基于深度学习的突防控制博弈对象匹配方法CSCD

针对基于博弈理论设计应对多枚拦截弹的协同突防控制方案时需要确定博弈对象的问题,提出了一种基于长短时记忆(LSTM)网络的拦截弹攻击对象匹配方法。基于传统防空导弹飞行时序与流程构建拦截弹飞行轨迹库,以轨迹库为训练样本对LSTM网络进行训练,并以此为基础构建航迹预测模型与对象匹配模型,实现对拦截弹攻击对象的识别。仿真结果表明,该方法能够有效识别拦截弹拦截目标,为后续的巡航弹突防研究提供支撑。     

基于 LSTM的飞控系统状态监控

监测飞控系统状态参数是保证无人机飞行安全的重要手段。针对无人机飞控系统的组成特点和飞行控制律,设计并构建了基于长短期记忆网络(Long Short Term Memory Network,LSTM)的飞控系统状态监控模型。首先,利用无人机历史飞参数据训练模型,建立输入飞参数据与状态参数的回归映射关系;然后,利用训练好的网络模型,实时预测飞控系统的状态参数,通过对比实测值与预测值之间的差异,实现飞控系统的状态监控。选取无人机飞参数据进行实验,基于 LSTM的算法比反向传播神经网络(BPNN)、支持向量机(SVM)预测精度高,MSE平均值分别低 0.01和 0.26,MAE平均值分别低 0.05和 0.12。结果表明,所提出的方法能够有效监控飞控系统,为无人机飞行管理决策提供数据支持。     

基于ResNet-LSTM的航空发动机性能异常检测方法

为了实现数据驱动的航空发动机性能异常的智能检测,提出了一种基于残差网络（ResNet）-长短期记忆网络（LSTM）的发动机性能异常检测方法。采用发动机性能数据图像化方法,在数据降维的同时,完备保留数据的关联特征和时序特征;以残差单元构建发动机性能异常检测模型,在加深网络结构的同时,消除深层网络梯度消失问题,提高发动机性能图像空间关联特征的提取能力。同时,引入LSTM,提出基于ResNet-LSTM的发动机性能异常检测模型,通过ResNet与LSTM的融合,强化异常检测模型对时序特征的提取,提升发动机性能异常检测的准确率;通过发动机运行数据进行验证。结果表明：在训练集上,该方法的异常检测准确率为94.95%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高10.87%、8.00%、3.23%;在测试集上,该方法的异常检测准确率为92.15%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高11.81%、9.45%、3.78%。     

飞行训练评估系统引入生理信息的方法探讨

飞行训练评估系统可根据飞行过程中记录的飞行参数按飞行标准自动判定飞行员飞行水平,但现有的飞行训练评估系统只评判出飞行成绩,没有体现出飞行员的生理状态.本文探讨在飞行训练评估系统中引入生理信息的方法,以便了解飞行员飞行水平与生理状态的变化关系.方法 采用生理参数检测装备获取飞行员生理信息;基于生理信息数据进行生理状态挖掘...     

基于LSTM的空间机器人系统惯性张量在轨辨识

在空间机器人抓捕目标的过程中,整个系统的惯性张量会随时间变化且在目标被捕获瞬间发生突变,这会严重影响整体姿态控制的精度。针对以上问题,提出了一种基于长短期记忆（LSTM）的系统惯性张量在轨实时辨识方法。首先,对于目标捕获前后的2个阶段,利用拉格朗日方程建立了空间机器人的动力学模型;然后,基于所建空间机器人模型采用域随机化方法生成足量训练数据,并用其对由LSTM网络与多层全连接网络构建的参数辨识网络进行训练;最后,使用训练好的参数辨识网络对系统惯性张量进行辨识。数值仿真结果表明：所提方法能够精确辨识空间机器人抓捕过程中的系统惯性张量,所研究系统的主惯量平均相对辨识误差小于0.001,惯性积的平均相对辨识误差小于0.01。     

基于飞参数据的飞行学员飞行训练质量辅助评估研究

针对军事航空院校飞行学员培养模式变革的现实需要,以及当前飞行训练中飞参数据资源缺乏深度挖掘的现状,深入分析军事航空院校飞行学员飞行训练目标及飞行训练质量评估特点,探讨解析飞参数据辅助评估的早期制约因素、现实矛盾及前景展望,研究构建飞参数据辅助评估流程与基本技术框架。     

基于增量式在线学习飞行训练姿态预测研究

针对飞行训练安全,大规模训练数据更新时预测准确性较差等问题,研究提出一种基于增量学习的在线飞行训练姿态预测模型。模型针对飞行训练数据进行相关性分析,使用基于流数据的增量学习模型对飞行训练数据中的俯仰角进行预测研究。实验结果表明,模型在对飞行训练俯仰角进行预测时,预测准确率高,误差小。通过模型对比实验,模型相较于传统预测模型,精度高、误差小、泛化能力强,可以有效预测飞行数据,保障飞行安全。     

基于飞行参数数据挖掘的军机健康评估技术

以新型战机为代表的现代武器装备的参数数据越来越庞大,提出了基于飞行参数数据挖掘的军机健康评估技术。首先构建了军机健康评估设计及应用的"V"型架构,将数据获取、数据分析、方法应用、挖掘建模、评估结果和决策应用等流程融入到数据层、业务层、应用层等功能层级中。然后,综合运用改进故障树分析、高斯混合模型、层次分析法等方法,构建了适用于军机健康评估的架构、方法及流程。最后,以某军机实际飞行数据进行了应用分析,证明了所提方法的有效性和可行性。     

基于改进HOG特征的空间非合作目标检测

传统的非合作目标检测方法大都基于一定的匹配模板,这不仅需要预先指定先验信息,进而设计合适的检测模板,而且同一模板只能对具有相似形状的目标进行检测,不易直接用于检测形状未知的非合作目标。为降低检测过程中对目标形状等先验信息的要求,借鉴基于规范化梯度的物体区域估计方法,提出一种基于改进方向梯度直方图特征的目标检测方法,首先构建包含有自然图像和目标图像的训练数据集;然后提取标记区域的改进方向梯度直方图特征,以更好地保持局部特征的结构性,并根据级联支持向量机训练模型,从数据集中自动学习目标物体的判别特征;最后,将训练后的模型用于检测测试集图像中的目标。实验结果表明,算法在由4953幅和100幅图像构成的测试集中分别取得94.5%和94.2%的检测率,平均每幅图像的检测时间约为0.031 s,具有较低的时间开销,且对目标的旋转及光照变化具有一定的鲁棒性。     

数据挖掘技术在飞行试验数据分析和气动参数辨识中的应用研究

为了检验飞行试验辨识结果的可信度,首次将数据挖掘技术用于飞行试验数据的分析和气动参数辨识,初步解决了试验数据有限、数据信息含量差别较大给聚类、分类、回归等分析处理带来的问题;提出了利用不同时间段、不同飞行批次的飞行数据在划分区间的气动特性分布来检验辨识结果可信度的方法;以某飞行器为对象,利用数据挖掘技术,建立了基于飞行试验数据的气动力数学模型,检验了辨识结果的一致性和可信度,并与地面试验结果进行了比较分析,给出了地面试验预测误差。多批次飞行试验数据的整体辨识结果表明,所发展的方法是可行和有效的。该项研究为验证辨识结果的可信度、建立基于飞行试验数据的气动模型提供了新的途径,并可应用于CFD 和风洞试验的验证与确认。     

基于长短期记忆网络时序数据趋势预测及应用

为了研究状态监测大数据对设备运行状态的估计和预测,提出了一种人工经验与主成分分析相结合的长短期记忆网络方法（AEPCA-LSTM）,利用运行过程中的监测时序数据对设备运行趋势进行预测。首先,通过基于人工经验的主要成分分析方法（AEPCA）从状态监测系统中提取与目标变量最相关的状态变量作为输入;其次,利用长短期记忆网络（LSTM）对目标变量趋势变化进行预测,并考虑运行过程中新数据样本的持续产生,对模型进行定期更新,以提高模型的动态适应性。最后,将所提出的方法应用于船舶副机系统的涡轮增压器转速预测中,结果表明该方法相对于传统的PCA-LSTM和LSTM,具有更小的预测平均误差0.18037,即展现了其在时序数据趋势预测的优势。     

基于深度学习的航空器异常飞行状态识别

飞行设备快速存取记录仪(Quick Access Recorder,以下简称QAR)保留了原始航班各类重要飞行参数在内的航行信息,使研究分析航空器实时状况和保障飞行质量成为可能。针对QAR数据高维大样本的特点,在如今大数据背景下,除了传统机理建模分析航空器飞行状态外,采用深度学习的方式建立基于数据驱动的航空器飞行状态识别模型,理论与实用意义兼具。通过对真实QAR飞行数据的研究,开发了基于深度稀疏受限玻尔兹曼机的异常飞行状态识别程序。首先利用小波降噪技术对原始飞行数据进行预处理清洗,在一系列典型飞行参数上提取经典时域特征以及小波奇异熵等信息熵特征构成特征集。在此基础上,分别利用经典的线性主元分析技术和深度稀疏玻尔兹曼机对特征集进行有效降维,最后采用四折交叉验证方式,通过高斯过程分类器实现对飞行状态的辨识。实验结果显示,基于深度受限玻尔兹曼机-高斯过程分类的飞行状态识别具有较高分类准确性。     

基于平衡核函数聚类的飞行航迹数据分析方法

目前,使用数据挖掘的方法对目标的飞行航迹进行分析来确定航迹类别具有许多应用价值。飞行航迹数据具有维数高、交连多、可分类性能差等特点,要做到尽可能精确的聚类和分类十分困难。文章立足提高飞行航迹数据聚类分析的准确性,在航迹特征数据的预处理阶段,提出了一种平衡核函数的K-均值聚类方法,可以解决高维特征数据带来的奇异性,还能提高交叠样本的聚类性能;设计了一种模糊支持向量机的算法框架实现航迹的分类。通过实际飞行航迹数据集测试了设计框架下航迹聚类和分类识别的有效性,在实际工程上具有广泛的应用前景。     

非线性分离算法及其在飞行试验中的应用

 本文根据最小方差估计和分离算法原理,提出一种新的非线性状态估计和偏差辨识的分离算法。并用此算法确定飞行状态和测试仪器的误差,同时U-D分解保证计算效率和数值稳定性。为了得到数据相容性检验的准确结果,本文采用直接离散化的飞机运动模型,以减小模型误差。通过仿真并在我国两种歼击机上实际应用,结果表明本文所给的算法对不同的初值和噪声统计特性都能得到飞行数据相容性检验的一致结果,并能用于低采样率下的数据相容性检验。     

基于证据理论的模糊信息融合及其在目标识别中的应用

信息融合系统中的不确定性信息常常表现为模糊性和随机性信息。提出了一种在证据理论框架下实现模糊信息融合的方法。该方法首先基于随机集理论刻画模糊信息的隶属函数,获得了模糊观测下具有概然特性的似然函数,该似然函数表示在收集的模糊信息下确定为某一目标的可能性,在数值上表示了传感器信息对某一命题支持的程度,利用似然函数确定传感器输出的基本概率指派,最后利用Dempster-Shafer组合规则实现多传感器信息融合。     

管制-飞行状态相依网络演化过程

动态、准确的管制系统运行态势预测是航空运输系统各相关单位开展协同决策的关键基础。基于航空器间的冲突情况、管制员对航空器的管控情况以及管制移交情况构建管制-飞行状态相依网络,探究、分析其演化规律,采用相关性分析和主成分分析证明了所选5项指标的合理性。设置自由飞行和固定航线飞行两种仿真场景,通过计算平均节点度、平均点强等拓扑指标的最大李雅普诺夫指数证明各时间序列均具有混沌特性,选择长短期记忆（LSTM）人工神经网络方法对各时间序列的演化规律进行预测,并与其他预测算法进行对比。仿真结果表明LSTM算法能对管制系统的演化过程进行有效的预测,且预测精度高于贝叶斯算法和支持向量机算法;在自由飞行条件下,5项指标的预测误差绝大部分在20%以内,固定航线飞行的预测效果优于自由飞行。     

基于OpenGL的飞机飞行实测数据可视化研究

为实现飞机飞行历程实测数据的可视化,并检测飞行数据是否满足飞行大纲要求,运用OpenGL (Open Graphic Library)技术,研究了飞机的三维模型建模方法、特殊场景的生成技术和三维模型的实测数据驱动;建立了飞机的三维模型和飞行场景.基于飞行实测数据驱动方式,实现了飞机飞行历程数据的多视角可视化,直观地再现...