基于相关分析和组合神经网络的退化预测

产品剩余寿命预测是加速退化试验和故障预测与健康管理两大热点领域中的关键技术之一.为了解决复杂退化的预测问题,提出了一种新型预测方法,对退化轨迹能够实现较长距离的预测.此方法首先对复杂退化数据进行小波变换,通过Durbin-Watson方法和偏相关图分析各级分解序列的自相关性,最后根据序列的特点,组合BP(Back Propagation)和小波神经网络对退化轨迹进行预测.为了验证所提组合神经网络方法的有效性,采用小波神经网络的预测结果进行对比分析.实际退化数据的预测结果表明,所提方法比单独采用小波神经网络,具有更小的均方差(MSE,Mean Square Error),对剩余寿命(RUL,Remaining Useful Life)也具有更高的预测精度.     

LSTM神经网络在太阳F10.7射电流量中期预报中的应用

F_10.7指数作为大气密度经验模型的重要输入参量,其预报精度直接影响航天器轨道预报精度.研究发现,太阳活动表现出长时间尺度上平均11年和中短时间尺度平均27天的周期性变化特征.依据这一观测事实,基于长短期记忆单元（Long Short-term Memory,LSTM）递归神经网络方法进行F_10.7指数未来27天的中期预报.利用一个连续长时段F_10.7数据作为训练数据,构建LSTM神经网络训练和预测模型,分别预测太阳活动高低年未来27天的F_10.7指数.结果表明,太阳活动高年的第27天F_10.7指数预报平均相对误差最优可达10%以内,低年最优可达2%以内.      

基于LSTM循环神经网络的故障时间序列预测

有效地预测使用阶段的故障数据对于合理制定可靠性计划以及开展可靠性维护活动等具有重要的指导意义。从复杂系统的历史故障数据出发,提出了一种基于长短期记忆（LSTM）循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。      

基于粒子群优化LSTM的股票预测模型

为了提高股票时间序列预测精度,增强预测模型结构参数可解释性,提出一种基于自适应粒子群优化（PSO）的长短期记忆（LSTM）股票价格预测模型（PSO-LSTM）,该模型在LSTM模型的基础上进行改进和优化,因此擅长处理具有长期依赖关系的、复杂的非线性问题。通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,使股票数据特征与网络拓扑结构相匹配,提高股票价格预测精度。实验分别以沪市、深市、港股股票数据构建了PSO-LSTM模型,并对该模型的预测结果与其他预测模型进行比较分析。结果表明,基于自适应PSO的LSTM股票价格预测模型不但提高了预测准确度,而且具有普遍适用性。      

基于贝叶斯准则的支持向量机预测模型

对实际统计数据中存在的相关性、不确定性和非线性问题,提出贝叶斯支持向量机预测模型方法.构建基于高斯分布的权值分布模型描述信息的不确定性,基于先验概率分布和贝叶斯关系获得后验分布模型,利用极大似然方法和递推迭代算法求解后验分布的最佳参数,从而得到关联向量机.建立起基于参数分布多维时间序列预测模型,将每一步迭代过程中的支持向量机输入作为随机变量,考虑数据不确定性的传递,递推得到贝叶斯支持向量机预测输出.由于贝叶斯支持向量机可以有效反映随机影响及其传递,可以克服数据不确定性和相关性的影响,因此基于贝叶斯支持向量机预测效果更加符合实际.实例表明利用贝叶斯支持向量机预测高科技企业发展趋势与实际发展趋势接近,可以克服数据相关性、不确定性和非线性对信息模型的影响,具有较高的预测精度和预测鲁棒性.     

卷积自编码器在非定常可压缩流动降阶模型中的适用性

为有效降低使用计算流体力学(CFD)方法的设计成本和周期，降阶模型(ROM)得到广泛关注。对于复杂的可压缩流动，使用本征正交分解(POD)等线性方法进行流场降维，需要大量模态才能保证流场重建的精度，采用非线性降维方法能够有效减少所需模态数。卷积自编码器(CAE)是一种由编码器和解码器组成的神经网络，能够实现数据降维和重构，可看作是POD方法的非线性拓展。采用CAE进行流场数据的非线性降维，同时使用长短期记忆(LSTM)神经网络进行流场状态的时间演化。对于不可压缩问题，使用自编码器和LSTM结合进行流场重构的方法已有较多研究，选择一维Sod激波管、Shu-Osher问题、二维黎曼问题和开尔文-亥姆霍兹不稳定性算例，测试该ROM对非定常可压缩流动的有效性，同时基于POD方法，在不同模态数下构造Sod激波管和黎曼问题的ROM作为对比。结果表明：对于非定常可压缩流动，CAE-LSTM方法能够在使用较少自由变量数的前提下获得较高的重构和预测精度。     

一种电离层TEC格点预测模型

基于分析时间序列数据的门限控制单元(GRU)神经网络模型,利用电离层TEC网格点历史数据、太阳活动指数、地磁活动指数作为预测因子,提出一种高精度电离层TEC格点预测模型.对全球60个网格点的数据进行了模型预测和对比实验,得到北半球平均相对精度的均值为83.96％,高于南半球的73.60％,表明预测模型在北半球的适应性更...     

应用BP神经网络针对高通量质子事件的通量数值预报

质子事件的爆发与太阳软X射线辐射有着很强的相关性,利用GOES卫星的1～8 (A)波段和0.5～4 (A)波段的软X射线数据,选取一些特征参量验证该相关性并应用到质子事件短期预报中.在当前质子事件传输物理机制不完全明确的情况下,在现有的预报质子事件有无的模型基础上,利用BP神经网络,根据软X射线通量水平等预测事件质子峰值通量水平,再对训练后的网络进行检验,检验预测所得结果与实际探测值误差小于一个量级,具备一定实用意义.      

航空发动机性能参数预测方法

航空发动机性能参数预测对于发动机的视情维修具有重要的意义.为了提高预测精度,在分析发动机性能参数数据特点的基础上,提出了一种新的应用于此领域的组合预测模型.首先利用小波变换将原始数据分解为不同尺度上的几组子序列,根据各子序列的特点分别选用自回归滑动平均(ARMA,Autoregressive Moving Average)模型或求和自回归滑动平均(ARIMA,Autoregressive Integrated Moving Average)模型进行预测,然后将所有预测结果合成,得到最终预测结果.通过仿真实验,验证了该组合模型提高短期和中长期预测精度的有效性,并分析了小波分解层数对于预测精度的影响.      

ARIMA-SVR组合模型在卫星遥测参数预测中的应用

为辅助卫星在轨运行提供决策分析支持，结合卫星遥测参数的时间序列特性，利用一种ARIMA-SVR组合预测方法，通过对卫星遥测参数进行预测，判定实际遥测数据是否处于正常范围。该组合模型利用ARIMA模型对预处理后的数据进行线性拟合，并利用SVR模型对数据的非线性部分进行补偿。以KX09卫星星敏A的温度遥测数据为基础，分别利用组合模型对短期及中期星敏A温度进行预测，得出短期和中期均方根误差（RMSE）分别为0.768和0.968，相比单一ARIMA模型，短中期RMSE分别提高46.2%和16.4%。此外，对该卫星陀螺B的x轴角速度进行了短中期预测:短期预测中，组合模型比单一ARIMA模型的RMSE提高71.2%；中期预测中，组合模型比单一ARIMA模型的RMSE提高64.2%。实验结果表明，ARIMA-SVR组合模型为保证卫星在轨正常运行提供了有效的决策分析支持。      

无人机自主引导跟踪与避障的近端策略优化

针对无人机地面动态目标跟踪问题，建立了远距离自主引导与近距离伴飞避障2个阶段的马尔可夫决策过程模型。在此基础上，提出了一种改进的近端策略优化（PPO）算法。考虑到无人机接收到的数据具有时序性且环境状态存在上下文关联，所提算法采用长短期记忆（LSTM）网络，通过无人机与目标的实时位置关系等状态信息来计算奖励值，更新网络参数，并进行自适应优化迭代。通过基于ROS系统的仿真测试平台进行试验，结果表明：所提算法安全有效地实现了侦察任务全过程的自主机动，与传统的PPO算法相比，LSTM的引入缩短了模型训练时间，跟踪与避障的效率明显提高，进一步加强了算法的鲁棒性、准确性和实时性。     

基于集成学习的遥测数据互相关结构知识发现

针对传统遥测数据相关性分析方法仅能发现相关程度知识，无法提供相关结构丰富信息的问题，提出一种神经网络与极限梯度提升（XGBoost）集成的遥测数据互相关结构知识发现方法。在对遥测时间序列进行线性、单调性、序对一致性、散点图形状4个维度相关结构信息标注的基础上，将混合采样、代价矩阵、神经网络、XGBoost算法相结合，直接对遥测数据进行分类得到其相关结构类别或相关关系有无的知识。采用量子卫星任务数据进行实验的结果表明:较之于原始XGBoost模型、融合混合采样与代价矩阵的XGBoost模型，所提方法在受试者工作特征（ROC）曲线、F1-score等性能指标方面具有更高的分类精度，且对类别不平衡数据不敏感，是一种适用于遥测数据互相关结构知识发现的有效方法。      

一种高精度GPS卫星钟差预报方法

为了获得实时高精度GPS钟差,提出了采用快速星历建模进行短期预报。文章先对钟差数据提取趋势项,再利用傅里叶分析研究其周期特征以确定建模与预报时间段长度,最后利用径向基函数(Radial Basis Function,RBF)神经网络建模实时预报钟差。由于RBF神经网络用于非线性数据建模效果良好,在提取线性趋势项并合理确定建模周期后,该方法能够得到较好的预报结果。实际预报结果表明,文中方法得到的预报钟差精度高于超快速星历,能够满足分米级实时精密定位的要求。     

利用BP神经网络预测AE指数

采用的预报模式是一种全连接的BP网络模型,利用太阳风及行星际磁场的观测数据预报AE指数.神经网络输入选用ACE卫星数据,取5 min平均值,通过比较,选用4个预报参量.构造了预报参量时续为20 min,40 min和60 min依次递增的三个网络,分别进行训练和预测,并对行星际参量对AE指数影响的时续性进行了探讨.预报结果表明,全连接BP神经网络在AE指数的短期预报中是比较有效的,同时还提出了需要进一步改进的环节.      

基于LSTM的TTE网络速率约束流量预测

时间触发以太网（TTE）中的速率约束（RC）流量为事件触发流量,在RC流量动态调度的应用场景下,若能预测未来短时间内数条RC流量到达交换节点的序列,使交换节点提前进行调度决策,以减小RC流量时延,提高网络吞吐量。对RC流量到达序列预测问题进行了研究,建立了RC流量的到达序列模型,提出了基于长短期记忆网络（LSTM）算法的RC流量预测算法。利用OMNET++工具进行TTE网络仿真,得到多组混合关键性配置下RC流量的传输数据;以此作为输入样本对预测算法进行训练和测试。实验结果显示,LSTM算法在RC流量预测问题的准确率达到了70%以上。通过对比实验说明所提算法适用于RC流量预测场景。      

基于长短期记忆神经网络的太阳耀斑短期预报

提出了一个基于长短期记忆神经网络的耀斑预报模型,利用过去24 h太阳活动区的磁场变化时序构建样本,通过长短期记忆神经网络对磁场特征时序演化进行分析,预报未来48 h内是否发生≥M级别耀斑事件。使用的数据集为2010年5月到2017年5月所有活动区样本,选取了SDO/HMI SHARP的10个磁场特征参量。在建模过程中通过XGBoost方法选取权重、增益率和覆盖率均较高的6个特征参量作为输入参数。通过测试对比,模型的虚报率和准确率与传统机器学习模型相近,报准率和临界成功指数分别为0.7483和0.7402,优于传统机器学习模型。模型总体效果优于传统机器学习模型。      

基于神经网络的OFDM信道补偿与信号检测

针对非线性失真和多径效应混合的复杂信道条件,提出一种基于神经网络的正交频分复用（OFDM）信道补偿与信号检测的方法。首先接收端信号利用最小二乘（LS）算法和迫零（ZF）算法做预处理,然后再输入到一层全链接层的神经网络进行进一步的信道补偿与信号检测,并恢复数据流。仿真结果表明,在没有进行输入信号功率回退（IBO）时,所提方法的误比特率（BER）性能比LS算法提升2个数量级,比线性最小均方误差（LMMSE）、最小均方误差（MMSE）提升一个数量级;在进行IBO后,所提方法能避免LS信道估计下至少4 dB的功率损失,能避免LMMSE、MMSE信道估计下至少2 dB的功率损失。所提方法在一定程度上验证了机器学习结合通信的先验知识的这种新的网络结构更能提升系统数据传输的准确率。      

基于深度学习的无人机数据链信噪比估计算法

无人机数据链通信受到各种自然与人为的干扰,信噪比（SNR）是信道状态和通信质量的有效评估指标。为解决传统估计算法信噪比估计精度不足的问题,提出了一种卷积神经网络（CNN）与长短时记忆（LSTM）网络结合的估计模型。利用仿真与实测相结合的方式,构建了一个包含不同信噪比、调制方式、衰落信道等信息的无人机通信信号数据集;在网络训练阶段,将样本序列进行分割,对分割后的每一部分序列使用CNN-LSTM网络提取深度特征,多次训练并保存模型参数;在测试阶段,利用构建好的测试集完成对算法的验证与测试,得到信噪比估计值。实验表明,相比于传统信噪比估计算法与单一网络结构的深度学习算法,所提算法的均方误差最低,实现了对信噪比的高精度估计。