非线性主轴降维映射法在固体火箭发动机设计优化中的应用

为在二维或三维空间中表达固体火箭发动机高维设计空间,引入非线性主轴降维映射法对多维非线性设计优化问题进行降维处理。以某大型固体火箭发动机设计问题为例,将10变量4有效约束优化问题降维映射到二维空间进行研究,拟合的非线性主轴降维映射模型中,目标函数和约束函数的相对误差控制在1.5%以内。研究表明,非线性主轴降维映射法具有发现多变量非线性优化数学模型本征特性的特点,能对设计变量重要性排序;通过降维展示设计空间全景,为优化算法和优化初始点优选提供了直观、有力的工具;优化轨迹实时展示为优化算法性质研究及算法切换提供了依据;根据优化轨迹从优化结果在降维空间中的位置能够判断优化结果是否具有全局最优解特性。     

主成分分析用于近红外光谱定量测定高硅氧／酚醛预浸料树脂含量及挥发份含量研究

采用傅里叶变换近红外漫反射光谱技术分析了酚醛树脂固化过程的光谱变化,发现高硅氧/酚醛预浸料的近红外光谱经一阶导数处理后,被树脂信息掩盖的挥发份(乙醇)的光谱信息显露出来,由此采用处理后的光谱定量分析挥发份能取得更精确的结果。结合主成分分析法研究了高硅氧/酚醛预浸料树脂含量、挥发份含量的定量分析。结果表明,预浸料的第一主成分在树脂含量上有极高的正载荷。用主成分回归所建立的模型对未知样品预测,树脂含量和挥发份含量平均标准偏差分别为0.6114和0.1885。     

基于ASM实现视频中物体的定位

对目标进行有效跟踪是目前许多国家获取信息的重要手段,主动形状模型(ASM)主要应用于灰度图像中物体的跟踪与定位,本文针对Koschan等提出的结合金字塔模型的ASM方法作进一步改进,使之应用于视频(本文视频采用MPEG数字视频压缩编码标准)中物体的定位:首先将视频解码还原成图像序列,从人眼视觉特征出发,将RGB颜色模型转换为HSV颜色模型,用色调信息取代灰度信息进行物体定位;并研究图像序列帧之间物体的重合度对提高定位效率的作用.实验结果说明在ASM中使用色调信息能有效地实现视频中的物体定位.     

基于小波变换和支持向量机的开关电流电路故障诊断新方法

针对开关电流(Switched current,SI)电路的故障诊断和定位问题，为进一步提高故障诊断准 确率，提出了基于小波变换和粒子群优化(Particle swarm optimization，PSO)支持向量机 (Support vector machine，SVM)的开关电流电路故障诊断新方法。该方法首先对节点电流 信号进行蒙特卡罗分析，然后通过小波分解计算分形维数，再利用核主元分析（Kernel pri ncipal component analysis，KPCA）降低特征值维数，实现最优故障特征的提取。最后通 过PSO SVM完成对各种故障模式的分类。对六阶切比雪夫低通滤波器进行了仿真实验验证， 获取了较高的故障诊断准确率，与其他方法进行比较，实验结果显示了本文方法的优越性。     

一种鲁棒的概率核主成分分析模型

大数据时代面临的数据维数越来越高,对数据降维处理越发显得重要。经典的主成分分析模型已被证明是一种有效的数据降维方法。但它在处理非线性、存在噪声和异常点的数据时存在效果较差的问题。对此,文章提出了一种鲁棒概率核主成分分析模型。该模型将核方法与基于高斯隐变量模型的极大似然框架相结合,用多元 t分布作为先验分布,以同时解决主成分分析在这 3个方面的弊端。提出混合鲁棒概率核主成分分析模型,使其可直接用于对混合的非线性数据进行降维和聚类分析。在不同数据集上进行的实验结果表明,与标准的混合概率核主成分分析模型相比,文中模型在数据聚类方面有更高的准确率。     

基于BP人工神经网络的离心压气机叶轮多目标优化设计方法

利用Concept NREC软件建立离心压气机叶轮设计样本库,借助BP（back propagation）人工神经网络建立样本库中各设计参数与压气机性能之间的关系,接下来以多目标遗传算法寻找Pareto解,从而获得离心压气机叶轮最佳设计参数.将该方法应用于Krain叶轮设计工况,所得叶轮的效率、压比较Krain叶轮原型分别提高1.4%和10.9%.通过对人工神经网络模型可靠性的讨论、多目标优化模型的主成分分析和所设计叶轮性能的CFD验证,证明了所构建的目标函数与所获得的Pareto解集的合理性,说明本方法可以有效应用于在离心压气机设计、选型.      

基于主成分的编队级网络对抗效能评估指标体系

分析建立编队级网络对抗评估指标体系的原则,用主成分分析法对指标进行处理,求得7个主成分.根据正交原则将20个指标分配到7个主成分中,赋予每个主成分以实际含义,最终建立了编队级网络对抗效能评估指标体系.     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

基于空中交通管制运行品质的扇区容量评估

扇区容量反映的是扇区空中交通管制运行品质诸多要素综合寻优下的流量水平,目前将扇区管制员工作负荷阈值映射为扇区容量的评估方法存在片面性。为改善扇区容量评估方法,以成都进近南扇为研究实例,采集198组实际运行数据建立样本集,确立了涵盖空中交通流密度、管制运行安全性能、管制运行效率性能及管制员工作负荷等4类因子的管制运行品质量化指标,并基于主成分分析法实现了扇区管制运行品质综合评价,经函数拟合确定扇区容量为29架次/h,新方法更具科学性、客观性。     

基于核主成分分析的空域复杂度无监督评估

空域复杂度评估作为衡量空域运行态势、管制员工作压力的关键手段，是运行调控的基础。由于影响因素众多，不同因素间耦合关联复杂，且标定样本很难获取，空域复杂度的准确评估被公认为航空领域的一个挑战性问题。提出了一种空域复杂度的无监督评估方法。首先通过核主成分分析挖掘原始样本各维度的非线性耦合关系，准确提取能够最大化复杂度评估信息量的主成分，进一步设计了可按需定制的主成分聚类方法，实现了无监督条件下空域复杂度的准确评估，为空域划分、流量管理提供了有效的技术支撑。