独立的问题，且基于SSD改进的系列算法在提高检测精度的同时难以兼顾实时性。针对上述问题，提出一种基于异步卷积分解与分流（shunt）结构的单阶段目标检测器。基于异步卷积分解算法设计了一种shunt结构，交错连接多层特征图，增强了回归计算之间的统一性与协调性。优化了原有高层主流结构，在主流结构与shunt结构中分别用最大池化和异步卷积分解2种不同的方式对特征图大小进行降维，保留空间相关信息的同时提高了特征的多样性。实验结果表明，将VOC2007trainval和VOC2012trainval中的图片统一缩小至300像素×300像素进行训练，提出的目标检测器在VOC2007test上进行检测时的平均精度均值可达到80.5%，检测速度超过30帧/s。      

卷积神经网络及其在航空视觉任务中的应用展望

从卷积神经网络的基本理论出发,介绍了几种经典卷积网络结构,并结合当前卷积神经网络在计算机视觉领域的应用现状,重点探讨了它在未来航空视觉相关任务系统中的应用前景,以及实施这些技术必须解决的若干问题,为未来航空装备智能化水平的进一步提升提供参考。     

基于神经网络的磁平静期赤道电集流预测

利用BP神经网络技术分别对2008年后磁平静期印度扇区、秘鲁扇区以及CHAMP卫星的赤道电集流（EEJ）变化进行预测，其中神经网络训练数据为对应的2000—2007年磁平静期EEJ观测数据，输入参量为天数、地方时、太阳天顶角、太阳活动指数（F_10.7）、太阴时以及卫星地理经度，输出参量为EEJ.对EEJ预测结果进行了统计学分析，并且与实际观测结果进行对比.结果表明:BP神经网络对事件中EEJ的变化具有很好的预测能力，预测结果能够反映EEJ的重要分布特征；EEJ预测值与观测值之间具有很好的相关性，其中地磁台站观测值与预测值相关性系数可达85%以上.此外，将BP神经网络模型的预测结果与Yamazaki提出的经验模型结果进行对比，结果显示BP神经网络与其经验模型性能相当.研究结果表明，BP神经网络技术在平静期EEJ变化预测方面性能优异，具有良好的应用前景.