基于隶属度和LMK-ELM的航空电子部件诊断方法

为提高航空电子部件模块级故障诊断精度，提出一种新的面向"软聚类"的局部多核学习（LMKL）-超限学习机（ELM）离线诊断方法。通过引入模糊C均值聚类对样本空间进行模糊划分，挖掘聚类内部多样性的同时，实现了对过学习的抑制；将模糊划分产生的隶属度信息融入LMKL-ELM的优化过程，运用基于初始-对偶混合优化问题的三步优化策略克服了局部核权重二次非凸的问题，在l₁-范数与l₂-范数约束下分别给出了相应的更新方法。将所提方法应用于某型机前端接收机，结果表明：与4种流行的多核诊断方法相比，该方法可有效避免漏警、抑制虚警，在l₁-范数和l₂-范数约束下，其诊断精度比其他方法的平均值分别提升了4.09%和5.13%。     

基于多元KELM的发动机状态在线预测模型

针对当前飞机发动机状态预测过程中，不考虑相关变量状态变化，仅根据单变量历史时间序列对飞机发动机状态预测的问题，提出一种基于多元核极限学习机（KELM）的发动机状态在线预测模型。首先，通过多变量时间序列的相空间重构，将变量间的时间相关性转化为空间相关性；其次，通过研究KELM与核递归最小二乘法（KRLS）之间的关系，将KRLS扩展到在线稀疏KELM框架中；最后，使用近似线性依赖对样本进行稀疏化来控制网络结构的增长，最终实现多变量非平稳序列的在线预测。某型教练机的发动机飞行参数预测结果表明:满足在线预测要求的条件下，与KB-IELM、NOS-KELM、FF-OSKELM相比，模型KRLSELM将平均预测精度提高了90.61%、58.14%和25.77%，将预测稳定性提高了99.61%、75.03%和28.59%，具有更高的预测精度和稳定性；并且各方法均在多变量输入条件下获得最优的预测效果，验证了考虑多变量状态因素对单变量的在线预测具有重要意义。      

基于OCKELM与增量学习的在线故障检测方法

针对航空电子设备故障检测样本少、以及缺乏在线实时检测理论研究的问题，将一类核极限学习机(OCKELM)和数据增量学习(IL)相结合，实现对贯序来临的样本数据在线故障检测。基于正常状态下的样本数据，给出了OCKELM的核化形式，并推导了核函数和核权重向量的表达式；根据增量学习方法，在吸收新样本时更新核权重向量并估计样本输出值；最终基于2种阈值准则给出模型的检验阈值，对测试样本进行在线故障检测。将所提方法应用于UCI数据集和某航空电子设备的测试数据，实验结果表明：该方法的时间消耗在毫秒级别，实现了在线检测；且相比于现有的SVDD、PCA、OC-SVM方法，该方法在F1、AUC、G-mean和故障检测率等性能指标方面均表现优异。