基于小波变换的GPS载波相位周跳检测与修复

载波相位周跳检测与修复是实现GPS高精度定位的难点之一。小波变换具有空间局部性好的特点,本文利用小波变换把载波相位观测量分解为高频和低频分量,提出了利用小波系数局部极值点检测相位周跳的方法。基于载波相位和多普勒频率共同约束的埃尔米特多项式,外推周跳时刻载波相位,与观测值比较确定周跳的大小,从而修复周跳。利用飞机实际观测数据和仿真的高动态数据进行了计算,给出了计算结果,表明该方法可以对高动态情况下载波相位周跳进行准确探测和修复。     

基于EMD-SVR的光纤陀螺随机误差预测

为了提升光纤陀螺随机误差建模的准确性及补偿结果,提出了一种基于经验模态分解与支持向量机结合的随机误差预测方法。鉴于随机误差的非线性及不稳定性,直接进行预测时精度不高,采用经验模态分解对原始数据进行分解以降低时间序列的复杂程度;然后根据经验模态分解得到的各本征模态函数及趋势序列,构建基于支持向量机的预测模型;再将所得的各分量的预测结果综合以得到光纤陀螺随机误差的预测结果。以光纤陀螺随机误差数据作为验证,结果表明,相较于传统的预测方法,均方根误差与平均绝对误差分别降低了78.4%和75.5%,有效提高了回归精度。     

高空台特种调节阀建模方法对比研究

为了获得准确的轮盘式特种调节阀流量特性模型,提高高空舱进口流量预测精度,提出了基于BP神经网络和NARX网络的建模方法。在对调节阀与传感器测点位置分析的基础上,将调节阀和阀后容腔作为整体进行建模。对比研究了流量系数、静态BP神经网络以及基于Gamma Test的动态NARX网络建模方法,并给出了工程中选取建模方法的建议。以试验流量数据为基准,仿真对比了不同阀门开度变化时,各模型输出流量的稳态误差和动态误差。结果表明,BP神经网络方法和NARX网络方法建模精度要优于流量系数法。同时,BP神经网络模型最大稳态误差为0.52kg/s,优于NARX网络模型和流量系数模型。NARX网络模型的最大动态误差为2.04kg/s,相比于BP神经网络模型和流量系数模型,能够更准确地反映流量的动态特性。     

基于EEMD和BiLSTM的航班准点率预测研究

航班准点率问题是民航业最为关心的问题之一,准确地预测出航班的准点率能够有效降低航班延误所带来的不利影响、提高乘客满意度。为解决普通深度学习预测模型存在的航班准点率数据挖掘程度不足、预测准确度较低的问题,提出一种基于集合经验模态分解法(EEMD)和双向长短时记忆神经网络(BiLSTM)的机场短期航班准点率预测模型。模型使用EEMD算法将准点率时间序列进行分解,采用BiLSTM结构作为预测模型,使模型能够更深层、高效地处理航班准点率数据,提高预测准确度。实验数据为2018年上海虹桥机场航班准点率及天气数据,实验建立了多个参照模型与所提模型进行对比分析。结果表明：提出的EEMD-BiLSTM模型相较于一般模型预测误差更小,准确度更高。     

基于NARX神经网络的试车台压缩机模型辨识方法研究

针对试车台供气抽气系统压缩机工作范围广、动态特性预测困难的问题,提出了基于NARX神经网络的试车台压缩机模型辨识方法。在对供气抽气系统结构和运行原理分析的基础上,将压缩机及调节阀作为整体进行建模,研究系统各参数变化对压缩机流量的影响机制。为改善NARX神经网络的辨识精度,引入Gamma Test方法确定网络的最佳时延阶次。基于所建立的神经网络模型,预测了试车台供气、抽气压缩机多工况切换过程的实时流量,最大相对误差分别为0.53%和0.59%。研究所提出的方法可准确反映试车台压缩机流量的动态特性,为实现试车台高精度流量控制提供了技术基础。     

卷积和离散过程神经网络及其在航空发动机排气温度预测中的应用

 针对航空发动机排气温度的变化过程受复杂非线性时变因素的影响而难以用精确数学模型描述的问题,提出了卷积和离散过程神经网络(CSDPNN)模型,并将其应用于航空发动机排气温度(EGT)预测。该模型以离散样本作为直接输入,采用卷积和算法实现对时间累积效应的处理。相较于以连续函数作为输入的过程神经网络(PNN),不需要拟合离散样本得到连续函数后进行正交基展开,减少了精度损失,具有更高的预测精度。给出了卷积和离散过程神经网络模型的学习算法,并通过对Mackey-Glass混沌时间序列的预测对提出的方法进行应用说明和验证。通过航空发动机EGT预测实例,并与卷积和离散过程神经网络模型的连续函数输入过程神经网格以及传统人工神经网络(ANN)的预测结果进行了对比。结果表明,相较于连续函数输入过程神经网络以及传统人工神经网络,卷积和离散过程神经网络具有更高的预测精度,且对于EGT的预测具有较好的适应性,因而为航空发动机EGT预测提供了一种有效的方法。     

基于组合预测模型的飞行器健康预测

针对飞行器健康状况难以准确预测的问题,结合GM(1,1)模型和MGM(1,n)模型的各自优点,提出了基于组合预测模型对飞行器健康信息进行预测的新方法.首先对由声发射传感器募集到的飞行器关键部件原始声发射信号进行五级sym4小波分解,分别提取其第五层小波分解系数的绝对值平均值、标准差和奇异值三种特征向量;然后分别用GM(1,1)模型和MGM(1,n)模型对绝对值平均值进行预测,利用BP神经网络将这两种模型的预测结果作为输入、原始数据作为输出进行组合预测.实验表明,这种组合预测方法可以很好地实现对飞行器关键部件故障信息的准确预测,其预测准确度明显高于单一预测模型,从而证实了该方法的有效性.     

北斗三频周跳探测与修复算法研究

载波相位观测值已越来越多地应用到增强系统中,由于观测环境影响,载波相位测量不可避免地会产生周跳,周跳的成功探测与修复是提高导航定位精度的一个重要因素。针对北斗卫星导航系统三频观测数据,分析其不同线性组合观测值的特性,选取合适的组合系数,形成一个伪距相位组合和两个无几何相位组合,采用历元间差分的方法探测和修复组合观测值的周跳,然后还原求解出原始信号的周跳,最后通过实验验证了该方法的可行性。     

基于二维经验小波变换的金属断口图像消噪方法研究

针对传统小波变换在金属断口图像分析中存在的不足,结合二维经验模态分解和小波分析,本文提出了一种基于二维经验小波的断口图像消噪算法。该方法通过自适应构造滤波器组构造了经验小波函数,实现了在频域上分割傅里叶频谱的同时又分离出了信号的不同模式,从而提取了具有紧支撑傅立叶频谱的AM-FM成分。将所提方法与传统小波变换方法进行对比,结果表明,不论是从峰值信噪比还是从结构相似指数来看,二维经验小波算法的图像消噪效果都明显优于小波变换方法。最后,将二维经验小波算法应用到金属断口图像消噪中,进一步验证了所提方法的有效性。     

基于参数优化变分模态分解的瞬时模态参数识别

针对变分模态分解的模态数和二次惩罚因子难以确定的问题,提出了基于正交性指标、能量比值和变分能量熵的参数优化算法;对于分解得到的单分量信号,发展了基于多项式调频小波变换的瞬时频率识别方法和基于能量法的瞬时阻尼比识别方法。开展了三自由度时变结构仿真研究和时变钢梁实验研究。研究结果表明：优化后的变分模态分解法能够精确分离多自由系统的各阶时变分量,具有较强的抗噪性能;基于多项式调频小波变换的瞬时频率识别方法具有很强的时变频率追踪性能、抗噪声能力强,时变频率识别精度高,平均误差不超过1%;能量法能够较准确地识别结构的瞬时阻尼比,识别误差保持在10%左右,抗噪优势明显。     

小波与BP神经网络联合反演GNSS IR高精度水库水位变化

GNSS-IR技术作为一种近地表遥感的新兴手段，在水库水位监测方面凭借其成本低、精度高等优势成为了研究热点。为了提高GNSS-IR技术反演水库水位变化的精度，提出了利用GPS、BDS双系统观测量基于小波分解与BP神经网络联合的方法反演水库水位变化。选取位于南水北调山东境内双王城水库GNSS变形观测站2017年10月1日—12月26日共87天的信噪比(SNR）数据为研究对象，分别利用小波分解和二阶多项式拟合两种方法消除其趋势项并生成SNR残差序列，然后进行Lomb-Scargle谱分析得到水库水位高度变化值，并与实测水位结果相比较。结果表明：各频段SNR利用小波分解和二阶多项式反演水位变化的平均均方根误差分别为0.1062m和 0.2245m，说明小波分解去趋势项的方法更优。最后，在小波分解去趋势项的基础上，利用阈值筛选出融合所用的频段(S1C、S2L、S5Q和S7I），分别采用均值算法、中值算法、随机森林算法和BP神经网络算法对GPS、BDS多频多模信号进行水库水位的融合反演。结果表明，对于水面较为平静的环境，以上算法均能实现厘米级的反演精度，其中BP神经网络算法用于水位反演的效果更优。     

Blewitt周跳探测方法的改进

在精密单点定位中,能否准确可靠地探测载波相位观测量中出现的周跳,直接影响到定位的精度及可靠性。本文概述了Blewitt周跳探测方法的基础原理,并对周跳的探测算法进行了改进,将电离层残差组合观测量一次差的变化是否超限作为周跳存在与否的判断依据。最后利用一段人为加入了几个典型周跳组合的双频观测数据进行验证,结果表明,改进后的算法能准确探测出两个载波上大于1周的任意周跳,提高了周跳探测的准确性。     

ANN技术在复合材料胶接修理分析中的应用

基于改进的BP人工神经网络(ANN)建立了复合材料胶接修理分析模型,结合采用复合材料胶接修理的正交试验及有限元分析的结果为训练和检测神经网络提供样本,有效地利用了神经网络、试验设计技术与有限元分析的优点。胶接修理实例分析结果表明,所建神经网络模型对胶接参数与修理效果之间关系的预测与试验结果一致,说明将人工神经网络应用于复合材料胶接修理参数分析是一种行之有效的方法。     

面向低成本GNSS接收机终端的周跳修复策略

载波相位周跳是影响低成本GNSS接收机观测质量的主要因素之一.提出了一种面向低成本GNSS接收机终端的周跳修复策略,通过两种不同观测结果的联合检测以避免时钟和星历突变导致的误修复,并利用载噪比和多项式拟合误差检测载波观测中的无效观测,旨在提升低成本接收机在多径等复杂场景下载波相位观测的可用性.该策略仅使用了单频载波相位和载噪比信息,适用于各类低成本的接收设备.分别在开阔场景和多径场景下使用小米8手机和F9P接收机进行观测试验,结果表明,所有的有效载波相位观测得到了正确修复,仅约0.7％的无效观测被误修复,验证了所提策略的有效性.     

非视距误差神经网络改正的超宽带定位模型研究

非视距环境是造成超宽带定位系统精度下降的主要原因。由于非视距环境的测距精度下降难以通过常规计算方法建立改正模型,提出了一种基于反向传播算法的神经网络改正的超宽带稳健定位模型。该方法通过反向传播神经网络的自适应学习方法建立了一种超宽带非视距误差改正的稳健定位模型,实现了在非视距环境下超宽带定位精度的提升。首先采集非视距环境下超宽带测距值,提取超宽带在非视距环境下的坐标序列,计算得到误差序列,然后通过反向传播神经网络建立误差改正模型预测得到标签的误差改正值,最后使用超宽带Kalman滤波定位模型进行超宽带定位,从而消除非视距环境对定位精度的影响。通过对比实验分析,本模型较多项式拟合模型超宽带测距精度提高46.8%,定位精度提高43.4%;较多面函数拟合模型超宽带测距精度提高28.2%,定位精度提高26.2%。实验结果表明,反向传播算法的神经网络对超宽带非视距定位模型的误差改正有很好的效果,对超宽带定位精度的改正效果显著。     

基于小波神经网络辨识的PID神经MRAC研究

提出了一种基于小波神经网络辨识的PID神经网络模型参考自适应控制方法。该方法采用小波神经网络作为辨识器,PID神经网络作为控制器在线调节。由于小波变换具有良好的时频局部特性,神经网络具有强大的非线性映射能力,自学习、自适应等优势,采用规范正交的小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力,自学习、自适应能力等优点,仿真结果表明用该方法构成的控制系统收敛速度快,逼近精度高,鲁棒性好,优于一般的BP网络控制。     

不同GNSS星载原子钟周期特性分析

高精度的卫星时钟修正是全球卫星导航系统实时精密单点定位和授时服务的重要基础。为了提高GNSS钟差预报精度,需要对GNSS星载原子钟的周期特性进行分析。基于2016年全年的GNSS精密卫星钟差数据,利用中位数方法进行了数据预处理,使用多项式拟合模型分析了卫星钟的拟合残差,利用频谱分析法分析了BDS、GPS卫星钟差的周期特性,全面分析了BDS、GPS星载原子钟的周期特性。分析结果表明：除Cs钟外,其他卫星钟差都表现出较好的周期特性,BDS、GPS的主周期项基本在12h、24h、6h附近;同时不同的轨道、原子钟,其钟差周期项不同,而相同的轨道类型,其钟差周期项也存在一定差异;卫星的钟差主周期分别近似为其卫星轨道周期的1/2倍、1倍、2倍。     

基于小波变换的容差电路故障诊断

针对目前模拟电路中电子元器件存在的容差与非线性导致电路故障难以检测的现状,设计了适用于诊断由器件超出容差所引起的模拟电路故障的小波分析诊断方法。通过设定故障进行蒙特卡罗容差实验,采用小波神经网络,对故障输出信号进行小波分析提取其小波高频系数参量,经PCA分析和归一化后形成训练特征向量,并经过BP神经网络训练后,故障信号通过小波神经网络后能够快速精准的对故障器件进行定位。通过大量样本进行仿真计算表明所设计的小波特征参量故障诊断法对于模拟电路具有很好的故障分辨率。