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。     

基于粗糙集与ID3的航空维修数据分析方法研究

提出了一种基于粗糙集(RS)与ID3的决策树构造算法RSI,该算法以属性重要度和属性依赖程度作为属性约简和建树的准则,解决了ID3算法用信息增益作为选择属性标准的局限性,并能够同时实现决策树的构造和修剪,大大提高了建树的效率。     

基于C4.5算法的民航客户价值细分研究

随着民航旅客运输的发展,客户细分在航空公司市场营销中发挥着越来越重要的作用。针对调研的机场候机旅客行为数据,采用数据挖掘中的决策树C4.5算法对民航客户进行价值细分。在生成的旅客价值细分决策树的基础上,对决策树分类结果进行了评价,并分析了航空公司价值旅客的主要特征。通过与常用的数据分类算法的综合对比分析,表明C4.5算法在民航客户价值细分中具有相对良好的分类效果。     

基于粗糙集理论的编队协同空战决策规则提取

为了对空战过程中大量的冗余信息进行约简，以提高空战决策的实时性，将粗糙集理论引入到编队协同空战战术决策研究中，提出了一种用于提取空战关键信息和战术决策规则的属性约简算法。并将单一决策属性下的属性值约简方法推广，讨论了更适于编队作战分析的多决策属性下的属性值约简问题。最后，通过一个编队空战战术选择示例对该算法进行了验证，结果表明：空战的冗余信息是可以约简的；此算法可提取出对空战起主要作用的属性，即雷达／中距弹信息；并且在保证空战关键分类结果不变的情况下，可生成用于战术决策的最小简化策略，所提取的决策规则与编队空战的实际相符合。     

基于改进KNN算法的飞行员工作负荷评估

针对使用主观量表评估飞行员工作负荷易受主观因素干扰的问题,将飞行员工作负荷评估试验划分成连续的15 s时间窗口,基于时间窗口内的客观绩效和生理数据,建立飞行员工作负荷评估模型。使用插值、去均值、归一化等方法预处理数据后,再将生理数据变化量作为工作负荷的特征维度,并基于生理数据变化量改进KNN算法,对工作负荷进行分类。通过引入生理数据变化量作为工作负荷的特征维度,优化分类模型的数据结构后,各传统分类算法的测试集F1分数均得到提高;使用生理数据变化量改进KNN算法后,高负荷数据分类准确率达到71%,总体准确率能达到88.5%;相比于传统KNN算法,高负荷数据分类准确率提升36.5%,总体准确率提升6.3%。     

一种改进的基于模糊-粗糙集的属性约简算法

FRSAR(Fuzzy-rough Set Attribute Reduction)是一种基于模糊-粗糙集的属性约简算法,它可以避免离散化时数据信息的丢失,但是该算法中决策属性对条件属性集依赖度的计算设计的不是很完善.本文提出了一种改进的FRSAR算法,它只考虑能够使属性集依赖度增大的属性,这样就降低了计算量.实验结果表明,改进算法和原有算法得到相同的约简结果,但是改进算法的执行时间大大降低.     

基于Rough/SVM的飞机目标识别模型

研究了基于粗糙集（Rough）和支持向量机（SVM）的模式分类技术,结合遥感图像中军用飞机目标识别进行理论分析和试验研究。基于粗糙集和支持向量机算法的优势,设计了基于粗糙集和决策有向无环图的支持向量机模式识别分类器,并对分类的性能进行了分析研究。利用粗糙集理论中属性约简方法去除冗余属性,降低飞机特征维数,提出了使用决策...     

基于Boosting-SVM算法的航空发动机故障诊断

提出了一种利用支持向量机(SVM)作为弱基分类器、Boosting算法进行加权融合的航空发动机故障诊断算法.该算法具有支持向量机的强分类能力,又具有Boosting算法适合不均衡数据集的特点.为验证算法的有效性,采用外场实测的滑油光谱分析数据针对传动系统的轴承、减速齿轮和滑油系统3类故障进行了验证.为去除实测数据之间的冗余、降低特征维数,提高算法执行效率,采用主元分析(PCA)和粗糙集理论(RST)进行故障特征压缩和提取.利用实测数据构造了Boosting支持向量机分类器.最后,实验结果表明Boosting-SVM算法可以显著提高SVM分类器的推广性能.针对实测数据,3种故障平均识别准确率由79.4%提高到了85.7%.     

非对称机动能力多无人机智能协同攻防对抗

协同攻防对抗是未来军用无人机的重要作战场景。针对不同机动能力无人机群体间的攻防对抗问题，建立了多无人机协同攻防演化模型，基于多智能体强化学习理论，研究了多无人机协同攻防的自主决策方法，提出了基于执行-评判（Actor-Critic）算法的集中式评判和分布式执行的算法结构，保证算法稳定收敛的同时，提升执行效率。无人机的评判模块使用全局信息评价决策优劣引导策略学习，而执行时只需要依赖局部感知信息进行自主决策，提高了多机攻防对抗的效能。仿真结果表明，所提的多无人机强化学习方法具备较强的自进化属性，赋予了无人机一定智能，即稳定的自主学习能力，通过不断演化，能自主学习提升协同对抗的决策效能。     

应用快速多分类SVM的航空发动机故障诊断方法

提出了一种新的快速多分类SVM算法,用于解决大样本情况下航空发动机的多类故障诊断问题。首先,选用层次支持向量机(H-SVM)来实现多类分类,用各类数据中心代表该类数据,通过自组织特征映射神经网络(SOFM)进行聚类,把类中心之间距离较近的数据归为同一个子类进行训练,得到H-SVM层次结构。其次,在训练H-SVM中的二元分类器时,应用相对边界向量(RBV)代替全部训练样本,在保持分类精度几乎不变的条件下大幅度减少了训练样本数,使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短。在分类数据混迭较为严重的情况下,新算法先剔除混迭的异类数据,再计算RBV,并且把与计算的RBV距离小于一定数值的样本都选择来训练SVM,保证了RBV的合理性,防止了关键数据的丢失,有效提高了分类精度。针对一个航空涡喷发动机5类复合故障的分类进行了实例仿真,总的故障分类正确率达到91.2%,二元SVM的训练时间最多只有原来的16.20%;当训练样本总数达到7500的大规模情况下,根据本算法,约减后的样本数量只有原来的3.05%。仿真结果表明,提出的算法有效、可靠,容易实现。     

基于粗糙核Fisher鉴别分析的特征提取及其在发动机故障诊断中的应用

将粗糙集理论的属性约简与核Fisher鉴别分析方法结合起来,提出一种基于粗糙核Fisher鉴别分析的故障特征提取方法.首先采用粗糙集理论的属性约简删除与分类无关或关系不大的特征,降低输入特征维数,排除干扰特征的影响,减小了特征提取计算量;再采用核Fisher鉴别分析方法进一步提取非线性特征;最后将该方法应用于航空发动机滑油系统故障特征提取及故障识别中.结果表明:该方法获取的特征在提高分类正确率的同时,还有效地降低了输入特征维数,提高了分类效率,并且对分类器具有较强的适应性和鲁棒性.      

基于LightGBM算法的机场聚合离场延误预测

航班延误预测具有非线性聚合的动力学特征。在保证准确率的前提下为提高预测效率,提出一种基于轻量级梯度提升机(Light gradient boosting machine, LightGBM)算法的机场聚合离场延误预测模型。通过对历史航班数据的分析处理,提取时间特征、飞行计划特征和延误特征三类重要特征,并以提取出的特征作为输入变量,采用LightGBM算法基于广州白云机场的历史运行数据对航班延误时间进行预测。结果表明：模型预测延误时间与实际延误时间吻合良好;与其他常用算法的预测结果相较而言,所提模型在各种预测指标上结果更优,效率更高。     

一种基于蚁群优化的粗糙集属性约简方法

针对基于智能优化算法的属性约简方法存在的问题,在扩张矩阵概念的基础上,将属性约简问题转化为几何路径寻优问题,通过改进最大-最小蚂蚁系统(MMAS)算法,提出了一种基于蚁群优化的粗糙集属性约简方法,给出了相关参数的定义和详细算法流程,在UCI数据集上测试了该算法,结果表明了算法的有效性.     

航空发动机性能参数约简方法研究

对航空发动机进行性能参数约简以提取关键参数,是提高故障识别准确率和可靠度的必要条件,为此提出两种性能参数约简算法.基于灰色聚类算法的参数约简,首先计算参数间的灰色关联度,然后选取聚类中心进行聚类以提取特征参数.基于模糊粗糙集的参数约简,首先利用模糊聚类算法对连续数据进行离散化处理,然后用粗糙集理论进行参数约简.用某型航空发动机实际监测数据进行验证,结果表明:两种方法约简结果一致,以此约简结果进行故障诊断可提高诊断率,缩减运算时间.     

基于IMMKF算法的ADS-B监视应用目标跟踪

目标跟踪是机载广播式自动相关监视（ADS-B）应用的基础功能,对提升航空器周边的弱机动民航飞机目标跟踪性能具有重要意义。提出一种基于交互式多模型卡尔曼滤波（IMMKF）算法的ADS-B 监视应用目标跟踪方法。首先,针对弱机动背景下的民航飞机的飞行特点,建立包含匀速模型和标准协同转弯模型的运动模型集,并对模型进行线性化近似;然后,将模型预测和ADS-B 状态矢量量测数据作为IMMKF 算法中多个并行卡尔曼滤波器的输入,进行并行滤波;最后,计算得到目标状态矢量的估计和模型近似概率,并作为下一次迭代的输入。结果表明：相比于基于匀速模型的卡尔曼滤波目标跟踪方法,IMMKF 方法的位置跟踪误差降低了59%,速度跟踪误差降低了77%,显著提升了状态估计性能,具备较高的跟踪精度、稳健性与计算效率,在ADS-B 监视应用中具有实际应用价值与借鉴意义。     

基于粗糙集的车险潜在客户数据挖掘方法

为了从现有的CRM系统中发现潜在的车辆保险客户,提出了一种基于粗糙集理论的数据挖掘方法.利用粗糙集在知识系统中特有的分类特性,经对数据的预处理,较好地解决了样本数据中存在的属性不均衡及反向样本给数据挖掘带来的负面影响.以著名的The Insurance Company Benchmark(COIL 2000)作为测试数据集,经编程构建了数据挖掘模型,对客户社会背景和保单数据进行了综合挖掘测试.结果表明利用粗糙集理论对知识的分类能力,可以挖掘出数据集中潜在的对车辆保险感兴趣的客户,并给出样本分类的包含度.     

IBLE决策树算法在牙病案例诊断中的应用

尽管在数据挖掘中ID3算法占有非常重要的位置。但是,在应用中ID3算法存在不能够处理连续属性、计算信息增益时偏向于选取取值较多的属性等不足。为此,一种改进型决策树算法IBLE被提出,它主要是利用信息论中信道容量的概念作为对实体中选择重要特征的度量。用多个特征组合成规则的结点来判别实例,能够更有效地正确判别。将此算法应用于口腔疾病的诊断中,实验结果表明这种算法具有很强的识别能力,对牙病案例的诊断起到很好的辅助诊断作用。     

一种基于熵的连续属性离散方法

针对粗糙集理论应用于航空发动机磨损故障诊断的关键问题——连续属性离散化映射,提出了一种考虑属性重要性的基于熵的连续属性离散算法。该算法中,给出了一种衡量连续属性重要度的方法,克服了基于最小熵标准选取断点时最小熵对应多个断点难以取舍的问题,并选用IRIS数据对算法进行了分析和验证。最后,将该算法应用到发动机故障诊断中,自动提取得到了发动机的磨损故障知识,并对待测样本进行了验证,表明了算法的有效性。     

一种航空发动机连续数据的粗糙集离散化方法

针对传统粗糙集属性离散化方法存在离散化区间会破坏数据实际含义的问题,结合连续属性的领域知识,提出了一种基于信息熵的粗糙集属性离散化方法。利用航空发动机的滑油光谱分析数据对其进行了验证,结果表明其能够在保持决策表相容关系的前提下,获得具有较好实际意义的离散化区间。     

基于C5.0算法的航空客户流失分析

客户流失问题是长期困扰航空公司的重大问题,并且在航空业方面一直未被重视。利用决策树模型中的C5.0算法建立了航空公司的客户流失预警模型,并用真实的航空公司营业数据进行了实证分析。结果表明,该模型具有较好的准确性和预测性,为航空公司提供了准确、可靠的决策指导。