基于CRITIC-TOPSIS的动态辐射源威胁评估

为解决传统辐射源威胁评估方法与空战动态态势联系不紧密的问题，提高评估准确度，提出泊松分布逆形式与逼近理想解排序（TOPSIS）方法相结合的算法，并引入指标相关性的权重确定（CRITIC）方法分配属性权重，构建基于CRITIC-TOPSIS的动态辐射源威胁评估模型。针对传统方法仅依靠当前侦收数据，未体现空战态势动态变化的不足，采用泊松分布逆形式融合多个时刻的辐射源数据信息，实现动态评估；针对传统TOPSIS方法依赖主观赋值的问题，CRITIC方法综合考虑单个指标内部和多个指标之间的关联性，能完整描述属性信息并客观分配属性权重。仿真结果表明，相较于传统静态评估模型，所提模型对于威胁度不同的辐射源区分度更大，评估准确性和可靠性更高。      

基于RS-CART决策树的航空发动机小样本故障诊断

针对CART(classification and regression tree)分类决策树构建过程中由于小样本集特征维数高及噪声等造成的过拟合问题,在CART决策树算法训练过程中引入基于互信息的粗糙集(rough sets,RS)属性约简,考虑信息熵与基尼(GINI)系数刻画样本集“纯净度”的相似关系,对历史故障数据进行属性约简,降低属性维度以优化训练集,在此基础上构建分类决策树,可视化输出规则。实验结果表明:将改进的CART决策树算法应用于某型航空发动机油液故障诊断,提取的规则可解释性强,能够减小冗余属性及噪声对决策的影响,与常用故障诊断算法相比,该模型的诊断准确率提升20%左右,AUC(area under curve)值高达92%,可以有效处理高维离散型航空发动机小样本故障问题。