基于PSO-SVR的飞行员工作负荷预测

飞行员工作负荷是影响飞机运行安全的重要因素。开展飞行员工作负荷预测是适航审定过程中,验证驾驶舱设计是否符合适航规章的重要手段。本文针对某型民用飞机设计了模拟飞行试验,用于采集飞行员生理指标数据和国家航空航天局任务负荷指数（National Aeronautics and Space Administration task lood index, NASA-TLX）量表评价数据。以飞行员生理指标数据为输入,NASA-TLX量表主观评价数据为输出,建立了基于粒子群算法优化的支持向量回归机（Particle swarm optimization-support vector regression, PSO-SVR）模型的飞行员工作负荷预测模型。对本文建立的PSO-SVR模型与默认参数的支持向量回归机（Support vector regression, SVR）模型的预测精度进行了对比,针对4个不同场景,预测精度分别提高了7.5%、9.5%、7%和5.8%,结果表明基于PSO-SVR的预测模型得到的飞行员工作负荷预测值精度更高。     

基于CPSOGSA算法的威布尔参数估计及其在民机设备可靠性评估中的应用

为了解决小样本条件下民机装备可靠性模型参数的估计问题，本文提出一种基于收缩系数的粒子群万有引力搜索算法（Contraction factor Particle Swarm Optimization-Gravitational Search Algorithm,CPSOGSA）的参数估计算法。该方法提升了粒子群算法寻优性能，有效提升威布尔模型的参数估计精度。通过算例证明：该方法可以很好地用于民机设备的小样本可靠性参数估计，估计结果具有较高的精度，且耗时更短，表明了该方法的有效性和可行性。     

GPS+BDS组合的实时定轨技术

为了改善卫星几何分布,提高低轨（Low earth orbit, LEO）卫星实时定轨的精度与可靠性,提出了北斗卫星导航系统（Beidou navigation satellite sy stem, BDS）与全球定位导航系统（Global positioning system, GPS）组合模型。组合模型基于加权最小二乘法（Weighted least square, WLS）,利用伪距观测量建立观测模型,实时估计LEO卫星位置。目前,LEO卫星尚未装备星载BDS+GPS双模接收机,为验证算法可行性,利用GPS/BDS卫星星历文件与STK软件仿真生成实验数据。实验结果表明,BDS+GPS组合模型较GPS系统模型精度至少提高26%。     

基于BAS_RVM的APU涡轮剩余寿命预测

提出一种优化相关向量机的寿命预测方法,并用于对辅助动力系统（Auxiliary power unit, APU）涡轮的剩余寿命预测。首先,提出了改进的核函数,兼顾效率和精度,用天牛须搜索（Beetle antennae search, BAS）算法对相关向量机的核参数进行优化,建立寿命预测模型;然后,对历史数据进行分析,提取排气温度（Exhaust gas temperature,EGT）并进行修正、降噪,用多项式回归建立了EGT的涡轮性能退化模式库;最后,实例验证表明,文中算法在APU涡轮剩余寿命预测上与传统相关向量机相比效率提高40%,精度提高20%,通过敏感性分析确定了最佳的初始步长和输入维度。     

基于支持向量机的航路空域内对流天气避让预测（英文）

随着全球空中交通的快速发展,航班延误问题越来越严重。对流天气是造成航班延误的主要原因之一,已经影响到民航行业的可持续发展,成为一个社会问题。如果能够提前预测与天气有关的航班是否改航,那么空中交通活动的参与者就可以协调调度,极大减少航班延误。本文提出了天气避让预测模型(Weather avoidance prediction model,WAPM),以寻找天气与飞行轨迹之间的关系,并基于历史飞行数据预测未来航班是否改航。由于天气数据量大,采用主成分分析对10维天气指标进行降维以提取90%的信息。然后通过确定径向基函数的超参数c和γ,利用支持向量机来预测飞行是否改航。最后,通过预测准确率、精度、查全率和F1评价模型性能,并与k近邻(k nearest neighbor,kNN)、逻辑回归(Logistic regression,LR)、随机森林(Random forest,RF)和深度神经网络(Deep neural network,DNN)进行比较。对于准确率,WAPM比kNN、LR、RF和DNN方法分别高5.22%、2.63%、2.26%和1.03%;对于精度,WAPM比kNN、LR、RF和DNN方法分别大6.79%、5.19%、4.37%和3.21%;对于查全率,WAPM比kNN、LR、RF分别大4.05%、1.05%、0.04%,比DNN低1.38%;对于F1,WAPM比kNN、LR、RF和DNN方法分别高5.28%、1.69%、1.98%和0.68%。     

基于多变量灰色数列模型的民航客运量预测

通过增加白信息量降低预测系统的灰度,以灰色GM（1,1）和GM（1,N）模型为基础,提出了多变量灰色数列预测模型——PGM（1,N）模型,并将PGM（1,2）模型用于实例。结论为利用多变量灰色数列预测模型适宜,预测精度较高。     

基于数字孪生的航班链延误动态预测模型

针对复杂多变的航班运行环境，提出一种基于数字孪生的航班链延误动态预测模型，以改善传统预测方法的精度及自适应性。模型基于数字孪生航班链系统构建，采用滑动窗口下的多通道特征建模完成单元级航班延误预测，并提出一种混合优化策略进行模型参数的动态优化，最后通过孪生数据驱动的链式分析方法实现了全航班链的延误分析与修正。采用国内航班数据进行实验，得到在各个窗口下的航班延误平均绝对误差（Mean absolute error, MAE）为11.79 min，低于其他基线模型和静态模型；且引入孪生数据驱动分析和修正后，紧随其后的航班预测误差比此前进一步降低了6.44%。结果表明，模型有利于数字孪生航班链系统实现虚实交互，并具有优良的预测精度和自适应性。     

基于RS-PSO-SVM的航材消耗预测模型

针对航材消耗预测影响因素多,结合航材消耗特点,研究粗糙集（Rough set, RS）与支持向量机（Support vector machine, SVM）相互融合的航材消耗预测问题。通过RS不完备信息系统的属性约简剔除航材消耗信息系统中冗余的定量因素,在属性重要性基础上将7个影响因素约简为3个影响因素,保留了该系统的核心知识。引入粒子群算法（Particle swarm optimization, PSO）优化SVM模型,寻优得到的参数组合,建立RS-PSO-SVM航材消耗预测模型。实例分析表明,RS-PSO-SVM模型的预测准确度较好,相比较于PSO-SVM、RS-BP（Back propagation）预测性能更佳。     

基于LightGBM的航班延误多分类预测

航班延误是民航业的一大难题,提前对航班的延误情况进行预测,以采取合理的应对措施,对缓解航班延误产生的负面影响有着重要意义。为提升预测性能,提出一种基于轻量级梯度提升机（Light gradient boosting machine,LightGBM）的航班延误多分类预测模型。该模型结合航班信息与天气信息,运用方差过滤与递归特征消除进行特征筛选,并采用合成少数过采样技术（Synthetic minority oversampling technique,SMOTE）与Tomek Link对数据进行不平衡处理,最后使用LightGBM进行建模,实现对航班延误时长的多分类预测。为验证模型的合理性,将所提模型与其他先进算法构建的模型进行对比。实验结果表明,所提模型在各种预测性能指标上结果更优,将预测精度提升至90%以上,同时大幅度降低了训练时间成本。     

基于进近管制区流量的组合方法研究

为了提高西安进近空中交通流量预测的准确性,在综合干预分析模型和计量经济法各自优点的基础上,再以预测误差平方和最小为目标,将预测值的加权问题转化为优化问题,求解得到各种方法预测值的权值,然后,将两种方法所得的预测结果用最优加权法进行组合,得到组合预测值。利用西安进近空域实测流量数据进行的对比实验结果表明:组合预测模型的平均拟合误差为3.61%,组合方法总体上具有较高的预测精度和稳定性,即整体上优于干预分析预测模型,也优于计量经济预测模型。     

基于RFG-SVM算法的在线课程学习行为分析

因支持向量机算法对在线课程平台的学习行为分析有误差,提出了一种基于大数据的随机森林模型的特征加权支持向量机RFG-SVM算法,该算法是在传统支持向量机算法上做完善、修改。利用Gini指数对特征变量计算,再计算RF模型分类识别的准确度,获得特征设定权重值,完成权重值在支持向量机的核函数中的计算。实验结果表明,通过对不同学习行为的学生的学习效果的预测,发现该方法能有效帮助教育者通过在线平台分析学习者的学习行为,预测学习效果,具有更高的准确率和稳定性。     

基于机器学习的结冰风洞温度场预测

结冰风洞是开展飞行器结冰与防除冰研究的重要基础设施,其制冷系统通过调节压缩机吸气压力实现风洞内气流温度的精确控制,吸气压力控制及降温方式影响着风洞的试验效率。为实现压缩机吸气压力的准确预测,本文采用自适应粒子群算法优化后的支持向量回归（APSO–SVR）建立预测模型;在此基础上,利用多层感知机（MLP）神经网络建立分析模型,研究试验工况参数对风洞降温速率的影响。结果表明:压缩机吸气压力的预测值与试验值的平均绝对百分比误差（E_MAP）低于4%,均方误差（E_MS）低于0.003;影响风洞降温速率的工况参数主要有气流压力、试验风速、压缩机吸气压力和换热器出口初始温度,其中,压缩机吸气压力对降温速率的影响是最显著的。     

基于UKDE和XGBoost的航班过站时间动态预测

为了提高机场运行高峰时航班过站时间预测的精度及可靠性,研究了一种结合无偏核密度估计（Unbiased kernel density estimation, UKDE）和极端梯度提升决策树（Extreme gradient boosting, XGBoost）模型的航班过站时间动态预测方法。首先,考虑模型输入变量航班密度的连续性和不确定性变化,利用UKDE法估计机场航班密度,将其作为动态指标输入模型。其次,引入量子粒子群（Quantum particle swarm optimization, QPSO）法优化XGBoost模型。最后,考虑前序航班延误发生前后输入特征的变化,利用初始预测结果对航班密度进行修正,得到二阶段预测结果。研究结果表明：本文方法在高峰时段的预测平均绝对误差为7.365 min,效果优于随机森林（Random forest, RF）、粒子群（Particle swarm optimization, PSO）-XGBoost和XGBoost,修正后的预测结果平均绝对误差减少了3.373 min;模型输入参数按敏感性程度由高到低依次为航班密度、前序航班提前到港时间和延误...     

用于复杂装备费用驱动因子筛选的灰色凸关联模型

针对复杂装备费用预测中样本少和费用影响因素繁多的问题,分析以往灰色关联度的缺陷,运用改进的灰色凸关联度建立费用影响因素与费用之间的灰色关联模型。依据灰色凸关联度的大小和接近程度筛选费用驱动因子,利用所选择的驱动因子建立多元回归模型。与已有文献中的方法进行对比,结果表明本文方法具有较高的预测精度,说明改进的灰色凸关联度模型能够诊断复杂装备费用的关键影响因素。     

常用预测方法应用分析

本文针对GM（1，1）的预测方法，介绍了其原息模型、新息模型和等维新息模型的建摸方法，比较分析了基于GM（1，1）的各种预测模型应用的可靠性问题。     

基于人工神经网络的微重力流动冷凝换热预测

微重力条件下管内流动冷凝换热系数是空间热交换器设计的基础依据,但其实验数据稀缺,故有必要建立精确的预测模型。文中提出了一种基于人工神经网络的微重力下管内流动冷凝换热预测模型。选取误差反向传播（Back propagation, BP）和径向基函数（Radial basis function RBF）两种神经网络,以水力直径、饱和温度、质流密度、干度及与工质热物性有关的参数作为网络输入,冷凝换热系数作为网络输出。结果显示,BP神经网络预测的均方根误差为237、平均绝对百分误差为4.32%;RBF神经网络预测的均方根误差为165、平均绝对百分误差为2.35%。相对于BP神经网络,RBF神经网络精度更高。基于RBF神经网络的微重力下管内流动冷凝换热模型预测值与94%的实验值和数值模拟结果的相对误差在±10%以内。     

基于FEM-SPH自适应耦合方法的蓝宝石DOP性能研究

为了提高弹丸侵彻类高速冲击仿真的精确度，本文利用有限元法（Finite element method, FEM）-光滑粒子流法（Smooth particle hydrodynamics, SPH）自适应耦合模型对蓝宝石侵彻深度（Depth of penetration,DOP）实验过程开展了数值模拟研究。通过DOP实验，验证了该算法下仿真模型的准确性，并对比了传统FEM算法和FEM-SPH固定耦合算法仿真模型的计算结果。研究表明，FEM-SPH自适应耦合算法在计算精度上有明显优势。     

时滞系统的Elman网络多步预测模糊控制方法

讨论了Elman神经网络的结构与学习算法,研究了基于Elman网络的动态系统辨识模型、预测模型及预测算法,并与模糊控制相结合,研究神经网络多步预测模糊控制方法。仿真结果表明该方法可以提高系统的鲁棒性及稳定性,多步预测最佳模糊控制的控制精度及ITAE指标均较无预测时要优。     

基于机器学习的机翼气动载荷重构及传感器优化布置

风洞实验通过在机翼表面布置传感器来测量相应位置的气动载荷，由于传感器布置数量有限，难以直接得到整个机翼全息气动载荷分布。本文采用机器学习方法通过有限传感器数据重构机翼表面全息气动载荷，并提出了利用仿真数据对传感器进行优化布置的方法。从计算流体力学（Computational fluid dynamics,CFD）计算所得的机翼全息气动数据中选取有限位置数据模拟传感器实验数据，对比深度学习模型、高斯过程回归（Gaussian process regression, GPR）、支持向量回归（Support vector regression, SVR）与BP神经网络（Neural network, NN）对气动载荷的重构精度。通过评估由传感器数据重构的全息载荷精度对传感器布置方式进行优化设计。以M6机翼为例在给定的两个工况条件下验证本文所提出的方法。实验结果表明，GPR模型获得了最高气动载荷重构精度；给出了M6机翼在不同传感器总数下最优的截面数和单个截面布点数，最低传感器布置数下的最优布置方式，以及流场变化相对剧烈的前缘区域与展向截面的传感器布置方式。     

高温低周疲劳寿命预测模型

系统评介了应变变程划分（ＳＲＰ），频率划分（ＦＳ），频率修正损伤参数（ＦＭＤＦ），损伤速率（ＤＲ）和应变能划分（ＳＥＰ）等五种在国内外影响较大的高温低周疲劳（ＨＬＦ）寿命预测模型，并对ＨＬＦ寿命预测的损伤力学方法作了简介。基于能量原理，本文建立了一个新的ＨＬＦ寿命预测模型，即时间修正能量（ＴＭＥ）模型。通过引入时间因子和采用优化处理技术，该模型能较准确地反映塑变、蠕变和环境介质等ＨＬＦ损伤机制的作用。利用镍基超合金Ｒｅｎｅ’９５（涡轮盘材料）的ＨＬＦ试验数据，对上述几个模型的拟合能力和预测能力进行了评价。结果表明，对于该材料，ＴＭＥ模型要优于其他几个模型。