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。     

一种惯性辅助卫星导航系统及其完好性检测方法

针对传统的卫星导航/捷联惯导(GNSS/SINS)紧耦合组合系统中SINS测量影响所有的观测量,以及SINS故障不能被隔离的缺点,给出了一种新的惯性辅助卫星导航紧耦合组合结构及其完好性检测方法.设计了紧耦合系统结构和卡尔曼滤波器,将SINS测量转换为虚拟伪距,作为GNSS伪距测量的扩展,并设计了基于滤波新息的残差检验法(RCTM)和自主完好性检测外推法(AIME)来进行完好性检测.该紧耦合方法可以通过虚拟卫星的选择降低几何精度因子,在提高导航精度的同时便于完好性检测.仿真结果表明惯性辅助卫星导航新方法可以有效地提高导航精度,RCTM法对于阶跃故障和快变的斜坡故障检测是非常有效的,而AIME法对于慢变的斜坡故障检测具有更好的性能.     

GNSS中基于双星故障的RAIM中的数学关系

从理论上推导全球导航卫星系统(GNSS)中基于双星故障的接收机自主完好性监测(RAIM)中的两个基本定理,为基于双星故障的RAIM技术提供了理论支撑。第一个定理给出了RAIM中奇偶矢量与导航误差的关系,指出了两者的统计独立性,它表明只能通过多次测量的累积以统计方法得到导航定位精度;第二个定理指出可通过偏差修正方式得到正确的导航解。这两个结论与单星故障假设条件下得到的结论是相同的,这就表明,基于单星故障假设的RAIM方法,其基本原理是可以通用于双星以至于多星故障情形的,只需在具体操作上进行适应性改进。另外,推导方法本身也提供了一种进行GNSS分析的有力工具。     

基于特征线追踪的气动反设计

随着当今飞行器飞行速度的提高,三维超声速内流道的设计需求日益增加。提出一种基于特征线追踪的气动反设计方法,以解决三维超声速粘性流场设计问题。为了验证特征线追踪方法的设计能力,将其应用于二维超声速喷管和三维方转圆流道设计中。结果表明,设计所得流道内部不存在集中的膨胀波和压缩波,获得了流动均匀的菱形试验区,出口处马赫数误差低于0.5%。特征线追踪方法能够直接设计超声速粘性流场,避免了传统的边界层修正技术引入的设计误差,实现了既能满足预设流场参数分布,又能保证入口和出口形状的三维异形截面超声速流道设计。     

设计时间

1 Gouvemeur白金镶钻自动腕表piaget2Limelight神秘腕表Piaget3世界时间终极计时腕表百年灵4MasterGraff双陀飞轮GMT钻石腕表Graff     

系统误差和随机误差处理次序问题

在航天测量数据中，所测量的数据中包含有系统误差和随机误差。本文探讨了在实际的中究竟先处理哪一种误差更为合理的问题。分析研究表明，在合理假设的模型下，其处理结果与处理次序几乎无关。     

Belles Montres首届奢华名表将于上海开展

10月27日至30日,国际名表盛宴BellesMontres美丽的手表奢华名表展将首次于上海展览中心盛大开展,与中国钟表爱好者共赏时计臻品。此次展览云集了30多个世界顶级钟表品牌,并完全向公众开放。更令人惊喜的是,展览还将呈现70款由日内瓦高级钟表大赏(Grand Prix d'Horlogerie de     

运动激情点燃上海恒隆港汇广场 雪铁纳双时区计时码表荣耀上市

现代生活中若四处旅行,掌握时间是成功的关键。全新DS Podium GMT计时码表是您的良偶佳伴——无论您行至何方,它永远紧紧相随,鲜明的经典运动型设计令该系列腕表举世闻名。奢华、运动、性能一流一时尚的DS Podium GMT计时码表融合了双时区表和1 2小时计时码表的卓越性能,满足您旅行生活和极致品味的双重需求。     

资讯

"大众自造"亮相艺术北京20114月29日,由大众汽车品牌特别赞助、以"推动中国当代艺术"为核心的艺术北京2011·当代艺术博览会在北京全国农业展馆新馆开幕。在展会上,大众汽车品牌将以探索未来汽车无限创意的"大众     

基于倒置残差注意力的无人机航拍图像小目标检测

针对无人机航拍图像背景复杂、小尺寸目标较多等问题,提出了一种基于倒置残差注意力的无人机航拍图像小目标检测算法。在主干网络部分嵌入倒置残差模块与倒置残差注意力模块,利用低维向高维的特征信息映射,获得丰富的小目标空间信息和深层语义信息,提升小目标的检测精度;在特征融合部分设计多尺度特征融合模块,融合浅层空间信息和深层语义信息,并生成4个不同感受野的检测头,提升模型对小尺寸目标的识别能力,减少小目标的漏检;设计马赛克混合数据增强方法,建立数据之间的线性关系,增加图像背景复杂度,提升算法的鲁棒性。在VisDrone数据集上的实验结果表明：所提模型的平均精度均值比DSHNet模型提升了1.2%,有效改善了无人机航拍图像小目标漏检、误检的问题。